支持向量機(jī)算法預(yù)測(cè)腹部術(shù)后病人死亡風(fēng)險(xiǎn)模型的建立及驗(yàn)證

劉永飛，張佳婧，汪建勝

準(zhǔn)確的術(shù)前評(píng)估是麻醉醫(yī)師和手術(shù)醫(yī)師為手術(shù)病人制定合理的圍手術(shù)期管理策略的必要前提。充分、精準(zhǔn)的術(shù)前評(píng)估能夠?yàn)椴∪诵g(shù)后可能出現(xiàn)的并發(fā)癥和不良事件提前做好預(yù)案，從而減少術(shù)后并發(fā)癥，降低病人術(shù)后死亡率[1-3]。術(shù)前訪視是術(shù)前評(píng)估的重要環(huán)節(jié)，然而術(shù)前訪視主要依賴于麻醉醫(yī)師的個(gè)人經(jīng)驗(yàn)和判斷，主觀性較強(qiáng)。因此，一系列評(píng)分或分級(jí)系統(tǒng)被開發(fā)并用于術(shù)前評(píng)估，如美國(guó)麻醉師協(xié)會(huì)(ASA)分級(jí)系統(tǒng)[4]、序貫器官衰竭評(píng)分(SOFA)系統(tǒng)[5]、急性生理與慢性健康評(píng)分(APACHE Ⅱ)系統(tǒng)[6]等。但這些系統(tǒng)在開發(fā)時(shí)并未考慮不同手術(shù)部位對(duì)術(shù)后并發(fā)癥及死亡風(fēng)險(xiǎn)的影響，因此缺乏特異性。隨著我國(guó)醫(yī)療水平的提高，各大三級(jí)醫(yī)院每年手術(shù)量呈上升趨勢(shì)。然而，目前對(duì)于普外科最常見的腹部手術(shù)仍缺乏客觀、準(zhǔn)確、特異性強(qiáng)的術(shù)前評(píng)估系統(tǒng)[7]。近年來(lái)，隨著人工智能科技和機(jī)器學(xué)習(xí)技術(shù)的在醫(yī)學(xué)領(lǐng)域的發(fā)展，利用人工智能技術(shù)對(duì)既往數(shù)據(jù)進(jìn)行挖掘、學(xué)習(xí)，并形成預(yù)測(cè)模型進(jìn)行預(yù)警評(píng)估的策略成為可能[8-10]。本研究擬通過(guò)機(jī)器學(xué)習(xí)分類算法的佼佼者支持向量機(jī)模型，預(yù)測(cè)腹部手術(shù)病人術(shù)后28 d的死亡風(fēng)險(xiǎn)，為腹部手術(shù)病人術(shù)前風(fēng)險(xiǎn)評(píng)估提供新的方法。

1 資料與方法

1.1 納入及排除標(biāo)準(zhǔn) 納入標(biāo)準(zhǔn)：2015年7月至2017年6月期間收治于寶山區(qū)中西醫(yī)結(jié)合醫(yī)院并行腹部手術(shù)的病人。排除標(biāo)準(zhǔn)：產(chǎn)科手術(shù)；年齡<6歲的兒科手術(shù)；合并其他部位手術(shù)(如胸腹聯(lián)合手術(shù)等)；建模指標(biāo)或預(yù)后結(jié)局缺失者。

1.2 統(tǒng)計(jì)學(xué)方法

1.2.1 建模變量 經(jīng)過(guò)專家查閱文獻(xiàn)和專家討論，最終確定了三個(gè)模塊共29變量進(jìn)行建模，(1)病人的一般情況：性別、年齡、體質(zhì)量指數(shù)(BMI)、術(shù)前合并癥等；(2)麻醉術(shù)前訪視情況：手術(shù)類型(擇期或急診)、美國(guó)麻醉師協(xié)會(huì)(ASA)分級(jí)、心率(HR)、平均動(dòng)脈壓(MAP)；(3)實(shí)驗(yàn)室檢查：白細(xì)胞計(jì)數(shù)(WBC)、血紅蛋白濃度(Hb)、血小板計(jì)數(shù)(PLT)、丙氨酸氨基轉(zhuǎn)移酶(ALT)、天門冬氨酸氨基轉(zhuǎn)移酶(AST)、膽紅素(BIL)、白蛋白(ALB)、尿素氮(BUN)、血肌酐(SCr)、D二聚體(DDimer)、國(guó)際標(biāo)準(zhǔn)化比值(INR)、降鈣素原(PCT)、C反應(yīng)蛋白(CRP)。所有臨床數(shù)據(jù)集實(shí)驗(yàn)室指標(biāo)通過(guò)訪問我院電子病例系統(tǒng)獲得，對(duì)于住院期間手術(shù)次數(shù)>1次者，僅納入第一次手術(shù)時(shí)的指標(biāo)。

1.2.2 預(yù)測(cè)變量 腹部術(shù)后病人28 d內(nèi)出現(xiàn)死亡事件。

1.2.3 數(shù)據(jù)處理 將所有病人通過(guò)隨機(jī)抽樣將所有病人以7∶3比例分配訓(xùn)練集和驗(yàn)證集。對(duì)于計(jì)量資料首先進(jìn)行正態(tài)分布檢驗(yàn)，符合正態(tài)分布的計(jì)量資料以均數(shù)(標(biāo)準(zhǔn)差)表示，組間比較使用獨(dú)立樣本t檢驗(yàn)；非正態(tài)分布的計(jì)量資料以中位數(shù)(四分位間距)表示，組間比較采用Wilcoxon秩和檢驗(yàn)。計(jì)數(shù)資料使用個(gè)數(shù)(百分比)表示，組間比較采用χ2檢驗(yàn)或Fisher精確概率法。不同模型的受試者工作曲線(ROC)下面積比較采用Delong檢驗(yàn)。所有數(shù)據(jù)分析使用R軟件平臺(tái)(版本3.6.2)完成。

1.2.4 模型的構(gòu)建、驗(yàn)證和評(píng)價(jià) 基于訓(xùn)練集數(shù)據(jù)，使用e1071包構(gòu)建支持向量機(jī)模型，使用tune.svm()函數(shù)進(jìn)行交叉驗(yàn)證并調(diào)整參數(shù)達(dá)到最優(yōu)，核函數(shù)kernel設(shè)置為線性，最優(yōu)成本函數(shù)cost設(shè)置選項(xiàng)為(0.001,0.01,0.1,1,5,10)[11-12]。完成最優(yōu)支持向量機(jī)模型構(gòu)建后，分別在訓(xùn)練集和測(cè)試集上進(jìn)行預(yù)測(cè)和驗(yàn)證，評(píng)價(jià)模型的敏感性、特異性、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值、準(zhǔn)確率等指標(biāo)，并構(gòu)建支持向量機(jī)模型預(yù)測(cè)術(shù)后死亡事件的ROC曲線，并計(jì)算ROC曲線下面積[13-14]。為了進(jìn)一步評(píng)價(jià)支持向量機(jī)模型的工作性能，我們使用廣義線性模型函數(shù)glm()構(gòu)建了多因素logistic回歸模型對(duì)術(shù)后死亡事件進(jìn)行預(yù)測(cè)，并在訓(xùn)練集和測(cè)試集中比較支持向量機(jī)模型和傳統(tǒng)logistic回歸模型的工作性能[15]。

2 結(jié)果

2.1 病人基本信息 腹部手術(shù)病人的基本信息及預(yù)后如表1所示，研究共納入手術(shù)病人1 512例，其中男911例(60.25%)，女601例(39.75%)，年齡(62.83±12.33)歲。其中115 例(7.61%)病人在術(shù)后28 d死亡。急診手術(shù)病人209例，占總手術(shù)人數(shù)的13.82%，按照美國(guó)麻醉師協(xié)會(huì)(ASA)分級(jí)，Ⅰ級(jí)、Ⅱ級(jí)、Ⅲ級(jí)、Ⅳ級(jí)、Ⅴ級(jí)的人數(shù)分別占總手術(shù)人數(shù)的6.55%、69.64%、16.53%、6.08%、1.19%。術(shù)前發(fā)病率最高的前三位合并病分別為高血壓(219例，14.48%)、慢性心功能不全(176例，11.64%)、糖尿病(138例，9.13%)。通過(guò)隨機(jī)抽樣分配后(7∶3)，得到訓(xùn)練集病人1 048例，驗(yàn)證集病人464例。所有建模指標(biāo)中，除性別和免疫抑制情況在訓(xùn)練集和驗(yàn)證集的比例存在差異(P<0.05)，余指標(biāo)在訓(xùn)練集和驗(yàn)證集中均無(wú)顯著性差異(P>0.05)(見表1)。

表1 腹部手術(shù)病人基本信息及預(yù)后

續(xù)表1

2.2 支持向量機(jī)模型預(yù)測(cè)的死亡概率在存活組和死亡組間的分布 使用支持向量機(jī)預(yù)測(cè)每個(gè)腹部術(shù)后病人死亡概率在存活組和死亡組間的分布見圖1。訓(xùn)練集中，死亡組的死亡預(yù)測(cè)概率顯著高于存活組的死亡預(yù)測(cè)概率(P<0.01)(見圖1A)。驗(yàn)證集中死亡組的死亡預(yù)測(cè)概率顯著高于存活組的死亡預(yù)測(cè)概率(P<0.01)(見圖1B)。

2.3 支持向量機(jī)模型與傳統(tǒng)logistic回歸模型的準(zhǔn)確性比較 在訓(xùn)練集中，支持向量機(jī)模型的ROC曲線下面積高于logistic回歸模型，但差異無(wú)統(tǒng)計(jì)學(xué)意義(0.97 vs 0.95,P>0.05)。類似的，在驗(yàn)證集中，支持向量機(jī)的ROC曲線下面積顯著高于logistic回歸模型(0.98 vs 0.91,P<0.05)。2種模型的預(yù)測(cè)準(zhǔn)確性均在95%～97%之間，但支持向量機(jī)模型的敏感性(訓(xùn)練集68.57% vs 62.86%，驗(yàn)證集79.78% vs 77.78%)和陽(yáng)性預(yù)測(cè)值(訓(xùn)練集80.00% vs 65.75%，驗(yàn)證集83.33% vs 77.13%%)優(yōu)于傳統(tǒng)logistic回歸模型，提示支持向量機(jī)模型能夠更準(zhǔn)確的識(shí)別出死亡高風(fēng)險(xiǎn)人群(見表2、圖2)。

表2 支持向量機(jī)模型與logisitc回歸模型的ROC曲線的參數(shù)

3 討論

利用人工智能技術(shù)和機(jī)器學(xué)習(xí)算法對(duì)既往醫(yī)療數(shù)據(jù)進(jìn)行挖掘、學(xué)習(xí)，并建立預(yù)測(cè)模型是近年來(lái)智慧醫(yī)療領(lǐng)域的研究熱點(diǎn)。本研究基于既往腹部手術(shù)病人的臨床數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)算法中的支持向量機(jī)模型，建立了腹部病人術(shù)后28 d死亡風(fēng)險(xiǎn)的預(yù)測(cè)分類器。這一模型無(wú)論是在訓(xùn)練集和驗(yàn)證集均取得了良好的工作性能，ROC曲線下面積分別達(dá)到0.97和0.98，優(yōu)于傳統(tǒng)logistic模型的預(yù)測(cè)效果。

支持向量機(jī)的雛形是Vapnik和他的AT&T Bell實(shí)驗(yàn)小組在20世紀(jì)90年代中期提出。該算法以得到現(xiàn)有信息下的最優(yōu)解為目標(biāo)，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則設(shè)計(jì)學(xué)習(xí)機(jī)器，并在建模過(guò)程中通過(guò)調(diào)節(jié)向量機(jī)模型的核函數(shù)及誤差懲罰參數(shù)尋求最優(yōu)的向量機(jī)性能[16]。由于支持向量機(jī)可將非線性問題變換轉(zhuǎn)換到高維的特征空間的線性約束條件下的凸二次規(guī)劃問題，因此理論上可以得到全局最優(yōu)解，這一特性解決了神經(jīng)網(wǎng)絡(luò)方法中的“局部極值問題”，且巧妙的避免了“維數(shù)災(zāi)難”問題。不僅如此，支持向量機(jī)折衷考慮了經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍，具有較強(qiáng)的推廣性。

支持向量機(jī)模型較好地解決了人工智能算法中的非線性、高維數(shù)、局部極小點(diǎn)等問題[17-18]。正因如此，支持向量機(jī)越來(lái)越多的被運(yùn)用于醫(yī)學(xué)領(lǐng)域。一項(xiàng)發(fā)表于國(guó)外的研究[19]顯示，基于免疫組織化學(xué)的特征的支持向量機(jī)模型能夠準(zhǔn)確預(yù)測(cè)胃癌術(shù)后病人的總生存時(shí)間和無(wú)病生存時(shí)間。不僅如此，另一項(xiàng)基于生信分析的支持向量機(jī)模型[20]顯示，富集于內(nèi)質(zhì)網(wǎng)(如SSR3)、AMPK信號(hào)通路(如CREB1)和泛素介導(dǎo)的蛋白質(zhì)水解(如FBXO2、CUL7和UBE2D3)等信號(hào)通路的分子，能夠準(zhǔn)確地區(qū)分轉(zhuǎn)移性和非轉(zhuǎn)移性結(jié)直腸癌，并作為轉(zhuǎn)移性大腸癌預(yù)后的生物標(biāo)志物。我們的研究使用腹部術(shù)前病人一般情況、術(shù)前訪視、實(shí)驗(yàn)室檢查等指標(biāo)作為建模變量，準(zhǔn)確的預(yù)測(cè)了病人術(shù)后28 d死亡風(fēng)險(xiǎn)的預(yù)后，拓展了支持向量機(jī)的應(yīng)用領(lǐng)域。機(jī)器學(xué)習(xí)中的支持向量機(jī)模型能夠準(zhǔn)確預(yù)測(cè)腹部手術(shù)病人28 d死亡風(fēng)險(xiǎn)，其工作性能強(qiáng)于傳統(tǒng)的logistic回歸模型。

本研究有一定的局限性。首先，本研究為單中心研究，研究的結(jié)論是否適用于其他中心仍需在其他中心的數(shù)據(jù)中進(jìn)行驗(yàn)證。其次，本研究為回顧性研究，部位病人因臨床數(shù)據(jù)缺失未被納入建模，因此有選擇性偏倚的風(fēng)險(xiǎn)。再次，本研究中納入的建模變量是查閱文獻(xiàn)和專家討論后確定，但仍有可能存在對(duì)死亡時(shí)間有預(yù)測(cè)作用，卻沒有參與建模的臨床變量存在。因此，模型的預(yù)測(cè)準(zhǔn)確性可能因一些測(cè)量變量未被納入而降低。