基于機(jī)器學(xué)習(xí)的住院患者壓力性損傷分析與預(yù)測

李 清，蘇 強(qiáng)，林 英，鄧國英

（1.同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院，上海200092；2.上海市第一人民醫(yī)院護(hù)理部，上海201620；3.上海市第一人民醫(yī)院創(chuàng)傷中心，上海201620）

壓力性損傷（pressure injury，PI）是發(fā)生在皮膚或潛在皮下軟組織的局限性損傷，通常發(fā)生在骨隆突處或與醫(yī)療器械設(shè)備接觸的位置。區(qū)域數(shù)據(jù)顯示，三級綜合醫(yī)院壓力性損傷的發(fā)生率仍高達(dá)1. 58%［1］。一般醫(yī)院的發(fā)生率為2. 5%～8. 8%，且8% 與死亡有關(guān)。老年住院患者發(fā)生率為10%～25%，顯著高于其他年齡人群［2］。隨著老齡化趨勢加重，交通事故和各類創(chuàng)傷逐年增加，壓力性損傷的產(chǎn)生也越來越頻繁，對其進(jìn)行預(yù)防監(jiān)控和科學(xué)管理變得日益重要。

壓力性損傷會對患者的心理和身體產(chǎn)生不良影響，也會增加患者的住院時間、并發(fā)癥發(fā)生率和死亡率［3］。目前，醫(yī)院關(guān)于壓力性損傷的研究主要聚焦于損傷的發(fā)展機(jī)理、損傷特征分析、損傷患者特征研究及護(hù)理措施，大多數(shù)研究是對歷史病歷的統(tǒng)計(jì)分析和客觀描述，缺乏對損傷的預(yù)測研究。機(jī)器學(xué)習(xí)方法能有效發(fā)現(xiàn)數(shù)據(jù)間的隱藏關(guān)系，輔助醫(yī)生診療；然而，目前該方法主要用于癌癥和慢性病的預(yù)測診斷中，幾乎沒有在壓力性損傷方面的應(yīng)用。壓力性損傷在患者中普遍存在，但其缺乏大量數(shù)據(jù)樣本和規(guī)范病歷記錄，并未受到其他領(lǐng)域?qū)W者的廣泛關(guān)注。

研究表明，壓力性損傷會在短時間內(nèi)發(fā)展惡化，因此，識別風(fēng)險(xiǎn)因素，構(gòu)建全面的風(fēng)險(xiǎn)評估表，并采用定量手段進(jìn)行科學(xué)預(yù)測是護(hù)理中的首選策略。本文的創(chuàng)新點(diǎn)和主要貢獻(xiàn)歸納如下：

（1）基于目前量表的12個風(fēng)險(xiǎn)指標(biāo)，新增3個風(fēng)險(xiǎn)指標(biāo)（科室、體重減輕程度和感覺受限），設(shè)計(jì)更全面的風(fēng)險(xiǎn)評估量表，收集一段時間內(nèi)住院患者的信息，包括基本信息、風(fēng)險(xiǎn)指標(biāo)和患者是否產(chǎn)生壓力性損傷。

（2）采用卡方檢驗(yàn)分析對壓力性損傷有顯著影響的指標(biāo)；將患者分為入院時壓力性損傷和院內(nèi)獲得性壓力性損傷兩類，分析壓力性損傷患者的人口統(tǒng)計(jì)學(xué)特征、產(chǎn)生部位和分布科室。

（3）采用支持向量機(jī)、概率神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)3種機(jī)器學(xué)習(xí)方法對壓力性損傷的產(chǎn)生進(jìn)行預(yù)測，采用遺傳算法優(yōu)化支持向量機(jī)模型中核函數(shù)的參數(shù)，并比較3 種方法在不同場景下的預(yù)測準(zhǔn)確率。

1 文獻(xiàn)綜述

1.1 壓力性損傷風(fēng)險(xiǎn)因素分析

應(yīng)用壓力性損傷風(fēng)險(xiǎn)評估量表進(jìn)行危險(xiǎn)評估是損傷預(yù)防關(guān)鍵性的一步，是有效護(hù)理干預(yù)的重要基礎(chǔ)。 目 前 最 常 用 的 量 表 有Braden、Norton 和Waterlow 量表3 種［4］，包括性別、年齡、體質(zhì)指數(shù)（body mass index，BMI）、皮膚類型、運(yùn)動能力、組織狀況、食欲、失禁、糖尿病、癱瘓、大劑量使用藥物和手術(shù)情況等12項(xiàng)指標(biāo)。

近年來相關(guān)文獻(xiàn)對上述12項(xiàng)指標(biāo)進(jìn)行了分析。Kharabsheh 等［5］發(fā)現(xiàn)皮膚狀態(tài)和組織承壓能力較差是可能的因素；Nowicki等［6］發(fā)現(xiàn)住院患者中產(chǎn)生損傷的比例更高，皮膚衰竭是損傷患者的重要特征，而老齡、肥胖和存在多種疾病的患者也是高發(fā)人群，手術(shù)時間延長和復(fù)雜的并發(fā)癥與壓力性損傷呈正相關(guān)關(guān)系。Kayser 等［7］通過橫斷面研究分析了損傷風(fēng)險(xiǎn)因素，包括年齡、性別、BMI、運(yùn)動狀態(tài)和尿失禁等情況。大小便雙重失禁與壓力性損傷呈正相關(guān)關(guān)系，老年患者及重癥監(jiān)護(hù)室的發(fā)病率更高［8］。運(yùn)動障礙、年齡、營養(yǎng)狀態(tài)和糖尿病等間接因素也會增加損傷概率［9］。

越來越多的文獻(xiàn)發(fā)現(xiàn)了其他的影響因素。美國壓力性損傷顧問小組2014 年發(fā)布的報(bào)告表明：骨科、心血管科、移植、康復(fù)和重癥監(jiān)護(hù)室等科室的發(fā)生率明顯高于其他科室。其次，Brito 等［10］指出營養(yǎng)狀況和有限的移動能力是被廣泛認(rèn)可的風(fēng)險(xiǎn)因素；Kottner 等［11］分析了體重和BMI 對壓力性損傷的影響，發(fā)現(xiàn)體重過低（BMI<18. 5 kg·m?2）患者中壓力性損傷的發(fā)生率更高，且肥胖（BMI≥30 kg·m?2）和病態(tài)肥胖（BMI≥40 kg·m?2）對損傷患者的影響相沖突。

1.2 機(jī)器學(xué)習(xí)預(yù)測方法

大數(shù)據(jù)背景下，機(jī)器學(xué)習(xí)被廣泛應(yīng)用于各類疾病的預(yù)測診斷中。機(jī)器學(xué)習(xí)能發(fā)現(xiàn)并挖掘醫(yī)療數(shù)據(jù)中的隱藏模式，輔助醫(yī)生進(jìn)行決策［12］。通過預(yù)測方法發(fā)現(xiàn)疾病潛在風(fēng)險(xiǎn)，采取有效措施進(jìn)行預(yù)防，從而降低治療難度和成本，提高治療效果和醫(yī)療質(zhì)量。

神經(jīng)網(wǎng)絡(luò)（neural network，NN）和支持向量機(jī)（support vector machine，SVM）等方法在癌癥和慢性病預(yù)測上取得了顯著成效。乳腺癌方面，Wang等［13］采用基于SVM 的集成學(xué)習(xí)算法來提高診斷精度；Wang等［14］采用遺傳算法對SVM中參數(shù)進(jìn)行優(yōu)化。糖尿病方面，Erkaymaz等［15］采用NN進(jìn)行診斷，并分析了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對該方法的影響；Piri等［16］建立新的評估指標(biāo)，采用關(guān)聯(lián)分析發(fā)現(xiàn)糖尿病并發(fā)癥中的罕見模式。SVM 和NN 也被成功應(yīng)用在帕金森的預(yù)測和診斷上［17］。

應(yīng)用多種機(jī)器學(xué)習(xí)方法進(jìn)行預(yù)測診斷也是研究熱點(diǎn)，通過對比研究提高診斷精度。乳腺癌方面，Patrício等［18］采用邏輯回歸、SVM和隨機(jī)森林3種方法；Abdel-Zaher等［19］采用NN，并設(shè)計(jì)粒子群算法對網(wǎng)絡(luò)進(jìn)行優(yōu)化，提升預(yù)測精度；Spanhol等［20］將SVM和隨機(jī)森林方法相結(jié)合。Kumar等［21］采用概率神經(jīng)網(wǎng)絡(luò)、神經(jīng)模糊分類器和SVM 構(gòu)建乳腺癌分類框架，提高了預(yù)測和診斷的正確率。Kausar 等［22］采用SVM 和主成分分析法對心臟病進(jìn)行診斷分類。腎病方面，葉雷［23］采用SVM、K最近鄰、隨機(jī)森林和決策 樹 等 方 法；Rady 等［24］采 用SVM 和NN 方 法；Topuz 等［25］首先基于SVM 和NN 方法提取主特征，接著使用貝葉斯信念網(wǎng)絡(luò)構(gòu)造決策支持模型，預(yù)測腎移植的存活率。

2 機(jī)器學(xué)習(xí)算法與性能評估指標(biāo)介紹

2.1 支持向量機(jī)

支持向量機(jī)是機(jī)器學(xué)習(xí)算法中最廣泛應(yīng)用的方法之一，其降低了數(shù)據(jù)存儲要求，節(jié)約了計(jì)算時間。壓力性損傷中包含多個指標(biāo)，樣本數(shù)據(jù)難以線性劃分，本文引入核函數(shù)將原始數(shù)據(jù)空間轉(zhuǎn)化到高維空間，在高維空間中構(gòu)造超平面對樣本數(shù)據(jù)進(jìn)行分類。采用核函數(shù)的支持向量機(jī)，具體公式如下：

式（1）～（4）中：{(xi，yi)，xi∈Rn，yi∈{?1，1}}為數(shù)據(jù)樣本；w?x+b= 0為分離超平面；ξi為松弛變量，表示誤差，0≤ξi≤1指樣本xi被正確分類，ξi> 1為xi錯誤分類；C為正則化參數(shù)，對分類錯誤的懲罰成本；K(xi，xj)是核函數(shù)，表示從輸入空間到特征空間的映射φ(x)，對任意輸入空間中的xi和xj，有K(xi，xj) =φ(xi) ?φ(xj)。

2.2 概率神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)

在疾病預(yù)測診斷領(lǐng)域，神經(jīng)網(wǎng)絡(luò)方法得到了廣泛應(yīng)用。多層感知器是神經(jīng)網(wǎng)絡(luò)中應(yīng)用最多的方法之一。本文采用兩種多層感知神經(jīng)網(wǎng)絡(luò)方法：概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）和廣義回歸神經(jīng)網(wǎng)絡(luò)（general regression neural network，GRNN），并將結(jié)果與SVM 模型相比較。PNN 包含輸入層、模式層、求和層和輸出層。輸入向量儲存在輸入層，傳遞到模式層，得到結(jié)果后輸出到求和層。GRNN是徑向基網(wǎng)絡(luò)的一種變形，基于非參數(shù)回歸，GRNN 以樣本為后驗(yàn)條件，依據(jù)最大概率原則計(jì)算網(wǎng)絡(luò)中的輸出值。

2.3 性能評估指標(biāo)

為衡量3 種算法性能，引入混淆矩陣、敏感性、特異性和準(zhǔn)確率4個評價指標(biāo)，如表1所示。

表1 混淆矩陣Tab. 1 Confusion matrix

混淆矩陣包含以下4個部分：

TP（true positive）——真陽性樣本數(shù)量，即生病患者被分類為有病的人數(shù)，實(shí)際值為1，預(yù)測值也為1；

TN（true negative）——真陰性樣本數(shù)量，即健康患者被分類為無病的人數(shù)，實(shí)際值和預(yù)測值均為0；

FP（false positive）——假陽性樣本數(shù)量，即健康患者被分類為有病的人數(shù)，實(shí)際值為0，預(yù)測值為1；

FN（false negative）——假陰性樣本數(shù)量，即生病患者被分類為無病的人數(shù)，實(shí)際值為1，預(yù)測值為0。

敏感性（sensitivity）是真陽性率，即生病患者被分類為有病的概率，計(jì)算公式如下：

特異性（specificity）是真陰性率，即健康患者被分類為無病的概率，計(jì)算公式如下：

準(zhǔn)確率（accuracy）是患者被正確分類的比率，計(jì)算公式如下：

3 壓力性損傷顯著影響分析

3.1 壓力性損傷風(fēng)險(xiǎn)評估量表

基于經(jīng)典量表，增加科室、體重減輕程度和感覺受限這3 個指標(biāo)，設(shè)計(jì)更全面的風(fēng)險(xiǎn)評估量表。從2017 年1 月到2018 年8 月，采用該量表對上海市第一人民醫(yī)院中多個科室的住院患者進(jìn)行評估。收集患者的病歷信息，主要包括：患者基本信息、壓力性損傷評估信息，是否產(chǎn)生壓力性損傷。

壓力性損傷評估量表中包含16個風(fēng)險(xiǎn)指標(biāo)，其中“進(jìn)食很差或缺乏食欲”和“大劑量使用類固醇/細(xì)胞毒性藥/抗菌素”是二元指標(biāo)。其余評估指標(biāo)有多個等級，不同數(shù)字代表的等級和意義具體見表2。

3.2 風(fēng)險(xiǎn)指標(biāo)統(tǒng)計(jì)分析

本文共收集到554 個患者，產(chǎn)生壓力性損傷的患者有347 例，占62. 64%；未產(chǎn)生的患者有207 例，占37. 36%。采用卡方檢驗(yàn)對各指標(biāo)進(jìn)行分析，并找出對壓力性損傷有顯著影響的指標(biāo)，如表3所示。

3.3 壓力性損傷患者分析

根據(jù)壓力性損傷來源，將患者分為入院時壓力性損傷（pressure injury on admission，PIOA）和院內(nèi)獲得性壓力性損傷（hospital acquired pressure injury，HAPI）兩類。347例患者中，255例患者為PIOA，另外92 例患者為HAPI。347 例患者中，除了48 例患者沒有具體的記錄，165 例患者有一處損傷，占47. 55%；134 例患者產(chǎn)生了多處損傷，占38. 62%。損傷分布在身體不同的位置，且這些患者分散在不同的科室。表4 和表5 分別統(tǒng)計(jì)了損傷發(fā)生頻繁的部位和科室（頻數(shù)大于30）。

表2 壓力性損傷風(fēng)險(xiǎn)指標(biāo)及等級Tab. 2 Risk factors of pressure injury and their levels

表3 對壓力性損傷有顯著影響的指標(biāo)Tab. 3 Factors having significant impacts on PI

表4 壓力性損傷產(chǎn)生的部位Tab. 4 Locations of PI

4 壓力性損傷預(yù)測方法

4.1 訓(xùn)練過程

壓力性損傷預(yù)測分為3步：

（1）按一定比例將數(shù)據(jù)集分為訓(xùn)練集和測試集；

（2）基于訓(xùn)練集訓(xùn)練模型，通過訓(xùn)練集發(fā)現(xiàn)數(shù)據(jù)特征與決策變量的關(guān)系，確定模型中相關(guān)參數(shù)；

（3）將訓(xùn)練好的模型應(yīng)用到測試集上。

先對數(shù)據(jù)集進(jìn)行處理，將指標(biāo)中的字符轉(zhuǎn)化為數(shù)值，并刪除樣本中的缺失值。接著對554 條記錄進(jìn)行量綱一化處理，將所有特征數(shù)據(jù)轉(zhuǎn)化到（0，1）范圍內(nèi)，計(jì)算公式如下：

式中：xmax為樣本數(shù)據(jù)中指標(biāo)x取到的最大值；xmin為樣本數(shù)據(jù)中指標(biāo)x取到的最小值。

采用β表示訓(xùn)練集在樣本數(shù)據(jù)中所占的比例。表6 列出了4 種場景下訓(xùn)練集和測試集的樣本數(shù)量。

表5 壓力性損傷患者所在科室Tab. 5 Departments of PI

表6 4種場景設(shè)置Tab. 6 Setting of scenarios

4.2 基于遺傳算法的SVM預(yù)測結(jié)果

4. 2. 1 基于遺傳算法的核函數(shù)參數(shù)優(yōu)化

核函數(shù)中的參數(shù)γ和懲罰成本C對SVM 分類結(jié)果有很大影響。本文采用高斯徑向基核函數(shù)，用遺傳算法尋找SVM 核函數(shù)的最優(yōu)參數(shù)，改進(jìn)SVM預(yù)測準(zhǔn)確率，具體步驟如圖1所示。

圖1 遺傳算法求解核函數(shù)最優(yōu)參數(shù)流程圖Fig.1 Flow chart of the genetic algorithm to optimize the parameter of kernel function

4. 2. 2 SVM預(yù)測結(jié)果

遺傳算法中參數(shù)設(shè)置如下：初始種群20，終止條件（代數(shù)）200，選擇方法為輪盤賭，交叉方式為單點(diǎn)交叉，交叉概率0. 8，變異方式為單點(diǎn)變異，變異概率0. 85。4 種場景下，SVM 模型的訓(xùn)練集和測試集的預(yù)測準(zhǔn)確率如表7所示。

場景4中，訓(xùn)練集和測試集的預(yù)測準(zhǔn)確率最高，其中訓(xùn)練集的預(yù)測準(zhǔn)確率為83. 43%，測試集的準(zhǔn)確率為84. 68%。訓(xùn)練集上，遺傳算法優(yōu)化的適應(yīng)度如圖2所示。

圖2 遺傳算法優(yōu)化參數(shù)適應(yīng)度Fig.2 Fitness of the genetic algorithm

平均適應(yīng)度值（預(yù)測準(zhǔn)確率）在64%～82%之間波動，最佳適應(yīng)度值在90 代左右取到最大值83. 43%。核函數(shù)中最優(yōu)參數(shù)γ= 0.003 6，懲罰成本C= 18.34。采用優(yōu)化參數(shù)模型對測試集進(jìn)行預(yù)測，準(zhǔn)確率為84. 68%。

表7 不同場景下SVM預(yù)測模型的結(jié)果比較Tab. 7 Result of SVM in four scenarios

4.3 PNN和GRNN的預(yù)測結(jié)果

調(diào)整β值，確定4種場景下訓(xùn)練集和測試集的樣本數(shù)量。為降低隨機(jī)樣本對預(yù)測結(jié)果的影響，每種場景計(jì)算10次，其平均值作為最后的預(yù)測結(jié)果。概率神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果見表8。

表8 PNN和GRNN的結(jié)果比較Tab. 8 Comparison of PNN and GRNN

β = 0.5時，GRNN的特異性為57. 14%，準(zhǔn)確率為78. 70%，均高于PNN；PNN 的敏感性高于GRNN，為92. 44%。β = 0.6時，GRNN的敏感性和準(zhǔn)確率均高于PNN，分別為92. 86%，79. 88%；PNN的特異性大于GRNN，為63. 14%。β = 0.7時，PNN的3 項(xiàng)指標(biāo)都高于GRNN。β = 0.8 時，GRNN 的敏感性略大于PNN，為92. 86%；PNN 的特異性大于GRNN，為67. 44%，兩者的準(zhǔn)確率相同，均為82. 78%。

5 結(jié)論

基于傳統(tǒng)量表、文獻(xiàn)和臨床護(hù)理經(jīng)驗(yàn)，本文新增科室、體重減輕程度和感覺受限3個風(fēng)險(xiǎn)指標(biāo)，設(shè)計(jì)了更全面的評估量表。根據(jù)該量表，收集2017 年1月至2018年8月內(nèi)住院患者的信息。554例患者中，產(chǎn)生壓力性損傷的患者有347 例，未產(chǎn)生損傷的患者有207 例。采用卡方檢驗(yàn)發(fā)現(xiàn)科室、BMI、皮膚類型、失禁、運(yùn)動能力和評估總分等指標(biāo)對壓力性損傷有顯著影響。47. 55% 的患者有一處損傷，38. 62%的患者有多處損傷；尾骶部是損傷最常出現(xiàn)的部位，病理科、輸血科和手術(shù)室是損傷患者分布最多的科室。

采用SVM、PNN和GRNN這3種機(jī)器學(xué)習(xí)方法對壓力性損傷進(jìn)行預(yù)測。首先對樣本數(shù)據(jù)進(jìn)行量綱一化處理，接著按一定比例將所有數(shù)據(jù)分成訓(xùn)練集和測試集兩類。在SVM 模型中采用高斯徑向基核函數(shù)，基于遺傳算法對核函數(shù)中的參數(shù)進(jìn)行優(yōu)化。β = 0.8時，核函數(shù)中參數(shù)γ= 0.003 6，懲罰成本C =18.34時，SVM模型測試集上的預(yù)測準(zhǔn)確率最高，為84. 68%；PNN 和GRNN 的準(zhǔn)確率均為82. 78%，低于SVM。

基于損傷評估量表和患者所在科室的發(fā)病誘因，制定適用于特定科室的預(yù)防和治療措施。以評分值為依據(jù)將入院患者分成不同類型，并采取不同的措施：第一類，小于15 分且風(fēng)險(xiǎn)指標(biāo)取值正常的為不存在損傷風(fēng)險(xiǎn)的患者，保持該類患者的床單清潔；第二類，小于15 分但風(fēng)險(xiǎn)指標(biāo)取值非正常的為可能產(chǎn)生損傷患者，針對其個人情況，采取側(cè)臥位、更換體位和氣墊床等措施防止患者長時間保持同一姿勢，同時注意均衡營養(yǎng)；第三類，大于等于15分的患者為高危患者，應(yīng)立即上報(bào)并采取護(hù)理措施。若還沒有產(chǎn)生損傷，采取與第二類患者相似的預(yù)防措施；若已經(jīng)產(chǎn)生損傷，則及時清創(chuàng)，按規(guī)定時間換藥，同時涂抹油或乳類藥物保護(hù)皮膚，防止損傷進(jìn)一步惡化。

作者貢獻(xiàn)申明：

李 清：論文撰寫及修改。

蘇 強(qiáng)：論文選題，思路指導(dǎo)。

林 英：提供選題，收集數(shù)據(jù)。

鄧國英：數(shù)據(jù)整理和處理。