基于宮縮信號(hào)和LightGBM的產(chǎn)時(shí)縮宮素劑量預(yù)測(cè)①

胡婷婷,朱曉玲,李建宏,許時(shí)超,盧中秋,3

1(溫州醫(yī)科大學(xué),溫州 325035)

2(溫州醫(yī)科大學(xué)附屬第二醫(yī)院 信息中心,溫州 325000)

3(溫州醫(yī)科大學(xué)附屬第一醫(yī)院,溫州 325000)

縮宮素,又稱(chēng)催產(chǎn)素(OxyTocin,OT),是產(chǎn)科催產(chǎn)、引產(chǎn)的一線(xiàn)藥物,具有啟動(dòng)分娩,促進(jìn)子宮收縮、加快產(chǎn)程的作用[1].臨床上OT 催產(chǎn)、引產(chǎn)的使用方式為靜脈滴注,需要醫(yī)務(wù)人員實(shí)時(shí)觀(guān)察子宮收縮及胎心率變化情況,并結(jié)合產(chǎn)程進(jìn)展、產(chǎn)婦脈搏和血壓、出入液量平衡等因素,每隔15-20 min 調(diào)節(jié)一次OT 微泵的輸注速度,注射速度根據(jù)等差法每次增加或減少5 滴(給藥速率恒定)[2].因此根據(jù)臨床實(shí)際用藥情況,將劑量調(diào)節(jié)情況可分為:“維持原劑量”、“增加劑量”和“減少劑量”,表明OT 給藥的走向.

但由于妊娠末期產(chǎn)婦對(duì)于OT的敏感性不同,其輸注劑量也存在差異,若使用劑量過(guò)大會(huì)引起宮縮過(guò)強(qiáng)、過(guò)密、胎心減速,甚至強(qiáng)直宮縮、胎兒窘迫死亡等不良妊娠結(jié)局[3],使用劑量不足則無(wú)法達(dá)到預(yù)期臨床效果.因此,為保證OT 用藥安全性和有效性的關(guān)鍵在于實(shí)現(xiàn)OT 劑量的精準(zhǔn)調(diào)控.

臨床上依據(jù)《中華醫(yī)學(xué)會(huì)產(chǎn)科學(xué)組分娩指南》對(duì)產(chǎn)時(shí)OT 劑量進(jìn)行調(diào)控,通過(guò)持續(xù)電子胎心監(jiān)護(hù)儀(Electronic Fetal Monitoring,EFM)的外部宮縮探頭和超聲多普勒探頭測(cè)量宮縮壓力和胎心率變化[4].但在分娩量激增和助產(chǎn)士短缺的現(xiàn)狀下,OT 劑量無(wú)法得到及時(shí)合理的調(diào)整[5],且調(diào)控過(guò)程中亦受醫(yī)護(hù)人員主觀(guān)因素(如性格、臨床經(jīng)驗(yàn)、用藥習(xí)慣)的影響.目前已有將計(jì)算機(jī)方法應(yīng)用于OT 自動(dòng)調(diào)控的相關(guān)研究,如鄭園園等(CN206434657U)開(kāi)發(fā)了一種縮宮素注射自動(dòng)調(diào)節(jié)裝置[6],將胎兒監(jiān)護(hù)儀和輸液泵通過(guò)單片機(jī)數(shù)據(jù)連接,實(shí)現(xiàn)輸液泵輸注速度根據(jù)子宮收縮強(qiáng)度來(lái)調(diào)節(jié),當(dāng)胎心率超出正常范圍或出現(xiàn)異常宮縮時(shí)能發(fā)出警報(bào).韋曉昱等(CN203802891U)設(shè)計(jì)了一種產(chǎn)科用催產(chǎn)素自動(dòng)點(diǎn)滴調(diào)節(jié)裝置[7],通過(guò)壓力傳感器采集的宮縮頻率及強(qiáng)度信號(hào),經(jīng) DSP 芯片的CPU 單元,通過(guò)信號(hào)放大及驅(qū)動(dòng)電路輸出控制信號(hào)給輸液泵.但上述研究并未進(jìn)行詳盡的產(chǎn)時(shí)數(shù)據(jù)分析,亦未建立相關(guān)預(yù)測(cè)模型,僅根據(jù)既定的預(yù)設(shè)規(guī)則判斷調(diào)控OT 劑量,起到簡(jiǎn)單預(yù)警作用.而Lobo 等則基于OT 藥代動(dòng)力學(xué)方法,模擬宮縮頻率、宮腔壓力、宮口擴(kuò)張、胎先露與OT 濃度之間的相互作用,并根據(jù)輸入變量的實(shí)時(shí)變化自動(dòng)調(diào)節(jié)OT 劑量[8],但該研究只對(duì)模型效果進(jìn)行初步的可行性分析,未提及明確的評(píng)價(jià)或驗(yàn)證方案.

本研究提出一種智能OT 劑量調(diào)控方法,對(duì)胎心監(jiān)護(hù)儀的宮縮信號(hào)進(jìn)行特征提取,結(jié)合胎心、心率、電子病歷等數(shù)據(jù),基于貝葉斯優(yōu)化的LightGBM算法構(gòu)建OT 劑量預(yù)測(cè)模型,為產(chǎn)科醫(yī)護(hù)人員OT 劑量調(diào)控提供輔助決策支持,減輕人力成本,實(shí)現(xiàn)精準(zhǔn)給藥.

1 智能縮宮素注射反饋系統(tǒng)

本研究課題組前期利用4G 網(wǎng)絡(luò)建立了一種縮宮素注射泵反饋系統(tǒng)[9],如圖1所示.本系統(tǒng)以4G 互聯(lián)網(wǎng)技術(shù)為載體,將電子胎心監(jiān)護(hù)儀、輸液注射泵、護(hù)士站遠(yuǎn)程監(jiān)控相互連接,通過(guò)胎心監(jiān)護(hù)儀采集產(chǎn)婦宮縮及胎心變化信息,由物聯(lián)網(wǎng)技術(shù)遠(yuǎn)程反饋至護(hù)士站進(jìn)行數(shù)據(jù)匯總,最后在護(hù)士站將發(fā)出調(diào)控指令,控制產(chǎn)婦床旁輸液微泵,調(diào)控注射速度.

圖1 智能縮宮素注射反饋系統(tǒng)結(jié)構(gòu)圖

本文建立的OT 劑量預(yù)測(cè)模型可嵌入護(hù)士站系統(tǒng)作為數(shù)據(jù)分析中心,實(shí)現(xiàn)智能調(diào)控輸液微泵,形成一套能便于監(jiān)測(cè)子宮收縮及胎心率變化、智能調(diào)節(jié)OT 輸注、人工輔助監(jiān)測(cè)的調(diào)節(jié)系統(tǒng).

2 產(chǎn)時(shí)縮宮素劑量預(yù)測(cè)方法

首先獲取電子健康病歷系統(tǒng)、護(hù)理管理系統(tǒng)和胎心監(jiān)護(hù)儀設(shè)備輸出的醫(yī)療數(shù)據(jù),并對(duì)宮縮信號(hào)進(jìn)行特征提取;其次對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,最后基于貝葉斯優(yōu)化的LightGBM 算法構(gòu)建產(chǎn)時(shí)OT 劑量預(yù)測(cè)模型.

2.1 宮縮信號(hào)特征工程

2.1.1 宮縮信號(hào)

利用床旁胎心監(jiān)護(hù)儀實(shí)時(shí)采集宮縮信號(hào),其原理將壓力傳感器作為宮縮探測(cè)器,根據(jù)宮縮壓力大小反應(yīng)宮縮情況.采集過(guò)程中將壓力傳感器置于孕婦宮底部,當(dāng)子宮肌肉收縮時(shí),腹壁的張力置于傳感器將宮縮壓力信號(hào)轉(zhuǎn)變成電信號(hào).壓力電信號(hào)再經(jīng)信號(hào)調(diào)理、模數(shù)轉(zhuǎn)換等處理,輸出至監(jiān)控端進(jìn)行分析.通常對(duì)宮縮信號(hào)的強(qiáng)度、持續(xù)時(shí)間以及宮縮周期3 個(gè)方面加以描述.每一次宮縮周期可分為3 個(gè)階段:進(jìn)行期、極期、退行期,宮縮結(jié)束后則進(jìn)入間歇期,如圖2所示.

圖2 小波去噪后的宮縮信號(hào)示意圖

2.1.2 信號(hào)預(yù)處理

宮縮信號(hào)采集過(guò)程中受壓力探頭放置位置、腹部皮下脂肪厚度、胎動(dòng)、探頭綁縛的松緊、產(chǎn)婦活動(dòng)等影響出現(xiàn)干擾信號(hào),影響宮縮波形的判讀,在去噪聲的同時(shí)需盡可能保留信號(hào)中反應(yīng)宮縮狀況的特征,本文采用基于小波濾波的信號(hào)平滑處理,效果如圖2所示.采用Sym6 小波包,對(duì)實(shí)測(cè)信號(hào)進(jìn)行4 尺度分解,并將分解出的概貌系數(shù)做為去噪后的宮縮信號(hào).

小波濾波器表示成小波函數(shù)Ψ(t)在做位移b后,在不同尺度a下與宮縮信號(hào)f(t)的內(nèi)積波后恢復(fù)出宮縮信號(hào)的時(shí)域圖.

2.1.3 信號(hào)特征提取

分娩期產(chǎn)婦子宮收縮起自?xún)蓚?cè)子宮角部,迅速向子宮底部集中,再以2 cm/s的速度向下逐漸減弱,每次宮縮由弱漸強(qiáng)(進(jìn)行期),維持一定時(shí)間(極期),隨后由強(qiáng)減弱(退行期),直至消失進(jìn)入間歇期,間歇期子宮肌肉松弛,宮縮如此反復(fù),直至分娩結(jié)束[10].宮縮峰值為一次宮縮最強(qiáng)壓力點(diǎn),宮縮的提取需先定位宮腔壓力峰值點(diǎn),算法過(guò)程具體如算法1.

算法1.信號(hào)特征提取C←Candiadate point Set M←Maximum point Set P←Peak point Set Pavg←the average value of P I←Minimum interval of contractions max(input:C;output:L)Ck≠?for (k=2;; k++)(Ck＞Ck-1)and(Ck＞Ck+1)if L←{(a,b)|La=k,Lb=Ck}endif endfor L←max(C){(n,m)|La+1-La≥I,Lb＞80%×Pavg}P←return ∪n P

確認(rèn)峰值點(diǎn)后,根據(jù)其時(shí)域上的先后分布確定宮縮起始點(diǎn)和宮縮終止點(diǎn):為時(shí)序上峰值點(diǎn)相鄰的兩個(gè)處于基線(xiàn)水平的極小值點(diǎn),如圖3所示.將峰值點(diǎn)的幅值作為宮腔壓力峰值,單位時(shí)間與平均峰值間隔的比值作為宮縮頻率,宮縮起始點(diǎn)和宮縮終止點(diǎn)的間隔作為宮縮持續(xù)時(shí)間.

圖3 宮縮信號(hào)的特征提取圖

確定宮腔壓力、宮縮頻率、宮縮持續(xù)時(shí)間后,利用K-means 聚類(lèi)方法區(qū)分宮縮強(qiáng)度,K-means 算法首先設(shè)定值作為聚類(lèi)的初始中心點(diǎn)(k=3);然后計(jì)算其他點(diǎn)到這k個(gè)中心點(diǎn)的距離,對(duì)靠近它們的點(diǎn)進(jìn)行歸類(lèi),距離計(jì)算公式如下:

最后通過(guò)求平均值的方法迭代逐次更新各聚類(lèi)中心的值,直至各類(lèi)中心點(diǎn)的值均不再變化,本文的聚類(lèi)效果如圖4所示.

2.2 實(shí)驗(yàn)數(shù)據(jù)及其預(yù)處理

通過(guò)文獻(xiàn)綜述和專(zhuān)家咨詢(xún)法,首先從電子病歷系統(tǒng)獲取與OT 劑量調(diào)節(jié)相關(guān)的人口學(xué)資料,包括:年齡、BMI、孕周等,經(jīng)單因素分析和多重線(xiàn)性逐步回歸,篩選出具有統(tǒng)計(jì)學(xué)意義的特征.其次,通過(guò)訪(fǎng)問(wèn)飛利浦胎心監(jiān)護(hù)儀(M2702A)數(shù)據(jù)端口獲取產(chǎn)時(shí)生理參數(shù),包括實(shí)時(shí)胎心、產(chǎn)婦心率和宮縮特征(經(jīng)2.1 節(jié)提取).OT 調(diào)節(jié)記錄則通過(guò)護(hù)理信息平臺(tái)獲取,調(diào)節(jié)信息包括當(dāng)前OT 用藥劑量和累計(jì)調(diào)節(jié)時(shí)間.

圖4 K-means 宮縮強(qiáng)度特征提取

OT 用藥每隔約15 min 調(diào)整一次,整合人口學(xué)數(shù)據(jù)和該時(shí)間段的生理參數(shù)調(diào)節(jié)記錄,作為一條記錄樣本納入數(shù)據(jù)集,產(chǎn)時(shí)生理參數(shù)包括胎心、宮縮頻率、宮縮持續(xù)時(shí)間、宮縮強(qiáng)度、宮腔壓力峰值在15 min 內(nèi)的平均值.納入模型的數(shù)據(jù)格式如表1所示.

表1 縮宮素劑量預(yù)測(cè)模型數(shù)據(jù)集

產(chǎn)婦年齡、BMI 等人口學(xué)資料缺失值填補(bǔ)可通過(guò)人工校驗(yàn)原始數(shù)據(jù),所有數(shù)據(jù)采用Rajda 標(biāo)準(zhǔn)[11]進(jìn)行異常值處理,即以給定的置信概率99.7%為標(biāo)準(zhǔn),以3 倍數(shù)據(jù)列標(biāo)準(zhǔn)差為依據(jù),刪除大于該值的異常數(shù)據(jù).

2.3 貝葉斯-LightGBM 縮宮素劑量預(yù)測(cè)模型

2.3.1 LightGBM 建模

LightGBM是2017年微軟亞洲研究院發(fā)布的一種基于決策樹(shù)算法的快速、分布式、高性能梯度提升框架,目前廣泛應(yīng)用于分類(lèi)、回歸等多種產(chǎn)科醫(yī)療數(shù)據(jù)分析的應(yīng)用場(chǎng)景,如妊娠糖尿病的早期篩查[12]和胎兒出生體重的預(yù)測(cè)[13].

梯度提升樹(shù)核心思想是利用損失函數(shù)的負(fù)梯度在當(dāng)前模型Fm(x)=Fm-1(x)的值近似替代殘差.設(shè)訓(xùn)練樣本為i(i=1,2,3,…,n),迭代次數(shù)j(j=1,2,3,…,m),損失函數(shù)為L(zhǎng)(yi,F(xi)),則負(fù)梯度rij的計(jì)算公式如下:

使用基學(xué)習(xí)器hj(x)擬合損失函數(shù)的負(fù)梯度r,求出使損失函數(shù)最小的最佳擬合值:

從而進(jìn)行模型更新,本輪的強(qiáng)學(xué)習(xí)器如下:

最終梯度提升樹(shù)是由每輪產(chǎn)生的基學(xué)習(xí)器通過(guò)線(xiàn)性相加的方式求得:

LightGBM是對(duì)傳統(tǒng)梯度提升樹(shù)的優(yōu)化,基于單邊梯度采樣(Gradient-based One Side Sampling,GOSS)算法減少訓(xùn)練的樣本數(shù),并采用互補(bǔ)特征壓縮(Exclusive Feature Bundling,EFB)算法減少特征維數(shù),且支持GPU 并行學(xué)習(xí).因此基于LightGBM的建模在不犧牲數(shù)據(jù)處理速度的前提下,最大限度地減少通信時(shí)間,降低其帶來(lái)的損失,在計(jì)算上實(shí)現(xiàn)線(xiàn)性加速.

GOSS 算法可保持信息增益估計(jì)的準(zhǔn)確,信息增益使用分裂后的方差增益衡量,只保留那些具有較大貢獻(xiàn)的樣本,方差增益Vj(d)如下:

其中,d是樣本特征的分裂點(diǎn),n表示樣本數(shù),A、B表示分裂的大、小梯度樣本,l、r表示左子樹(shù)和右子樹(shù),g表示樣本梯度.

EFB 算法則可減少高維數(shù)據(jù)的特征數(shù)目并且使損失最小,采用直方圖(Histogram)算法把連續(xù)浮點(diǎn)型特征值離散化,將其作為索引在直方圖中累積統(tǒng)計(jì)量,通過(guò)捆綁合并相互獨(dú)立的特征減少特征的數(shù)量,由此降低模型的內(nèi)存占用和時(shí)間復(fù)雜度.

在大數(shù)據(jù)背景下,產(chǎn)科臨床數(shù)據(jù)資料呈持續(xù)爆炸性增長(zhǎng),LightGBM 在面對(duì)復(fù)雜而多元化的大數(shù)據(jù)時(shí)處理能力更優(yōu)秀,其信息資源占用率低且運(yùn)行高效,因此本研究擬選用LightGBM 構(gòu)建預(yù)測(cè)模型.

2.3.2 貝葉斯優(yōu)化

貝葉斯優(yōu)化算法是一種高效的參數(shù)優(yōu)化算法,可以統(tǒng)一將此問(wèn)題描述為求解未知目標(biāo)函數(shù)的全局最優(yōu)解:

其中,x表示待優(yōu)化參數(shù),X表示參數(shù)集合;f(x)表示目標(biāo)函數(shù).

貝葉斯優(yōu)化主要分為兩個(gè)步驟.首先確定先驗(yàn)函數(shù),以表示被優(yōu)化函數(shù)的分布假設(shè),通常選用兼具靈活性和可追蹤性的高斯過(guò)程(Gaussian processes);其次選擇提取函數(shù)(acquisition function),在模型后驗(yàn)分布中構(gòu)造效用函數(shù),以確定下一個(gè)需評(píng)估的點(diǎn).

高斯過(guò)程此處為L(zhǎng)ightGBM 算法中不同的參數(shù)組合在隨機(jī)過(guò)程上的擴(kuò)展,它由一個(gè)均值函數(shù)m(x)和一個(gè)半正定的協(xié)方差函數(shù)k(x,x')組成:

為便于計(jì)算,通常取均值函數(shù)m(x)=0,則存在一個(gè)高斯分布滿(mǎn)足:

當(dāng)加入新樣本X*,可利用協(xié)方差矩陣K(X,X)生成一個(gè)新的高斯分布:

高斯過(guò)程的性質(zhì)可得,訓(xùn)練輸出f和測(cè)試輸出f*的聯(lián)合分布為:

通過(guò)評(píng)估均值和協(xié)方差矩陣,可以從聯(lián)合后驗(yàn)分布中對(duì)函數(shù)值f*進(jìn)行采樣,通過(guò)采樣函數(shù)確定下一個(gè)需要評(píng)估的點(diǎn),可以減少迭代次數(shù),降低評(píng)估成本.采樣點(diǎn)提取有如下兩類(lèi)方法:(1)explore,盡可能選取未評(píng)估過(guò)的參數(shù)組合;(2)exploit,根據(jù)目前已找到的最優(yōu)值,在其周?chē)阉髡业饺肿顑?yōu)值.

貝葉斯優(yōu)化中常見(jiàn)的采樣函數(shù)包括POI (Probability Of Improvement),EI (Expected Improvement)和UCB(Upper Confidence Bound),本文選擇UCB 作為為采樣函數(shù),其表達(dá)式為:

其中,μ(x)和σ (x)是采用高斯過(guò)程所得到的目標(biāo)函數(shù)聯(lián)合后驗(yàn)分布的均值和標(biāo)準(zhǔn)偏差,β為用于平衡探索與開(kāi)發(fā)的一個(gè)合適的常數(shù).UCB 采樣函數(shù)直接比較置信區(qū)間的最大值,已被證明其預(yù)測(cè)誤差與迭代次數(shù)呈亞線(xiàn)性關(guān)系,因此通常效果較佳.

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)對(duì)象

收集2019年1月-2019年12月于浙江省某三甲醫(yī)院產(chǎn)科分娩并在產(chǎn)程中使用OT的產(chǎn)婦相關(guān)資料,由統(tǒng)一培訓(xùn)的6 人組成數(shù)據(jù)收集小組,以開(kāi)始滴注OT為起點(diǎn),停止輸注為終點(diǎn),采集這一過(guò)程中影響醫(yī)務(wù)人員進(jìn)行OT 調(diào)節(jié)的相關(guān)數(shù)據(jù),包括電子病歷與護(hù)理記錄資料,其中胎心監(jiān)護(hù)資料通過(guò)訪(fǎng)問(wèn)飛利浦胎心監(jiān)護(hù)儀數(shù)據(jù)端口獲取(具體見(jiàn)2.3.1 節(jié)).共納入998 例產(chǎn)婦的10 061 條OT 調(diào)節(jié)記錄,其中標(biāo)簽為OT“劑量維持”的3467 條,“劑量增加”6178 條,“劑量減少”416 條.

3.2 宮縮信號(hào)結(jié)果分析

圖5為本研究OT 劑量調(diào)節(jié)與宮縮持續(xù)時(shí)間、宮腔壓力、宮縮頻率相關(guān)性的個(gè)案分析,選擇1 名受試者靜息狀態(tài)下持續(xù)性輸注OT 時(shí)的宮縮信號(hào),采集時(shí)間約8 h,橫坐標(biāo)代表這一過(guò)程中每隔約15 min 進(jìn)行OT 劑量調(diào)整的次數(shù),縱坐標(biāo)分別代表宮縮持續(xù)時(shí)間、宮腔壓力、宮縮頻率和用藥劑量.由圖可知,0-9 次OT 劑量逐漸增加,相應(yīng)的宮縮頻率、宮腔壓力、宮縮持續(xù)時(shí)間均處于較低水平,且有上升趨勢(shì);第10 次減少劑量時(shí),宮縮頻率、宮腔壓力、宮縮持續(xù)時(shí)間出現(xiàn)明顯下降趨勢(shì);15-20 次OT 達(dá)到最高劑量,宮縮頻率、宮腔壓力、宮縮持續(xù)時(shí)間也均出現(xiàn)峰值.可見(jiàn)本文宮縮信號(hào)提取的特征和OT 用藥調(diào)整高度相關(guān).

圖5 宮縮信號(hào)與OT 用藥對(duì)比圖

3.3 實(shí)驗(yàn)過(guò)程和評(píng)價(jià)指標(biāo)

10061條OT 調(diào)節(jié)記錄按照8:2 分為訓(xùn)練集8049條和測(cè)試集2012 條,采用5 折交叉驗(yàn)證的方法進(jìn)行分析和預(yù)測(cè).LightGBM 參數(shù)較多,基于交叉驗(yàn)證的手動(dòng)調(diào)參操作復(fù)雜且易影響預(yù)測(cè)效果,本文采用貝葉斯優(yōu)化(BOA)方法調(diào)整最佳參數(shù).LightGBM 主要包含3 類(lèi)參數(shù):Booster 參數(shù)、通用參數(shù)和學(xué)習(xí)目標(biāo)參數(shù),表2為本文需調(diào)整的幾個(gè)核心參數(shù)的含義及取值范圍,其它參數(shù)均為默認(rèn)值,設(shè)置迭代次數(shù)為200,最終LightGBM選擇學(xué)習(xí)率0.05,葉子數(shù)51,樹(shù)最大深度5,min_data_in_leaf=20,bagging_fraction=0.9,feature_fraction=0.8.

本研究選擇模式識(shí)別常用的評(píng)價(jià)指標(biāo):準(zhǔn)確率(accuracy)、查準(zhǔn)率(precision)、召回率(recall)和F1 值對(duì)各個(gè)模型的性能進(jìn)行評(píng)價(jià),此外,還采用混淆矩陣觀(guān)察模型在各個(gè)類(lèi)別上的表現(xiàn).

3.4 預(yù)測(cè)結(jié)果和分析

同時(shí)選用5 種機(jī)器學(xué)習(xí)算法包括邏輯回歸(LR)、支持向量機(jī)(SVM)、多層感知器(MLP)、隨機(jī)森林(RF)、梯度提升樹(shù)(GBDT)進(jìn)行對(duì)比,均按照8:2 將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集,通過(guò)5 折交叉驗(yàn)證實(shí)驗(yàn)結(jié)果.與交叉驗(yàn)證試錯(cuò)法調(diào)參的LightGBM 相比,經(jīng)貝葉斯優(yōu)化的BOA-LightGBM 模型對(duì)OT 劑量調(diào)控的預(yù)測(cè)能力最佳,其準(zhǔn)確率為0.83,查準(zhǔn)率0.853,召回率0.828,F1 值0.84,均優(yōu)于其他對(duì)照機(jī)器方法(見(jiàn)表3).

表2 LightGBM 各參數(shù)的含義及取值范圍

表3 不同模型預(yù)測(cè)性能對(duì)比表

分類(lèi)預(yù)測(cè)結(jié)果的混淆矩陣如表4所示:列表示真實(shí)類(lèi)別,行表示預(yù)測(cè)類(lèi)別,混淆矩陣表明 LightGBM 模型可對(duì)“減少劑量”進(jìn)行有效預(yù)測(cè),準(zhǔn)確率達(dá)97%以上,而誤差集中在“劑量增加”和“劑量維持”的預(yù)測(cè),主要原因可能是臨床上對(duì)產(chǎn)婦“劑量增加”的決策較為保守,需謹(jǐn)慎控制OT 用量以避免潛在的不良反應(yīng);此外,OT的調(diào)控還受產(chǎn)婦主訴(孕婦主訴反應(yīng)有疼痛感時(shí)一般不會(huì)增加劑量)和醫(yī)護(hù)人員的主觀(guān)因素(性格、臨床經(jīng)驗(yàn)、用藥習(xí)慣)影響,因此對(duì)“劑量增加”和“劑量維持”的辨別較弱.

LightGBM 特征重要性排名如圖6所示,通過(guò)輸出特征重要程度,可以判斷哪些因素對(duì)OT 調(diào)節(jié)有更顯著的影響,從而輔助醫(yī)護(hù)人員進(jìn)行用藥決策.宮縮頻率、宮縮持續(xù)時(shí)間、宮腔壓力、宮縮強(qiáng)度、胎心是最終模型結(jié)果中最重要的特征,與臨床實(shí)際醫(yī)務(wù)人員進(jìn)行OT 調(diào)控及指南要求觀(guān)察的指標(biāo)一致[2],表明本模型高度模擬臨床思維,使建模結(jié)果具有較高的可信度.用藥時(shí)間、當(dāng)前劑量、產(chǎn)婦年齡、BMI、分娩鎮(zhèn)痛、胎先露、剖宮產(chǎn)史及陰道分娩史均為影響OT 輸注劑量的影響因素[14-17],這些數(shù)據(jù)較全面的反映了產(chǎn)婦分娩時(shí)的狀態(tài),為模型精度提供保障.目前OT的輸注仍依靠醫(yī)護(hù)人員通過(guò)胎兒電子監(jiān)護(hù)母兒情況實(shí)施人工調(diào)節(jié),但由于影響因素眾多、關(guān)系復(fù)雜且不夠直觀(guān),對(duì)缺乏臨床經(jīng)驗(yàn)的醫(yī)務(wù)人員而言,OT 劑量的調(diào)控難以把控.因此,基于本模型的OT 調(diào)控系統(tǒng)可為醫(yī)務(wù)人員產(chǎn)時(shí)OT 用藥提供決策支持,代替或減輕醫(yī)護(hù)人員在OT 輸注中的作用,減少人力成本,實(shí)現(xiàn)精準(zhǔn)給藥,更兼顧用藥安全性和有效性.

表4 縮宮素實(shí)際劑量調(diào)控情況與模型預(yù)測(cè)情況比較

圖6 納入變量的重要性分布

4 結(jié)論與展望

本文從宮縮信號(hào)中提取宮腔壓力、宮縮頻率、宮縮持續(xù)時(shí)間,結(jié)合胎心、心率、人口學(xué)資料和護(hù)理記錄等數(shù)據(jù),基于貝葉斯優(yōu)化的LightGBM 算法構(gòu)建產(chǎn)時(shí)OT 劑量預(yù)測(cè)模型,相比傳統(tǒng)機(jī)器學(xué)習(xí)方法,本文模型預(yù)測(cè)能力更佳.將本文模型嵌入已有的智能縮宮素注射反饋系統(tǒng),可有效解決傳統(tǒng)輸注方案對(duì)個(gè)人經(jīng)驗(yàn)的依賴(lài)和醫(yī)務(wù)人員人力資源短缺的矛盾.

相較于傳統(tǒng)的OT 輸注方案,基于貝葉斯優(yōu)化的LightGBM 模型兼具精準(zhǔn)調(diào)控和用藥安全:OT 輸注調(diào)控實(shí)際是一種實(shí)時(shí)反饋調(diào)節(jié),目前需要醫(yī)務(wù)人員依據(jù)胎心監(jiān)護(hù)信息每隔15 min 左右進(jìn)行用藥劑量的人工調(diào)整,目前OT 臨床使用需求量大,其對(duì)醫(yī)務(wù)人員臨床經(jīng)驗(yàn)要求高、觀(guān)察指標(biāo)復(fù)雜,而目前現(xiàn)有的OT 輸注反饋系統(tǒng)多以既定的預(yù)設(shè)規(guī)則進(jìn)行預(yù)警,尚未解決OT劑量智能化調(diào)控的實(shí)際需求.本文模型首先對(duì)宮縮信號(hào)進(jìn)行特征提取,并基于臨床OT 真實(shí)用藥情況進(jìn)行模型訓(xùn)練,精確度較高,該模型可作為一種產(chǎn)科醫(yī)護(hù)人員的輔助決策模塊應(yīng)用于產(chǎn)時(shí)護(hù)理,是當(dāng)前國(guó)內(nèi)對(duì)OT 輸注調(diào)控的模式的創(chuàng)新,今后研究中或?qū)⑻娲a(chǎn)士進(jìn)行OT 輸注,為醫(yī)院節(jié)省大量資源.