基于支持向量機算法的重癥患者壓力性損傷分級預測模型的構建及應用價值*

張 晶,王亞玲,梁澤平,解浪浪,簡福霞,艾山木,商 璀

(1.中國人民解放軍陸軍特色醫學中心血液科,重慶 400042;2.中國人民解放軍陸軍特色醫學中心護理部,重慶 400042;3.重慶市九龍坡西區醫院重癥醫學科,重慶 400052;4.陸軍軍醫大學臨床護理學教研室,重慶 400038;5.中國人民解放軍陸軍特色醫學中心重癥醫學科,重慶 400042;6.重慶市急救醫療中心急診科,重慶 400015)

壓力性損傷(PI)是指皮膚或底層軟組織的局部損傷,通常發生在骨隆突處,是醫院護理工作質量控制的重要指標之一。重癥監護病房(ICU)患者是PI的高風險人群,據不完全統計,PI在重癥患者中的發生率為16.9%～23.8%[1],遠高于平均水平的8.4%[2]。Waterlow、Braden、Norton等量表常被用于評估發生PI的風險,但此類評估工具受實施者及患者主觀影響較大,且缺乏對PI分級的預測能力[3]。據文獻報道,1期PI發生率最高,表現為皮膚紅斑,壓之不變色,但皮膚相對比較完整,因此,對患者的影響較輕[4]。但在臨床工作中部分初期表現為1期PI的患者皮膚情況會逐漸惡化,據統計,在給予適當護理措施的條件下仍有10%、12%的患者會進展為2、3期PI,因此,1期PI患者逐漸成為醫院監督和管理的重點對象[5-6]。

PI分級預測模型的構建具有重要意義。通常認為系統的評估和及時干預是預防PI的關鍵[7]。因此,多數研究將目光聚焦在PI的風險預測方面,旨在為制定早期的干預方案提供參考依據。近年來,逐漸有研究發現,對患者給予分級護理可有效降低PI發生風險、降低并發癥發生率,以及避免病情進一步發展[8-9]。但目前缺乏對PI分級預測相關的研究,尤其是對較為嚴重的PI分級預測,如2期及以上的PI,針對患者分級護理的精準度尚有待于進一步提高。

高頻超聲(HFUS)在PI風險預測模型的研究中具有廣泛應用。HFUS指頻率在10 MHz以上的超聲,其理論探測深度可達15～25 mm。有研究表明,PI的發生過程中涉及組織病理生理學變化,如皮膚溫度[10]、組織血流灌注[11]、表皮下水分[12-13],以及局部組織血氧代謝情況[14]等對PI的風險預測具有潛在的量化價值,而這些病理生理學變化的初步跡象可被HFUS早期發現[15]。當HFUS透過病變組織時反射的回聲與周圍正常組織會有較為明顯的差異,可在臨床癥狀出現前顯示出是否存在組織損傷或水腫,具有分辨率高、動態、實時、可重復等特點[16-17]。在HFUS下早期PI的影像學特征表現為層次結構不清、低回聲病變、筋膜不連續、不均勻低回聲4種經典類型,可作為早期PI篩查的指標[18],但對PI分級預測的能力尚有待于進一步研究。

機器學習算法在PI的分級預測中具有潛在價值。隨著我國護理信息化平臺的不斷發展數量龐大的、結構復雜的數據利用與機器學習算法相結合已成為必然趨勢[19]。臨床PI管理中同樣存在大量多重結構的數據,在機器學習算法的加持下已被廣泛用于創面的測量和分析、PI風險預測模型的構建等方面,其中支持向量機(SVM)作為經典的機器學習算法之一,在處理PI管理中的分類任務時較其他算法表現出更高的性能[20]。PI的分級預測在本質上同樣屬于分類任務,但目前SVM對PI分級預測的準確率仍缺乏相應的文獻報道。本研究采用SVM算法聯合HFUS的影像學特征和臨床結構化數據構建ICU患者PI分級預測模型,通過模型的內部驗證及參數優化得到性能最佳的模型,旨在為PI的分級預測及早期的分級護理提供參考依據。

1 資料與方法

1.1資料

1.1.1研究對象 本研究為回顧性研究,收集2020年12月至2022年12月157例在重慶市某三級甲等醫院重癥醫學科住院患者的臨床資料。本研究經中國人民解放軍陸軍特色醫學中心倫理委員會審批通過[醫研倫審(2020)第188號]。

1.1.2納入標準 (1)年齡大于或等于18歲;(2)住院期間發生過2期及以上PI;(3)入院24 h內有HFUS圖像留存。

1.1.3排除標準 (1)入院時存在PI;(2)孕婦;(3)HFUS圖像質量不佳,難以分辨其特征。

1.2方法

1.2.1樣本量大小 目前,尚無標準的SVM樣本量計算方法,為保證模型的精準度及穩定性參考HYUN等[21]基于功效分析計算最小樣本量的方法。功效分析可在給定置信水平(α)、功效水平(1-β)及效應值的情況下計算該統計方法所需的最小樣本量。本研究選取在單因素分析中差異有統計學意義的變量——年齡、血清清蛋白水平、急性生理和慢性健康狀況Ⅱ評分(APACH-Ⅱ)、血糖水平、體重指數(BMI)、Braden評分、筋膜不連續、不均勻低回聲、二便是否失禁和血清總蛋白水平,基于“pwr”包計算各變量在α=0.05、功效水平為90%時所需的最小樣本量,結果顯示,所需最小樣本量的臨界值為151,即在先驗顯著性水平為0.05、不低于90%的可能性斷言以上變量,在單因素分析中的結果可信所需的最小樣本量為151,低于157的實際樣本量,因此,本研究納入的樣本量充足。

1.2.2PI分級標準 根據美國國家壓瘡咨詢委員會2019年更新的指南將PI分為6期[22]:(1)1期患者皮膚變紅,按壓不褪色,但無皮損;(2)2期患者部分皮層受損,通常伴一定的皮損,如水泡等,真皮層也會出現一定的受損;(3)3期患者出現全層皮膚受損,疼痛情況相對較明顯;(4)4期患者出現全層皮膚和組織缺失;(5)不可分期患者為全層皮膚和組織缺失,損傷程度被掩蓋,不能明確判斷分期;(6)深部組織損傷患者持續加壓不變白,顏色為深紅色、栗色或紫色。

1.2.3調查工具 在文獻[23-24]回顧基礎上對重癥醫學科1名主任醫師及2名副主任護師進行咨詢后自行設計ICU患者HFUS PI調查表,包括4部分、20個指標:(1)一般資料包括性別、年齡、入院時APACH-Ⅱ、PI分期等;(2)營養相關指標為BMI,以及血清清蛋白、血清前清蛋白、血清總蛋白、血糖水平等;(3)PI風險評估工具為Braden量表總分及6個維度得分;(4)HFUS圖像特征為層次結構不清、低回聲病變、筋膜不連續、不均勻低回聲等。

1.2.4資料收集 參照文獻[25]的方法對研究小組的HFUS圖像特征辨識能力進行培訓,通過考核的研究者對患者入院24 h內采集的HFUS圖片的特征進行辨別,患者入院24 h內的一般資料、營養相關指標、PI風險評分、住院過程中是否發生PI通過醫院電子病歷系統收集。所有的數據由2名研究者獨立完成,采用EpiData3.1軟件進行雙人錄入,發現數據不一致后由第3名研究者核查并修改。

2 結 果

2.1一般資料 157例患者中男125例(79.62%),女32例(20.38%);年齡55(42,69)歲;APACH-Ⅱ 26(20,29)分;PI分級:2期組74例(47.13%),3期組32例(20.38%),4期組51例(32.48%)。

2.2單因素分析 3組患者二便是否失禁、年齡、APACH-Ⅱ、BMI、Braden評分、筋膜不連續及不均勻低回聲,以及血清清蛋白、血清總蛋白、血糖水平比較,差異均有統計學意義(P<0.05)。見表1。

表1 單因素分析

2.3分級預測模型的建立 當gamma=0.1、cost=2.2時模型的性能最佳,此時準確率為95.41%,精確率為94.57%,召回率為93.69%,F1值為94.11%,AUC為0.996。

2.4分級預測模型的內部驗證結果 驗證組患者在模型中被正確分類39例,包括2期19例,3期7例,4期13例,準確率為81.25%,精確率為79.70%,召回率為80.30%,F1值為79.90%,AUC為0.939。分級預測模型對2期PI預測能力的精確率、召回率、F1值、AUC分別為82.61%、82.61%、82.61%和0.946;對3期PI預測能力的精確率、召回率、F1值、AUC分別為63.64%、58.33%、60.87%和0.927;對4期PI預測能力的精確率、召回率、F1值、AUC分別為92.86%、100.00%、96.30%和0.953。見表2、圖1。

圖1 驗證組ICU患者分級預測模型的多分類受試者工作特征曲線

表2 基于驗證組數據模型的性能評估

3 討 論

3.1ICU患者PI分級的影響因素 本研究單因素分析結果顯示,入院時存在二便失禁、高齡、高APACH-Ⅱ、低BMI、低清蛋白、低蛋白、高血糖、低Braden評分、筋膜不連續和不均勻低回聲是導致PI分級較高的因素。有研究表明,二便失禁、高齡、低蛋白、高血糖、低Braden評分是PI的獨立危險因素[26]。崔麗麗等[27]研究表明,BMI偏高是骨科俯臥位患者術中發生PI的獨立風險因素,與本研究結論相反。本研究經多重Wilcoxon檢驗結果顯示,2、3期PI患者BMI無差異,而二者與4期PI患者BMI比較,差異均有統計學意義(P<0.05)。既往研究表明,老年慢性阻塞性肺疾病患者入院時營養狀態與PI分期呈明顯負相關[28]。結合本研究結果表明,通常情況下肥胖(高BMI)會加重患者的受壓面積及翻身的頻率,導致增加PI發生的風險,但在一定范圍內的低BMI會導致營養狀態差,反而增加PI的發生風險及嚴重程度。一項回顧性對比研究發現,PI患者入院時APACH-Ⅱ明顯高于未發生過PI者,差異有統計學意義(P<0.05)[29]。本研究結果顯示,3組患者APACH-Ⅱ比較,差異有統計學意義(P<0.05),表明高APACH-Ⅱ既是發生PI的危險因素,同時與PI嚴重程度有關。

3.2分級預測模型性能較好 本研究采用準確率、精確率、召回率、F1值、AUC評估分級預測模型的預測性能。準確率即所有預測樣本中預測準確的占比;精確率體現真正例在預測為正例的實例中的占比,即真陽性;召回率反映預測正確的例在正例總體中的比例,評估所有實際正例是否被預測出來的覆蓋率占比多少,通常精確率和召回率呈負相關;F1值是精確率和召回率的加權調和平均數,準確率、精確率、召回率、F1值越大表示模型的性能越好[30]。AUC被廣泛用于分類器的量化評估,AUC>0.900提示模型的準確率較高[31]。本研究構建的分級預測模型的精確率、召回率、F1值、AUC分別為79.70%、80.30%、79.90%、0.939,提示其性能較好。混淆矩陣結果顯示,該模型預測準確率為81.25%,表示在驗證組中預測對象中被該模型正確分類的例數占總例數的81.25%,說明模型正確率良好[32]。

3.3基于HFUS和SVM的PI分級預測模型對臨床的意義和價值 HFUS在PI風險預測模型的研究中具有廣泛的應用,在PI分級預測模型中的性能尚有待于進一步揭示。本研究結果顯示,超聲特征顯示為筋膜不連續和不均勻低回聲為2期PI向3、4期PI發展的危險因素,提示筋膜不連續和不均勻低回聲是PI惡化的可量化指標,將其作為參數納入基于機器學習的PI分期預測模型中內部驗證的預測準確率達到81.25%,總模型的AUC為0.939,高于傳統的機器學習算法,表明HFUS聯合機器學習算法能更精準地預測ICU患者在住院期間發生PI的分期情況。此外將分級預測模型與電子病歷系統相結合能更精準、及時地發現有PI惡化傾向的高危人群,避免傳統PI評估耗時長、主觀性強等缺點,減少臨床護士工作壓力,提高工作效率。

綜上所述,基于HFUS的影像學特征和臨床結構化數據、采用SVM算法構建ICU患者PI分級模型,通過五折交叉驗證法進行模型參數優化,最終模型在內部驗證中表現出良好的性能和準確率,可為臨床醫護人員制訂ICU患者預防PI的分級護理干預方案提供參考依據。