首页 > 论文范文 > 医药卫生论文 > 急诊科论文 > 急诊科职称论文 > 血流动力学不稳定的临床特征分析及预测模型的构建

血流动力学不稳定的临床特征分析及预测模型的构建

2024-06-11 90 上传者：管理员

摘要：目的探讨不同的临床特征预测血流动力学不稳定的重要性，并构建不同应用场景最佳预测模型。方法回顾性选取重症医学数据库(MIMIC)-Ⅳ中符合纳入标准的重症监护病房(ICU)住院患者，根据临床干预分为血流动力学不稳定组和稳定组。提取患者一般人口学特征、临床资料及实验室检验等特征信息，进行组间比较。使用机器学习算法评估各特征重要性，构建成人血流动力学不稳定(AHI)模型、改良AHI模型、无创模型、有创模型、血压模型及休克指数模型。结果以AUC评估模型性能，预测能力最强的是AHI模型(AUC=0.862),其他依次是改良AHI模型(AUC=0.810)、有创模型(AUC=0.787)、无创模型(AUC=0.760)、血压模型(AUC=0.720)和休克指数模型(AUC=0.716)。F1分数结果显示，AHI模型是最佳模型，其次是改良AHI模型、有创模型和无创模型，血压模型和休克指数模型预测效果较差。结论在特征信息较全的情况下，AHI模型是最佳预测模型，其中无创血压是识别血流动力学不稳定性最有用的特征。在特征信息有限情况下，无创模型比单一的血压模型和休克指数模型具有优势。

关键词：
无创
有创
特征重要性
血流动力学不稳定
预测模型
加入收藏

急危重症患者血流动力学不稳定，病死率较高。早期发现和管理血流动力学不稳定可以降低病死率[1]。重症患者往往接受了密切的医学监测及详尽的检查进行病情评估，由此产生的海量临床数据要如何更好地使用是一个难题。在资源有限或院前条件下，尽管应用单个特征作为预测特征尚存争议[2],医护人员可能仍会选择使用单一特征或无创特征预测模型。Mao等[3]基于查询特征开发了一个信息有用性预测模型，并指出将更多特征添加到模型中可增强预测性能。然而，需要过多特征的模型难以使用，可导致过度拟合。通过选择具有高相关性或显著差异的特征，可减少特征空间维数，从而提高模型有效性和可解释性。这种方法减轻过拟合风险，使模型更加简洁和易于解释。鉴于大数据集中有用特征的稀疏性，数据减少成为大数据分析的关键步骤。特征选择的主要目标是通过识别任何给定数据集的最佳特征子集提高准确性，从而改善评估性能[4,5]。因此，优化现有诊断标准或预测模型特征已成为关注焦点。

Potes 等[6]在儿科重症监护病房(pediatric intensive care unit, PICU)建立了一个血流动力学不稳定临床预测模型。该模型能可靠地预测PICU患者对血流动力学干预的需求，并且与仅基于收缩压或休克指数的模型相比，提供了更优越的分类性能。Dung-Hung 等[7]通过机器学习模型的外部验证，预测了成人重症监护病房(ICU)的血流动力学不稳定，达到72%敏感度和67%特异度。然而，成人血流动力学不稳定(adult hemodynamic instability, AHI)模型的受试者工作特征(ROC)曲线下面积(area under curve, AUC)为0.76,低于儿科模型0.81。这些模型尽管不尽相同，但都包括生命体征、呼吸机参数、实验室检查和其他一些特征。将模型集成到临床信息系统中有助于识别患者血流动力学不稳定的风险，但是这些技术仍处于探索的早期阶段。AHI模型需要进一步优化，特别是在特征分类和在不同情景中的应用方面。

本研究通过识别常见临床特征与血流动力学不稳定之间的相关性，旨在区分有创和无创特征信息，最终确定适用于各种应用场景下的最佳预测模型。

1、资料与方法

1.1 一般资料

拟从重症医学数据库(MIMIC)-Ⅳ中收集2008年至2019年间进入贝斯以色列女执事医疗中心(BIDMC)重症监护病房的患者[8,9,10]。纳入标准：成人患者。排除标准：①同一患者多次就诊，排除第二次以上就诊数据；②年龄<18岁；③ICU住院时间<6 h或入院6 h内诊断血流动力学不稳定；④缺失>20%的特征；⑤特征值超极限异常(见表1)。使用多重插值法填充符合标准患者特征的缺失值。从BIDMC和麻省理工学院的机构审查委员会获得了使用MIMIC-Ⅳ数据库的批准(Record ID:43460183),确保符合道德标准和法规。

表1 入选血流动力学不稳定患者特征的基本信息

1.2 方法

1.2.1 分组

由于ICU入院后24 h内可能无法获得明确诊断，需要通过患者接受的临床干预识别血流动力学不稳定事件。用于稳定血流动力学的临床干预措施包括血管活性药物(多巴胺、肾上腺素、去甲肾上腺素及抗利尿激素)、大量补液(8 h内>2 400 mL或12 h内>3 000 mL)和(或)输血(2 h内>500 mL或24 h内>800 mL)[7]。未接受上述临床干预的患者被分入血流动力学稳定组，接受上述临床干预的患者分入血流动力学不稳定组。

1.2.2 研究流程

首先提取患者人口学特征、生命体征、辅助检查、呼吸参数和临床评分。对于血流动力学不稳定组患者，选择入院至诊断前1 h作为观察窗口，提取窗口内每个特征最新一次数据作为特征值。对于血流动力学稳定组患者，提取每个特征第一次数据。然后，选择缺失值少于20%的特征，并将特征分类为有创和无创两类(见表1)。最后，使用所有符合标准的特征构建AHI模型，使用无创特征构建无创模型，使用有创特征构建有创模型。休克指数=心率/收缩压，使用无创收缩压构建休克指数模型[6]。为进一步优化预测模型，使用相关性最高的特征信息(特征重要性≥0.04)构建改良AHI模型。因有创血压缺失值占比超20%,只使用无创舒张压、无创平均动脉压和无创收缩压构建血压模型。比较上述模型性能。

随机选择60%样本作为训练集，20%作为交叉验证集，剩余20%作为测试集。常用算法包括随机森林、逻辑回归、自适应增强(AdaBoost)、极端梯度提升(XGBoost)和神经网络。在训练集上迭代调整算法参数，使用内部交叉验证寻找最优设定。在测试集上对模型进行验证[11]。使用敏感度、阳性预测值(PPV)、AUC、F1分数、特异度和阴性预测值(NPV)对模型性能进行评估。使用SHapley Additive exPlanations(SHAP)方法对不同特征对AHI模型在测试集上的预测贡献进行分析。SHAP是一种可视化机器学习模型解释工具，其为每个输入特征生成一个值，该值指示该特征如何有助于指定数据点的预测[12]。

1.2.3 统计学处理

使用Postgresql软件进行MIMIC-Ⅳ数据库提取，使用R语言MissForest包进行数据多重插补，使用Python sklearn包进行机器学习建模与验证，SHAP包进行SHAP分析。使用SPSS 26.0软件进行统计学分析。使用K-S检验检查每个特征是否符合正态分布。比较无创和有创特征之间的个体差异。Z检验用于比较两组均值。卡方(χ2)检验用于比较两组间分类特征。秩和检验用于比较两组分布。P<0.05为差异有统计学意义。

2、结果

2.1 人口学特征

从MIMIC-Ⅳ数据库共提取50 446例患者，其中男性占55.8%,平均年龄为65岁。19 474例(39%)患者入院后接受了临床干预，死亡5 059例，整体病死率约为10%。确定数据正常范围，去除异常值563例(见表1)。删除数据不完整患者40 344例后，最终纳入9 539例患者构建模型。29个缺失<20%的指标在多重插补后被用作特征。两组患者一般信息和各特征分布情况见表2。

2.2 特征选择

从原始数据中选择最具信息量的特征进行建模和分析。使用随机森林计算特征重要性，对患者血流动力学不稳定预测模型产生较大影响的临床指标(特征重要性≥0.04)被选为测试集上最相关的特征，包括无创收缩压、无创平均动脉压、无创舒张压、有创机械通气、红细胞压积、白细胞和乳酸。然而，患者的性别和格拉斯哥昏迷评分(GCS)对血流动力学不稳定的预测影响非常小(见图1)。在稳定组和不稳定组之间，29个特征中有27个特征差异有统计学意义(P<0.05),血钠和血氯差异无统计学意义(P≥0.05)。其中无创指标有10个，占比34.5%。见表2。

图1 血流动力学不稳定临床特征重要性随机森林图

表2 血流动力学稳定组和不稳定组患者的临床特征

2.3 模型构建与算法选择

在训练集上迭代调整算法参数，使用内部交叉验证后，在测试集上评估模型性能。五种算法在测试集上的表现见图2,其中XGBoost(AUC=0.860)、AdaBoost(AUC=0.850)、随机森林(AUC=0.840)、神经网络(AUC=0.820)和逻辑回归(AUC=0.800)。

2.4 多种模型性能比较

使用XGBoost算法比较模型预测性能，评估指标包括敏感度、PPV、AUC、F1分数、特异度和NPV[13]。最佳模型是AHI模型(AUC=0.862),其他依次是改良AHI模型(AUC=0.810)、有创模型(AUC=0.787)、无创模型(AUC=0.760)、血压模型(AUC=0.720)和休克指数模型(AUC=0.716)。F1分数结果显示，AHI模型是最佳模型，其次是改良AHI模型、有创模型和无创模型，血压模型和休克指数模型预测效果较差。见表3、图3。

图2 测试集上五种机器学习算法的AUC比较

表3 测试集上多种血流动力学不稳定预测模型性能比较

图3 测试集上多种血流动力学不稳定预测模型性能比较

2.5 SHAP结果分析

使用SHAP工具进行模型特征预测贡献度解释。该工具为每个特征计算一个SHAP值，表示其对单个样本预测结果的影响，正值代表将预测值推高，负值代表将预测值推低，SHAP值越高表示该特征对预测结果影响越大。SHAP力图可将这一过程直观表达，见图4。红色特征代表将预测值推高，蓝色代表将预测值推低，箭头越长代表对预测值影响越大。由图可知，对此患者预测贡献度高的特征为体温、收缩压、有创机械通气、舒张压、碱剩余、血小板和GCS评分，这与之前特征重要性结果相近。SHAP蜂群图是数据集中贡献最高的特征如何影响模型输出的信息密集摘要。其中每个点表示一个样本的一个特征，点的X轴位置表示该特征的SHAP值，点的颜色表示该特征原始值的大小，见图5。收缩压蓝色的点均在右侧，红色的点均在左侧，表示较低的收缩压对阳性结果贡献较大，而较高的收缩压对阴性结果贡献较大，见图5。研究发现有创机械通气、收缩压、碱剩余、乳酸、红细胞压积、血小板计数、体温及白细胞计数对模型预测值贡献较大。综合看，无创特征在模型预测中发挥了重要作用。

图5 全部血流动力学不稳定患者SHAP值蜂群图

3、讨论

疾病信息重要性评估对有效和高效地识别与健康相关的数据至关重要[3,14],有助于建立疾病识别模型。本研究在两个方面具有重要意义：建立多种适用于不同应用场景的血流动力学不稳定预测模型；为医生提供可靠的诊断方法，以识别血流动力学不稳定。

尽管无创特征仅占34.5%,但多个无创特征的重要性比较高。研究发现，无创血压特征是识别血流动力学不稳定最有用的特征。血流动力学不稳定预测模型产生影响的临床指标(特征重要性≥0.04)被选为测试集上最相关的有用特征信息，包括无创收缩压、无创平均动脉压、无创舒张压、有创机械通气、红细胞压积、白细胞和乳酸。因此，临床医生可关注收集这些最有用的特征。整体无创预测模型与有创预测模型性能相近。本研究AHI模型(AUC=0.862)优于Potes等[6]的模型(AUC=0.76)和Dung-Hung等[7]的模型(AUC=0.81)。在临床上，生命体征是重要的疾病信息。将其与实验室测量和呼吸设置指标结合起来有助于提高预测模型的敏感度、特异度和准确性[15]。将生命体征归类为无创。无创特征也包括年龄、性别、血氧饱和度(SpO2)和GCS评分。本研究发现特征越多，模型表现越好。实验室测量和呼吸设置指标大多属于有创特征，这将增加预测模型的效果。Chang等[16]利用6个无创指标(无创收缩压、无创舒张压、呼吸率、脉率、体温和SpO2)建立了急诊科休克预警模型，提示多个生命体征模型高于休克指数或调整后的休克指数。

本研究通过筛选和分类有用特征信息，简化临床指标，缩短检查时间，降低患者检查成本，有利于在有限的特征信息下预测血流动力学不稳定。众所周知，在设备齐全的ICU病房中，可以使用多类特征预测模型[15,17]。目前，医院预警系统正在向多类特征发展，多类特征预测模型是智能人机交互的替代解决方案。然而，在医院条件有限或院前救治时，医生可能考虑使用单类特征预测模型，例如休克指数、收缩压或快速序贯器官衰竭评估(qSOFA)。但是单类特征在预测血流动力学不稳定方面效果不佳[18,19]。因此，临床医生在没有化验结果和呼吸机参数的情况下可以考虑使用无创预测模型。

图4 单个血流动力学不稳定患者SHAP力图

本研究存在以下局限性：①虽利用常见临床指标作为特征，但需考虑患者缺失比较多的有创血压特征、症状、体征和潜在疾病可能提供有价值的与疾病相关的信息，未来工作应着重于将这些额外因素纳入考虑，并不断完善模型。②患者数据仅来源于MIMIC-Ⅳ数据库，这可能限制研究结果的泛化能力，仅适用于ICU环境，将预测模型扩展到ICU之外的其他临床科室，如急诊科，是至关重要的。③尽管建立模型的AUC值较高，但外部验证仍然是必要的，以评估模型的实际应用效果。

综上所述，无创血压特征是识别血流动力学不稳定最有用的特征。在特征信息较全的情况下，特征越多，模型表现越好，AHI模型效果最佳。在特征信息有限的条件下无创模型比单一血压模型和休克指数模型更有优势。研究结果将为指导软件工程师开发血流动力学不稳定早期预警系统提供有力证据。

文章来源:俞海博,吴明正,代帅,等.血流动力学不稳定的临床特征分析及预测模型的构建[J].中国急救医学,2024,44(06):509-514.