機器學習在圍術期并發癥預測方面應用及前景

張吉妥, 胡小義, 紀木火, 楊建軍

1.鄭州大學第一附屬醫院 麻醉科,河南 鄭州 450052;2.南京醫科大學第二附屬醫院 麻醉科,江蘇 南京 210011

機器學習是一門多領域交叉學科,涉及概率學、統計學、計算機科學等,其本質是對算法的研究,使計算機能夠從海量數據中分析并學習規律,不斷優化自身算法并對新數據進行預測[1-2]。近年來,機器學習在醫療領域的應用越來越廣泛,逐漸改變著傳統的醫療模式。在圖像識別、大數據分析等方面,機器學習有著明顯的優勢和潛力[3]。

麻醉與圍術期并發癥是指在麻醉及手術過程中或手術后可能出現的各種不良癥狀,包括低血壓、低氧血癥、術后譫妄等,這些并發癥可能與麻醉藥物、手術操作、患者的個體差異以及術后護理等因素有關,嚴重影響患者的術后生活質量。傳統的術后并發癥評估方法主要依賴于臨床經驗、評估量表和檢查指標,應對復雜情況時存在一定的局限性。然而,機器學習可以利用大規模的數據和復雜的算法模型,挖掘疾病潛在的關聯和信息,從而提供更準確、個性化的圍術期并發癥預測。本文將介紹機器學習在麻醉與圍術期并發癥預測方面的應用,并對其未來前景進行探討。

1 機器學習的分類及常見算法

在機器學習領域中,根據數據處理的方式,通常可分為四類:監督學習,無監督學習,半監督學習及強化學習[4]。

監督學習使用帶有標簽的訓練數據來建立模型。當輸入新的數據時,算法會根據已建立的預測模型提供相應的預測值。常用的算法包括支持向量機、隨機森林、人工神經網絡等[5]。無監督學習則是通過對未標記數據的學習,自動發現數據中隱藏的模式和結構,從而構建模型[6]。常見的算法包括聚類分析、主成分分析等。半監督學習結合有標簽和無標簽數據進行學習,在少量數據標簽的引導下,能夠充分利用大量無標簽數據來提高學習性能[7]。強化學習采用迭代學習方法,計算機會根據執行任務時獲得的消極或積極的反饋,不斷優化自身算法并再次執行該任務,以達到實現特定目標的最優化[8]。這些機器學習算法在不同的領域中被廣泛應用,為數據分析和決策提供了有力支持。

2 機器學習在預測圍術期并發癥方面的應用

機器學習在預測圍術期并發癥方面具有巨大的應用潛力。通過分析大量的臨床數據,機器學習可以挖掘潛在的風險因素和關聯,從而為麻醉團隊提供更準確、個性化的預測能力。這種能力的提升將顯著改善手術的安全性,并有助于患者在術后的遠期康復過程中獲得更好的結果。機器學習的應用可以幫助麻醉團隊更好地評估患者的風險水平,并采取相應的預防和干預措施,以減少圍術期并發癥的發生。

2.1 低血壓 圍術期低血壓是手術中常見的并發癥,對患者的預后具有重要影響。長期低血壓可能導致腦、心、腎等重要器官的灌注不足,增加術后腦水腫、術后譫妄、心肌缺血、腎功能損傷等不良事件的風險[9-10]。利用機器學習預測圍術期低血壓,可及時采取干預措施,例如調整藥物使用和補充容量等,以降低低血壓的發生概率,從而改善患者預后。這一應用對于提高手術安全性、降低并發癥風險具有重要的臨床意義。

在Lee等[11]的一項回顧性研究中,共納入了3 301例患者,應用深度學習算法來實時預測5、10、15 min后的低血壓事件,研究團隊利用非心臟手術患者在術中監測的生物信號波形數據建立了分類和回歸模型,分別用于判斷低血壓事件的發生和預測平均動脈壓,結果顯示,在侵入性模型中,采用多通道模型(包括動脈壓波形、心電圖、外周動脈血氧飽和度曲線和呼氣末二氧化碳濃度曲線)的受試者工作特征曲線下面積(area under the receiver operating characteristic,AUROC)和平均絕對誤差均優于僅使用動脈壓波形的模型,在非侵入性模型中,多通道模型的AUROC也優于僅使用外周動脈血氧飽和度曲線的模型,并且平均絕對誤差也更小。這表明,深度學習模型可基于侵入性和非侵入性監測的生物信號預測圍術期低血壓事件,并且多信號組合的模型性能更好。該研究結果強調了深度學習在圍術期低血壓預測中的潛力,并為臨床醫師提供了一種更準確、個性化的預測方法,以減少低血壓相關的風險。

Wijnberge等[12]在阿姆斯特丹的一家三級醫療中心進行了初步的非盲隨機臨床試驗,旨在測試基于機器學習開發的早期預警系統能否減少圍術期低血壓的發生。該試驗納入了行全身麻醉非心臟手術且需要持續侵入性血壓監測的成年患者,患者被隨機分配到接受早期預警系統的試驗組(n=34)和行常規監測的對照組(n=34)。結果顯示,試驗組低血壓的中位時間加權平均值為0.10 mmHg(0.01～0.43 mmHg)(1 mmHg=0.133 kPa),對照組為0.44 mmHg(0.23～0.72 mmHg),兩組之間的中位差異為0.38 mmHg(95%可信區間0.14～0.43 mmHg,P=0.001)。與對照組比較,試驗組圍術期低血壓的時間加權平均值顯著降低。該研究表明,基于機器學習的預測系統可降低圍術期低血壓的發生概率,但仍需進一步的研究以評估該系統的安全性、泛化性及可推廣性。

2.2 低氧血癥 圍術期低氧血癥在全身麻醉過程中是常見的死亡原因之一,特別是在麻醉誘導過程中[13]。長期低氧血癥會導致組織缺氧,增加術后器官功能障礙和并發癥的風險,嚴重時甚至危及生命。通過預測低氧血癥,麻醉醫師可以采取相應干預措施,調整麻醉和手術方案,及時糾正低氧血癥,從而降低患者的并發癥和死亡風險。

Geng等[14]進行了鎮靜狀態下胃腸鏡檢查期間低氧血癥發生的影響因素研究,并建立了一個基于人工神經網絡模型的預測工具。該研究納入了220例行胃腸鏡檢查的患者,結果顯示,體質量指數、習慣性打鼾、頸圍與低氧血癥存在相關性,該人工神經網絡模型的AUROC為0.80,其可以在鎮靜狀態下胃腸鏡檢查期間預測低氧血癥,并為臨床提供一種有用的預測工具。

Lundberg等[15]使用基于集成模型的機器學習方法來預測全身麻醉期間的低氧血癥,并探究其危險因素。研究結果顯示,機器學習模型的預測準確度超過了麻醉醫師自身的預測能力,在該系統的幫助下,麻醉醫師對低氧血癥的預測能力從15%提高到了30%。因此,機器學習的應用可使更多高風險患者獲益。

2.3 肺栓塞 肺栓塞是圍術期可能出現的一種嚴重并發癥,可導致肺循環和呼吸功能障礙,發現或處理不及時將直接影響患者的安全[16]。因此,預測圍術期肺栓塞的發生對于患者的安全至關重要。

Shen等[17]使用機器學習算法對電子病歷數據進行訓練來預測肺栓塞發生,并進行了外部驗證。該研究納入了近2 000 000例患者的數據,在12個機構的331 268例患者(肺栓塞陽性率為3.3%)上進行XGBoost模型訓練,并在其他32個機構的1 660 715例患者(肺栓塞陽性率為3.7%)上進行了外部驗證。研究結果顯示,該模型在訓練集和外部驗證集上均表現出色,平均AUROC可達到0.88。這表明,該模型具有良好泛化性,可用于肺栓塞的早期監測,并有潛力成為臨床決策工具,可在臨床推廣使用。

2.4 心臟驟停 圍術期心臟驟停是圍術期最危險的并發癥之一。如果不及時處理,可能導致患者永久性的腦損傷及死亡[18]。通過使用機器學習模型,臨床醫師可以識別圍術期心臟驟停的危險因素,這為醫療團隊提供了寶貴的信息,以便及時采取措施,最大程度地保護患者的生命和健康[19]。

Mayampurath等[20]比較了多種機器學習模型和傳統的CASPRI評分在預測圍術期心臟驟停患者神經功能恢復情況方面的表現,分析了GWTG-R注冊數據庫中755家醫院的117 674例發生圍術期心臟驟停患者的數據。研究團隊利用患者的特征、病史、心臟驟停前后干預措施等信息構建了邏輯回歸、支持向量機、隨機森林、梯度提升機和神經網絡等多種機器學習模型來預測神經功能恢復情況。研究結果顯示,在預測發生圍術期心臟驟停患者神經功能恢復情況方面,梯度提升機算法表現出最高的準確性,優于CASPRI評分和其他機器學習模型,該算法基于持續時間、心臟驟停時的心律、入院時的神經功能評分及年齡等重要變量進行預測。這一研究也揭示了機器學習在預測圍術期心臟驟停患者神經功能恢復方面的潛力。

Lu等[21]利用機器學習方法對733 398條急診記錄進行分析,構建了能夠預測急診病房內發生心臟驟停的模型,采用了隨機森林、梯度提升和額外樹分類器等機器學習算法,并將其與國家早期預警評分系統、邏輯回歸算法進行比較。結果顯示,隨機森林模型表現出最佳性能(AUROC=0.931,95%可信區間0.911～0.949),所有的機器學習模型均優于國家早期預警評分系統(AUROC=0.678,95%可信區間0.635～0.722)。該研究表明,僅基于分診信息的機器學習模型在急診病房內心臟驟停的識別方面具有出色的鑒別能力。如果成功應用于急診信息系統中,該機器學習方法有潛力減少心臟驟停事件的發生。

2.5 術后譫妄 術后譫妄是一種常見的急性認知障礙綜合征,表現為混亂、妄想、注意力不集中和認知功能下降等癥狀。在老年患者中,術后譫妄的發生率可高達65%,且與患者的短期和長期預后密切相關[22-23]。術后譫妄可影響患者的遠期認知、生理和社會功能,并增加醫療費用和死亡率。因此,對術后譫妄的早期預測至關重要[24]。相對于傳統的評估方法,機器學習模型可以利用大量的臨床數據進行復雜的模式識別和數據關聯分析,從而提高預測的準確性。通過建立個性化的預測模型,可以更好地識別術后譫妄高風險患者,為臨床決策提供指導。

Wang等[25]利用機器學習方法預測微血管減壓術后早期譫妄。該研究納入了912例顱神經疾病患者,其中,24.2%發生了術后譫妄。研究中使用了決策樹、邏輯回歸、隨機森林、梯度提升機和梯度提升決策樹5種算法,通過分析相關因素發現了卡馬西平使用時間、血紅蛋白和尿素氮是術后譫妄的主要危險因素。研究結果顯示,梯度提升算法總體表現最佳,在測試集中的AUROC為0.962,準確率為0.923。這項研究結果表明,機器學習在術后譫妄方面具有高準確性,可以為患者個性化護理提供重要參考。

Hu等[26]利用機器學習算法預測術后譫妄的發生率,以便快速識別高危患者。研究團隊提取了531例全身麻醉手術患者術前及術后第1天的臨床數據,篩選出與術后譫妄相關的特征,并采用邏輯回歸、隨機森林、極限梯度提升樹和支持向量機等4種方法建立了術后譫妄預測模型。研究結果顯示,在測試數據中,邏輯回歸模型表現最佳(AUROC=80.44%,95%可信區間72.24%～88.64%),同時具有最低的Brier評分。這也表明該模型可以及時預測患者術后譫妄的發生。

2.6 術后疼痛 術后疼痛是圍術期常見的不良反應,近20%的患者在術后24 h內會經歷劇烈疼痛。術后急性疼痛的發生與多種因素有關,包括手術損傷本身的影響以及患者個人的身體狀況、心理因素的綜合作用。術后急性疼痛若得不到有效管理和緩解,可能發展為遠期慢性疼痛,嚴重影響患者的生活體驗[27-28]。因此,對于術后疼痛的及時預測、識別和控制對于患者的術后康復和生活質量至關重要。

Driel等[29]利用多變量邏輯回歸方法開發和驗證了一個預測慢性術后疼痛風險的模型。該模型篩選出4個因素,包括術前阿片類藥物的使用、骨科手術、術后第14天的疼痛程度評分及術后2周內疼痛區域出現冰涼或疼痛感。該研究結果顯示,在訓練組(n=344)和驗證組(n=150)中,分別有28.8%和21.3%的患者出現慢性術后疼痛,該模型在驗證集中表現良好(AUROC=0.82,95%可信區間0.76～0.87)。這也表明,該模型能夠幫助醫師早期識別慢性術后疼痛的風險患者,并根據其預測結果采取相應的治療措施。

Fang等[30]構建了一個大規模兒童疼痛表達數據庫CPEC,并利用深度學習方法來對兒童術后疼痛進行評估。該數據庫包含了2020年1—12月安徽省兒童醫院0～14歲患兒的術前視頻4 104段和術后視頻4 865段,研究團隊使用CPEC數據集開發了名為CPANN的神經網絡框架。研究結果顯示,在驗證集上,CPANN的正確率為82.1%,宏觀F1得分為73.9%。相較于量表評估的方法,CPANN具有更快速、更方便、更客觀的優勢。這項研究也展示了深度學習在兒童疼痛自動評估方面的有效性。

3 總結和展望

隨著機器學習在麻醉領域的興起,麻醉醫師作為新時代的從業者,面臨著新的機遇和挑戰。除了熟練掌握臨床麻醉技能,對于人工智能前沿知識的了解也變得越發重要[31]。然而,機器學習在當前階段仍存在一些問題。首先,訓練出的模型可能在泛化能力上存在局限性,即在不同數據集上的表現可能各不相同。其次,一些模型目前仍處于理論階段,其在臨床實踐中的表現還需要進一步考察。此外,機器學習在臨床上的大規模應用還需要得到麻醉領域的廣泛認可。

目前,關于機器學習技術的研究和應用在不斷取得進展,其中最引起廣泛關注的是ChatGPT的出現。作為一種基于深度學習和自然語言處理技術的大型語言模型,ChatGPT通過大規模的訓練數據學習語言的模式和規律,能夠以流暢、準確的方式回答人類提出的問題。在醫療領域,ChatGPT也展示出了巨大的潛力,其能夠回答患者的問題,且可在一些專業醫學問題上提供高度準確和可靠的答案[32-33]。在不久的將來,這些模型或許能夠與麻醉領域相結合,在機器學習算法的基礎上為麻醉醫師提供更為精準、個性化的圍術期并發癥預測,提高麻醉醫師的工作效率。這一前景令人充滿期待。

相信隨著人工智能時代的到來,麻醉學界以及整個醫學界將迎來巨大的發展變革。機器學習的應用將提升患者在醫療過程中的舒適體驗,以更智能的方式為患者提供更安全、更精準的治療。