人工神經(jīng)網(wǎng)絡(luò)在重癥監(jiān)護(hù)室的應(yīng)用

周偉煒, 宋以信

?

人工神經(jīng)網(wǎng)絡(luò)在重癥監(jiān)護(hù)室的應(yīng)用

周偉煒, 宋以信

（北京大學(xué)第一醫(yī)院老年內(nèi)科, 北京市 100034）

隨著醫(yī)學(xué)和電子信息技術(shù)的迅速發(fā)展, 人工神經(jīng)網(wǎng)絡(luò)（ANN）越來越多地被應(yīng)用在重癥監(jiān)護(hù)室（ICU）中。ANN可以把大量的臨床資料轉(zhuǎn)化為信息, 輔助醫(yī)護(hù)人員進(jìn)行診斷和治療。在ICU中, ANN的作用有很多, 主要是用來進(jìn)行結(jié)果預(yù)測。應(yīng)用ANN對于合理利用我國有限的醫(yī)療衛(wèi)生資源以及改善患者預(yù)后具有重要的意義。

監(jiān)護(hù)室; 人工神經(jīng)網(wǎng)絡(luò); 結(jié)果預(yù)測

近年來隨著醫(yī)學(xué)和電子信息技術(shù)的迅速發(fā)展, 重癥監(jiān)護(hù)室（intensive care unit, ICU）患者的資料大量增加, 血壓、指尖氧飽和度、心輸出量等均可以計(jì)算機(jī)作為媒介, 以電子資料的形式存儲(chǔ)?，F(xiàn)代的床旁監(jiān)護(hù)與主機(jī)相連, 使醫(yī)護(hù)人員可以隨時(shí)掌握患者的病情變化。顯然, 我們必需把大量的臨床資料轉(zhuǎn)化為信息, 為診斷和治療提供幫助。在臨床實(shí)踐中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）為解決上述問題提供了可能。近年來, ANN越來越多地被應(yīng)用在醫(yī)學(xué)領(lǐng)域, 尤其是ICU中, 現(xiàn)就其主要應(yīng)用作以綜述。

1 人工神經(jīng)網(wǎng)絡(luò)概述

ANN是近年來迅速發(fā)展起來的一門集神經(jīng)科學(xué)、計(jì)算機(jī)科學(xué)、信息科學(xué)、工程科學(xué)為一體的邊緣交叉學(xué)科, 具有獨(dú)特的信息存儲(chǔ)方式、良好的容錯(cuò)性、大規(guī)模的并行處理方式以及強(qiáng)大的自組織、自學(xué)習(xí)和自適應(yīng)能力, 已被用于信號(hào)處理、模式識(shí)別、預(yù)測等領(lǐng)域, 具有廣泛的應(yīng)用前景, 有學(xué)者預(yù)言21世紀(jì)ANN將有激動(dòng)人心的發(fā)展。T. Koholen曾給出ANN的定義: “人工神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡單單元組成的廣泛并行互聯(lián)的網(wǎng)絡(luò), 它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界物體所做出的交互反應(yīng)”。ANN采用物理可實(shí)現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能, 由于其具有自適應(yīng)性, 能夠分析錯(cuò)綜復(fù)雜的非線性數(shù)據(jù), 受到了臨床工作者的特別關(guān)注。

雖然ANN的類型很多, 醫(yī)學(xué)中應(yīng)用比較廣泛的是BP網(wǎng)絡(luò)（back propagation network）, 即采用誤差反向傳播算法或其變化形式的多層前饋網(wǎng)絡(luò)模型[1]（圖1）, 通常為三層前饋神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。BP網(wǎng)絡(luò)的輸入和輸出關(guān)系可以看成是一種映射關(guān)系, 即每一組輸入對應(yīng)一組輸出。由于網(wǎng)絡(luò)中神經(jīng)元作用函數(shù)的非線性, 網(wǎng)絡(luò)實(shí)現(xiàn)是復(fù)雜的非線性映射。

ANN具有良好的學(xué)習(xí)能力, 它可以根據(jù)人們提供的訓(xùn)練樣本集, 依照系統(tǒng)給定的算法, 不斷地修正來確定輸入層數(shù)據(jù)與輸出層數(shù)據(jù)之間的映射關(guān)系, 這樣就可以幫助研究者在大型數(shù)據(jù)庫中發(fā)現(xiàn)變量之間的相關(guān)性[2]。就像人們可以不斷地摸索規(guī)律、總結(jié)經(jīng)驗(yàn)一樣, 在一定程度上實(shí)現(xiàn)舉一反三的功能。此外, 由于ANN運(yùn)算的不精確性, 它在被訓(xùn)練后, 對輸入的微小變化不反應(yīng), 這種不精確性使其具有“去噪音、容殘缺”的普化能力。即使輸入信息不完全、不準(zhǔn)確或模糊不清, 只要輸入的模式接近于訓(xùn)練樣本, ANN仍能給出正確的推理結(jié)論。ANN與人腦的工作方式相似, 而且不易受情緒因素影響[3]。

圖1 BP網(wǎng)絡(luò)的基本模型

Figure 1 Basic model of BP network

2 結(jié)果預(yù)測

2.1 預(yù)測ICU患者的死亡率

近年來, 急性生理學(xué)及慢性健康狀況評價(jià)（acute physiology and chronic health evaluation, APACHE）已成為ICU普遍接受和使用的評分系統(tǒng), 被用來預(yù)測患者的死亡風(fēng)險(xiǎn)[4]。該模型依賴于logistic回歸方程式來預(yù)測死亡的風(fēng)險(xiǎn), 而以logistic回歸為基礎(chǔ)的傳統(tǒng)統(tǒng)計(jì)學(xué)方法要求變量滿足獨(dú)立性的條件, 并難以處理變量間復(fù)雜的非線性關(guān)系, 還要求研究者了解哪些變量更能預(yù)測特定的結(jié)果[5]; 此外, 數(shù)據(jù)丟失和樣本量過小會(huì)使結(jié)果不可靠[6]。而眾多研究表明, 應(yīng)用ANN預(yù)測ICU患者的死亡率與應(yīng)用以logistic回歸為基礎(chǔ)的預(yù)測模型相比, 二者的預(yù)測能力無差異, 甚至ANN的預(yù)測能力優(yōu)于logistic回歸模型[7-10], 而且利用ANN進(jìn)行預(yù)測可以減少所需變量的個(gè)數(shù), 其準(zhǔn)確性仍較高[7-9]。Clermont等[7]證明在預(yù)測醫(yī)院死亡率方面, ANN與APACHEⅢ基本相當(dāng)。值得一提的是Frize等[8]的研究僅用了APACHEⅡ中的6個(gè)變量, 其準(zhǔn)確性非常高, 這樣就大大減少了臨床醫(yī)師收集數(shù)據(jù)的時(shí)間和成本。因此, 可以認(rèn)為ANN較傳統(tǒng)的預(yù)測模型更有優(yōu)勢。最近幾年應(yīng)用ANN預(yù)測ICU患者死亡率精確性的匯總見表1。

2.2 預(yù)測患者ICU住院時(shí)間

近年來隨著醫(yī)療和護(hù)理水平的提高, ICU的應(yīng)用亦明顯增加, 因此預(yù)測患者ICU住院時(shí)間顯得非常重要, 這樣可以幫助醫(yī)護(hù)人員充分利用ICU的資源。Buchman等[14]早期將ANN應(yīng)用于臨床, 他們證明, ANN預(yù)測外科患者住ICU超過7 d的能力優(yōu)于logistic回歸模型。Kim等[15]應(yīng)用ANN預(yù)測全身麻醉后患者住ICU的時(shí)間, 準(zhǔn)確率達(dá)81.4%, 而logistic回歸模型的準(zhǔn)確率僅64%。Walczak等[16]利用患者入院10 min內(nèi)的資料預(yù)測患者住ICU時(shí)間不足1 d的準(zhǔn)確性為70.4%。Rowan等[17]利用心臟病患者術(shù)前、術(shù)中及術(shù)后資料, 預(yù)測患者住ICU的時(shí)間, ANN整體的aROC高達(dá)0.90, 充分驗(yàn)證了ANN的有效性。

2.3 預(yù)測臟器功能衰竭的風(fēng)險(xiǎn)

ICU醫(yī)師的重要任務(wù)就是早期甄別患者發(fā)生臟器衰竭的風(fēng)險(xiǎn), 并采取相應(yīng)的治療以避免臟器衰竭的發(fā)生, 因此, 在ICU中, 評估患者發(fā)生臟器功能衰竭的風(fēng)險(xiǎn)尤為重要。Silva 等[18]利用患者的床旁監(jiān)護(hù)資料, 比較ANN和Logistic回歸模型判斷患者發(fā)生臟器功能衰竭風(fēng)險(xiǎn)的準(zhǔn)確性, ANN的aROC為0.74, 而logistic回歸模型的aROC為0.71, 提示ANN的預(yù)測能力優(yōu)于logistic回歸模型。

2.4 其他

Buskard等[19]除應(yīng)用ANN來預(yù)測ICU患者的死亡率和住ICU時(shí)間外, 還將ANN應(yīng)用于預(yù)測患者機(jī)械通氣的時(shí)間。而且根據(jù)成人ICU患者建立的ANN在新生兒中仍然適用[20]。Verplancke等[21]應(yīng)用ANN來預(yù)測患者入ICU第5天至第10天需要進(jìn)行透析治療的風(fēng)險(xiǎn), 該研究入選了830例患者, aROC為0.822, 與Logistic回歸模型相比, 結(jié)果相當(dāng); Yamamura等[22]根據(jù)疾病的嚴(yán)重程度和生理指標(biāo), 利用ANN預(yù)測患者的藥物動(dòng)力學(xué)參數(shù), 判斷哪些患者的血漿氨基苷藥物濃度會(huì)低于藥物的治療濃度, 用以指導(dǎo)治療, 結(jié)果優(yōu)于傳統(tǒng)統(tǒng)計(jì)學(xué)方法; Verive等[23]應(yīng)用ANN預(yù)測危重患兒發(fā)生低鎂血癥的風(fēng)險(xiǎn), 幫助臨床醫(yī)師有針對性地檢測患兒的血鎂濃度, 早期發(fā)現(xiàn)并治療低鎂血癥; Dickerson等[24]還利用ANN評價(jià)多發(fā)創(chuàng)傷危重患者的尿素氮水平, 為臨床醫(yī)師對患者進(jìn)行個(gè)體化的營養(yǎng)支持治療提供依據(jù)。

表1 近年應(yīng)用ANN預(yù)測ICU患者死亡率精確性的匯總

注: LR: logistic回歸; aROC≥0.8時(shí)預(yù)測結(jié)果較為可靠[14]

3 波形識(shí)別

在ICU中還經(jīng)常應(yīng)用ANN進(jìn)行波形識(shí)別, 如心電圖和腦電圖。Maglaveras等[25]應(yīng)用ANN分析ST段來診斷心肌缺血, 敏感性為88.62%, 其他研究也取得了較好的結(jié)果[26]; 此外, 有研究應(yīng)用ANN分析應(yīng)用咪達(dá)唑侖后兒童[27]和成人[28]的腦電圖。

4 輔助疾病診斷

通常醫(yī)師根據(jù)患者的癥狀、體征、輔助檢查及經(jīng)驗(yàn)對疾病作出診斷, 但是對于哪些變量更能決定疾病的診斷, 有時(shí)醫(yī)師的意見并不一致。而ANN的主要優(yōu)勢就是可以在大型數(shù)據(jù)庫中發(fā)現(xiàn)變量之間的相關(guān)性, 并可以通過“學(xué)習(xí)”獲得診斷疾病的能力。許多研究都顯示, ANN應(yīng)用于臨床診斷有較高的敏感性和特異性。Baxt[29]的一項(xiàng)回顧性研究中, 心血管ICU的356例患者入選, 其中120例患者確診為心肌梗死, 隨機(jī)選取心肌梗死和非心肌梗死的患者各一半進(jìn)行ANN訓(xùn)練, 也就是“學(xué)習(xí)”如何診斷的過程, 再用其余的患者進(jìn)行驗(yàn)證, 結(jié)果令人滿意, 敏感性為92%, 特異性為96%。隨后Baxt進(jìn)行了一項(xiàng)前瞻性研究[30], 利用前一研究的356名患者進(jìn)行ANN訓(xùn)練, 再用訓(xùn)練后的ANN對320例左心前區(qū)疼痛患者進(jìn)行診斷, 臨床醫(yī)師診斷的敏感性為78%, 特異性為85%, 而ANN的敏感性和特異性分別為97%和96%。該結(jié)果充分證明了ANN輔助疾病診斷的可行性。此外, Baxt強(qiáng)調(diào)他構(gòu)建ANN并非是要替代臨床診斷, 而是充分利用ANN的優(yōu)勢來發(fā)現(xiàn)那些易被忽略的臨床資料, 從而達(dá)到輔助診斷疾病的目的。

5 分析患者的血流動(dòng)力學(xué)

在長期治療過程中, 醫(yī)生有時(shí)很難發(fā)現(xiàn)患者生理內(nèi)環(huán)境的細(xì)小變化, 但是這些改變卻有可能使患者的病情嚴(yán)重惡化。早期發(fā)現(xiàn)并及時(shí)治療可以明顯改善患者的預(yù)后。Parmanto等[31]建立的時(shí)間延遲神經(jīng)網(wǎng)絡(luò)不僅可以發(fā)現(xiàn)患者的血流動(dòng)力學(xué)變化, 而且非常迅速, 平均時(shí)間是在血流動(dòng)力學(xué)發(fā)生變化的1s后。

6 分析呼吸音

有研究者利用ANN分析ICU患者的呼吸音, 準(zhǔn)確性尚可, 敏感性為62%, 特異性為85%[32]。持續(xù)監(jiān)測呼吸音可以及時(shí)了解患者的病情變化, 并調(diào)整治療方案, 但臨床工作中醫(yī)師無法對患者的呼吸音進(jìn)行持續(xù)檢測, 而ANN的應(yīng)用為此提供了可能。

7 ANN的缺點(diǎn)

盡管ANN有諸多的優(yōu)點(diǎn), 但是目前它尚未被大多數(shù)臨床工作者熟知和應(yīng)用。在ANN成為公認(rèn)的臨床輔助工具之前, 仍需不斷地研究與探索, 需要更多大樣本的臨床研究進(jìn)一步驗(yàn)證ANN的有效性。闡明ANN的信息處理機(jī)制, 是目前ANN亟待解決的問題, 由于不清楚輸入變量后如何得出相應(yīng)的結(jié)果, 人們難免會(huì)對ANN所給出的結(jié)論產(chǎn)生懷疑。ANN結(jié)構(gòu)的確定常常有人為的主觀性, 缺乏指導(dǎo)原則, 還需在實(shí)踐中探索ANN的設(shè)計(jì)方法, 如隱含層層數(shù)和神經(jīng)元個(gè)數(shù)的選擇、網(wǎng)絡(luò)的訓(xùn)練等。隱含層神經(jīng)元個(gè)數(shù)的選擇非常重要, 它對建立的ANN的性能影響很大, 但是目前理論上還沒有一種科學(xué)的和普遍的確定方法, 一般是根據(jù)經(jīng)驗(yàn)或者通過反復(fù)試驗(yàn)確定。此外, ANN的應(yīng)用屬于計(jì)算機(jī)輔助診斷的范疇, 最終的臨床診療決策者仍是臨床醫(yī)師。

人的大腦十分復(fù)雜, 但對于記憶大量數(shù)據(jù)和復(fù)雜運(yùn)算的能力有限。以人腦為基礎(chǔ)的ANN, 配以高速電子計(jì)算機(jī), 能夠?yàn)槊總€(gè)患者量體裁衣, 幫助臨床工作者進(jìn)行診斷、選擇治療方案、合理利用我國有限的醫(yī)療衛(wèi)生資源。我們深信隨著現(xiàn)代計(jì)算機(jī)應(yīng)用技術(shù)的迅速發(fā)展和對ANN的深入研究, ANN必將得到臨床工作者的認(rèn)同和肯定, 在臨床的各個(gè)領(lǐng)域成為臨床工作者的重要輔助工具。

[1] 張立明. 人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[M]. 上海: 復(fù)旦大學(xué)出版社, 1993: 1-150.

[2] Penny W, Frost D. Neural networks in clinical medicine[J]. Med Decis Making, 1996, 16(4): 386-398.

[3] Guerriere MR, Detsky AS. Neural networks: what are they[J]? Ann Intern Med, 1991, 115(11): 906-907.

[4] Sirio CA, Shepardson LB, Rotondi AJ,. Community- wide assessment of intensive care outcomes using a physiologically based prognostic measure: implications for critical care delivery from Cleveland Health Quality Choice[J]. Chest, 1999, 115(3): 793-801.

[5] Buchman TG, Kubos KL, Seidler AJ,. A comparison of statistical and connectionist models for the prediction of chronicity in a surgical intensive care unit[J]. Crit Care Med, 1994, 22(5): 750-762.

[6] Tu JV, Guerriere MR. Use of a neural network as a predictive instrument for length of stay in the intensive care unit following cardiac surgery[J]. Comput Biomed Res, 1993, 26(3): 220-229.

[7] Clermont G, Angus DC, DiRusso SM,. Predicting hospital mortality for patients in the intensive care unit: a comparison of artificial neural networks with logistic regression models[J]. Crit Care Med, 2001, 29(2): 291-296.

[8] Frize M, Ennett CM, Stevenson M,. Clinical decision support systems for intensive care units: using artificial neural networks[J]. Med Eng Phys, 2001, 23(3): 217-225.

[9] Nimgaonkar A, Karnad DR, Sudarshan S,. Prediction of mortality in an Indian intensive care unit. Comparison between APACHE II and artificial neural networks[J]. Intensive Care Med, 2004, 30(2): 248-253.

[10] Hanson CW 3rd, Marshall BE. Artificial intelligence applications in the intensive care unit[J]. Crit Care Med, 2001, 29(2): 427-435.

[11] Jaimes F, Fabiarz J, Alvarez D,. Comparison between logistic regression and neural networks to predict death in patients with suspected sepsis in the emergency room[J]. Critical Care, 2005, 9(2): R150-156.

[12] Chan CH, Chan EY, Ng DK,. Application of artificial neural networks to establish a predictive mortality risk model in children admitted to a paediatric intensive care unit[J]. Singapore Med J, 2006, 47(11): 928-934.

[13] 周偉煒, 宋以信, 關(guān)有彥. 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)評價(jià)老年重癥監(jiān)護(hù)室患者的預(yù)后[J]. 中華老年多器官疾病雜志, 2009, 8(5): 409-412.

[14] Buchman TG, Kubos KL, Seidler AJ,. A comparison of statistical and connectionist models for the prediction of chronicity in a surgical intensive care unit[J]. Crit Care Med, 1994, 22(5): 750-762.

[15] Kim WO, Kil HK, Kang JW,. Prediction on lengths of stay in the postanesthesia care unit following general anesthesia: preliminary study of the neural network and logistic regression modeling[J]. J Korean Med Sci, 2000, 15(1): 25-30.

[16] Walczak S, Scorpio RJ. Predicting pediatric length of stay and acuity of care in the first ten minutes with artificial neural networks[J]. Pediatr Crit Care Med, 2000, 1(1): 42-47.

[17] Rowan M, Ryan T, Hegarty F,. The use of artificial neural networks to stratify the length of stay of cardiac patients based on preoperative and initial postoperative factors[J]. Artif Intell Med,2007, 40(3): 211-221.

[18] Silva A, Cortez P, Santos MF,. Rating organ failureadverse events using data mining in the intensive care unit[J]. Artif Intell Med, 2008, 43(3): 179-193.

[19] Buskard T, Stevenson M, Frize M,. Estimation of ventilation, length of stay, and mortality using artificial neural networks[J]. Proc Can Conf Elec Comput Eng, 1994, 2: 726-729.

[20] Tong Y, Frize M, Walker R. Extending ventilation duration estimations approach from adult to neonatal intensive care patients using artificial neural networks[J]. IEEE Trans Inf Technol Biomed,2002, 6(2): 188-191.

[21] Verplancke T, Van Looy S, Steurbaut K,. A novel time series analysis approach for prediction of dialysis in critically ill patients using echo-state networks[J]. BMC Med Inform Decis Mak,2010, 10(1): 4.

[22] Yamamura S, Takehira R, Kawada K,. Application of artificial neural network modelling to identify severely ill patients whose aminoglycoside concentrations are likely to fall below therapeutic concentrations[J]. J Clin Pharm Ther, 2003, 28(5): 425-432.

[23] Verive MJ, Irazuzta J, Steinhart CM,. Evaluating the frequency rate of hypomagnesemia in critically ill pediatric patients by using multiple regression analysis and a computer-based neural network[J]. Crit Care Med, 2000, 28(10): 3534-3539.

[24] Dickerson RN, Mason DL, Croce MA,. Evaluation of an artificialneuralnetwork to predictureanitrogenappearance for criticallyillmultiple-traumapatients[J]. JPEN J Parenter Enteral Nutr, 2005, 29(6): 429-435.

[25] Maglaveras N, Stamkopoulos T, Pappas C,. An adaptive backpropagation neural network for real-time ischemia episodes detection: development and performance analysis using the European ST-T database[J]. IEEE Trans Biomed Eng, 1998, 45(7): 805-813.

[26] Baxt WG, Skora J. Prospective validation of artificial neural network trained to identify acute myocardial infarction[J].Lancet, 1996, 347(8993): 12-15.

[27] Si Y, Gotman J, Pasupathy A,. An expertsystem for EEG monitoring in the pediatricintensive care unit[J]. Electroencephalogr Clin Neurophysiol, 1998, 106(6): 488-500.

[28] Veselis RA, Reinsel R, Sommer S,. Use of neural networkanalysis to classify electroencephalographic patterns againstdepth of midazolam sedation in intensivecareunitpatients[J]. J Clin Monit, 1991, 7(3): 259-267.

[29] Baxt WG. Use of an artificial neural network for data analysis in clinical decision-making: the diagnosis of acute coronary occlusion[J]. Neural Comp, 1990, 2(4): 480-489.

[30] Baxt WG. Use of an artificial neural network for the diagnosis of myocardial infarction[J]. Ann Intern Med, 1991, 115(11): 843-848.

[31] Parmanto B, Deneault LG, Denault AY. Detection of hemodynamic changes in clinical monitoring by time-delay neural networks[J]. Int J Med Inform,2001, 63(1-2): 91-99.

[32] Waitman LR, Clarkson KP, Barwise JA,. Representation and classification of breath sounds recorded in an intensive care setting using neural networks[J]. J Clin Monit Comput,2000, 16(2): 95-105.

（編輯: 任開環(huán)）

Applications of artificial neural network in intensive care unit

ZHOU Weiwei, SONG Yixin

(Department of Geriatrics, First Hospital, Peking University, Beijing 100034, China)

With the development of medical sciences and intelligent software, the amount of data acquired electronically from patients in intensive care unit (ICU) has grown exponentially, therefore they were susceptible to analysis by artificial neural network (ANN). ANN has been used in ICU in a variety of fashions, but most extensively for outcome prediction. ANN can function as intelligent assistant to clinicians, constantly monitoring electronic data streams for important trends. The integration of ANN into the ICU can be expected to make significant use of health resources and improve outcome of the patients.

intensive care unit; artificial neural network; outcome prediction

R59

A

10.3724/SP.J.1264.2012.00037

2011-03-03;

2011-10-08

宋以信, Tel: 010-83572124, E-mail: doctorsongyixin@yahoo.com.cn