基于支持向量機算法的重癥患者壓力性損傷分級預(yù)測模型的構(gòu)建及應(yīng)用價值*

張 晶,王亞玲,梁澤平,解浪浪,簡福霞,艾山木,商 璀

(1.中國人民解放軍陸軍特色醫(yī)學(xué)中心血液科,重慶 400042;2.中國人民解放軍陸軍特色醫(yī)學(xué)中心護理部,重慶 400042;3.重慶市九龍坡西區(qū)醫(yī)院重癥醫(yī)學(xué)科,重慶 400052;4.陸軍軍醫(yī)大學(xué)臨床護理學(xué)教研室,重慶 400038;5.中國人民解放軍陸軍特色醫(yī)學(xué)中心重癥醫(yī)學(xué)科,重慶 400042;6.重慶市急救醫(yī)療中心急診科,重慶 400015)

壓力性損傷(PI)是指皮膚或底層軟組織的局部損傷,通常發(fā)生在骨隆突處,是醫(yī)院護理工作質(zhì)量控制的重要指標(biāo)之一。重癥監(jiān)護病房(ICU)患者是PI的高風(fēng)險人群,據(jù)不完全統(tǒng)計,PI在重癥患者中的發(fā)生率為16.9%～23.8%[1],遠高于平均水平的8.4%[2]。Waterlow、Braden、Norton等量表常被用于評估發(fā)生PI的風(fēng)險,但此類評估工具受實施者及患者主觀影響較大,且缺乏對PI分級的預(yù)測能力[3]。據(jù)文獻報道,1期PI發(fā)生率最高,表現(xiàn)為皮膚紅斑,壓之不變色,但皮膚相對比較完整,因此,對患者的影響較輕[4]。但在臨床工作中部分初期表現(xiàn)為1期PI的患者皮膚情況會逐漸惡化,據(jù)統(tǒng)計,在給予適當(dāng)護理措施的條件下仍有10%、12%的患者會進展為2、3期PI,因此,1期PI患者逐漸成為醫(yī)院監(jiān)督和管理的重點對象[5-6]。

PI分級預(yù)測模型的構(gòu)建具有重要意義。通常認(rèn)為系統(tǒng)的評估和及時干預(yù)是預(yù)防PI的關(guān)鍵[7]。因此,多數(shù)研究將目光聚焦在PI的風(fēng)險預(yù)測方面,旨在為制定早期的干預(yù)方案提供參考依據(jù)。近年來,逐漸有研究發(fā)現(xiàn),對患者給予分級護理可有效降低PI發(fā)生風(fēng)險、降低并發(fā)癥發(fā)生率,以及避免病情進一步發(fā)展[8-9]。但目前缺乏對PI分級預(yù)測相關(guān)的研究,尤其是對較為嚴(yán)重的PI分級預(yù)測,如2期及以上的PI,針對患者分級護理的精準(zhǔn)度尚有待于進一步提高。

高頻超聲(HFUS)在PI風(fēng)險預(yù)測模型的研究中具有廣泛應(yīng)用。HFUS指頻率在10 MHz以上的超聲,其理論探測深度可達15～25 mm。有研究表明,PI的發(fā)生過程中涉及組織病理生理學(xué)變化,如皮膚溫度[10]、組織血流灌注[11]、表皮下水分[12-13],以及局部組織血氧代謝情況[14]等對PI的風(fēng)險預(yù)測具有潛在的量化價值,而這些病理生理學(xué)變化的初步跡象可被HFUS早期發(fā)現(xiàn)[15]。當(dāng)HFUS透過病變組織時反射的回聲與周圍正常組織會有較為明顯的差異,可在臨床癥狀出現(xiàn)前顯示出是否存在組織損傷或水腫,具有分辨率高、動態(tài)、實時、可重復(fù)等特點[16-17]。在HFUS下早期PI的影像學(xué)特征表現(xiàn)為層次結(jié)構(gòu)不清、低回聲病變、筋膜不連續(xù)、不均勻低回聲4種經(jīng)典類型,可作為早期PI篩查的指標(biāo)[18],但對PI分級預(yù)測的能力尚有待于進一步研究。

機器學(xué)習(xí)算法在PI的分級預(yù)測中具有潛在價值。隨著我國護理信息化平臺的不斷發(fā)展數(shù)量龐大的、結(jié)構(gòu)復(fù)雜的數(shù)據(jù)利用與機器學(xué)習(xí)算法相結(jié)合已成為必然趨勢[19]。臨床PI管理中同樣存在大量多重結(jié)構(gòu)的數(shù)據(jù),在機器學(xué)習(xí)算法的加持下已被廣泛用于創(chuàng)面的測量和分析、PI風(fēng)險預(yù)測模型的構(gòu)建等方面,其中支持向量機(SVM)作為經(jīng)典的機器學(xué)習(xí)算法之一,在處理PI管理中的分類任務(wù)時較其他算法表現(xiàn)出更高的性能[20]。PI的分級預(yù)測在本質(zhì)上同樣屬于分類任務(wù),但目前SVM對PI分級預(yù)測的準(zhǔn)確率仍缺乏相應(yīng)的文獻報道。本研究采用SVM算法聯(lián)合HFUS的影像學(xué)特征和臨床結(jié)構(gòu)化數(shù)據(jù)構(gòu)建ICU患者PI分級預(yù)測模型,通過模型的內(nèi)部驗證及參數(shù)優(yōu)化得到性能最佳的模型,旨在為PI的分級預(yù)測及早期的分級護理提供參考依據(jù)。

1 資料與方法

1.1資料

1.1.1研究對象 本研究為回顧性研究,收集2020年12月至2022年12月157例在重慶市某三級甲等醫(yī)院重癥醫(yī)學(xué)科住院患者的臨床資料。本研究經(jīng)中國人民解放軍陸軍特色醫(yī)學(xué)中心倫理委員會審批通過[醫(yī)研倫審(2020)第188號]。

1.1.2納入標(biāo)準(zhǔn) (1)年齡大于或等于18歲;(2)住院期間發(fā)生過2期及以上PI;(3)入院24 h內(nèi)有HFUS圖像留存。

1.1.3排除標(biāo)準(zhǔn) (1)入院時存在PI;(2)孕婦;(3)HFUS圖像質(zhì)量不佳,難以分辨其特征。

1.2方法

1.2.1樣本量大小 目前,尚無標(biāo)準(zhǔn)的SVM樣本量計算方法,為保證模型的精準(zhǔn)度及穩(wěn)定性參考HYUN等[21]基于功效分析計算最小樣本量的方法。功效分析可在給定置信水平(α)、功效水平(1-β)及效應(yīng)值的情況下計算該統(tǒng)計方法所需的最小樣本量。本研究選取在單因素分析中差異有統(tǒng)計學(xué)意義的變量——年齡、血清清蛋白水平、急性生理和慢性健康狀況Ⅱ評分(APACH-Ⅱ)、血糖水平、體重指數(shù)(BMI)、Braden評分、筋膜不連續(xù)、不均勻低回聲、二便是否失禁和血清總蛋白水平,基于“pwr”包計算各變量在α=0.05、功效水平為90%時所需的最小樣本量,結(jié)果顯示,所需最小樣本量的臨界值為151,即在先驗顯著性水平為0.05、不低于90%的可能性斷言以上變量,在單因素分析中的結(jié)果可信所需的最小樣本量為151,低于157的實際樣本量,因此,本研究納入的樣本量充足。

1.2.2PI分級標(biāo)準(zhǔn) 根據(jù)美國國家壓瘡咨詢委員會2019年更新的指南將PI分為6期[22]:(1)1期患者皮膚變紅,按壓不褪色,但無皮損;(2)2期患者部分皮層受損,通常伴一定的皮損,如水泡等,真皮層也會出現(xiàn)一定的受損;(3)3期患者出現(xiàn)全層皮膚受損,疼痛情況相對較明顯;(4)4期患者出現(xiàn)全層皮膚和組織缺失;(5)不可分期患者為全層皮膚和組織缺失,損傷程度被掩蓋,不能明確判斷分期;(6)深部組織損傷患者持續(xù)加壓不變白,顏色為深紅色、栗色或紫色。

1.2.3調(diào)查工具 在文獻[23-24]回顧基礎(chǔ)上對重癥醫(yī)學(xué)科1名主任醫(yī)師及2名副主任護師進行咨詢后自行設(shè)計ICU患者HFUS PI調(diào)查表,包括4部分、20個指標(biāo):(1)一般資料包括性別、年齡、入院時APACH-Ⅱ、PI分期等;(2)營養(yǎng)相關(guān)指標(biāo)為BMI,以及血清清蛋白、血清前清蛋白、血清總蛋白、血糖水平等;(3)PI風(fēng)險評估工具為Braden量表總分及6個維度得分;(4)HFUS圖像特征為層次結(jié)構(gòu)不清、低回聲病變、筋膜不連續(xù)、不均勻低回聲等。

1.2.4資料收集 參照文獻[25]的方法對研究小組的HFUS圖像特征辨識能力進行培訓(xùn),通過考核的研究者對患者入院24 h內(nèi)采集的HFUS圖片的特征進行辨別,患者入院24 h內(nèi)的一般資料、營養(yǎng)相關(guān)指標(biāo)、PI風(fēng)險評分、住院過程中是否發(fā)生PI通過醫(yī)院電子病歷系統(tǒng)收集。所有的數(shù)據(jù)由2名研究者獨立完成,采用EpiData3.1軟件進行雙人錄入,發(fā)現(xiàn)數(shù)據(jù)不一致后由第3名研究者核查并修改。

2 結(jié) 果

2.1一般資料 157例患者中男125例(79.62%),女32例(20.38%);年齡55(42,69)歲;APACH-Ⅱ 26(20,29)分;PI分級:2期組74例(47.13%),3期組32例(20.38%),4期組51例(32.48%)。

2.2單因素分析 3組患者二便是否失禁、年齡、APACH-Ⅱ、BMI、Braden評分、筋膜不連續(xù)及不均勻低回聲,以及血清清蛋白、血清總蛋白、血糖水平比較,差異均有統(tǒng)計學(xué)意義(P<0.05)。見表1。

表1 單因素分析

2.3分級預(yù)測模型的建立 當(dāng)gamma=0.1、cost=2.2時模型的性能最佳,此時準(zhǔn)確率為95.41%,精確率為94.57%,召回率為93.69%,F1值為94.11%,AUC為0.996。

2.4分級預(yù)測模型的內(nèi)部驗證結(jié)果 驗證組患者在模型中被正確分類39例,包括2期19例,3期7例,4期13例,準(zhǔn)確率為81.25%,精確率為79.70%,召回率為80.30%,F1值為79.90%,AUC為0.939。分級預(yù)測模型對2期PI預(yù)測能力的精確率、召回率、F1值、AUC分別為82.61%、82.61%、82.61%和0.946;對3期PI預(yù)測能力的精確率、召回率、F1值、AUC分別為63.64%、58.33%、60.87%和0.927;對4期PI預(yù)測能力的精確率、召回率、F1值、AUC分別為92.86%、100.00%、96.30%和0.953。見表2、圖1。

圖1 驗證組ICU患者分級預(yù)測模型的多分類受試者工作特征曲線

表2 基于驗證組數(shù)據(jù)模型的性能評估

3 討 論

3.1ICU患者PI分級的影響因素 本研究單因素分析結(jié)果顯示,入院時存在二便失禁、高齡、高APACH-Ⅱ、低BMI、低清蛋白、低蛋白、高血糖、低Braden評分、筋膜不連續(xù)和不均勻低回聲是導(dǎo)致PI分級較高的因素。有研究表明,二便失禁、高齡、低蛋白、高血糖、低Braden評分是PI的獨立危險因素[26]。崔麗麗等[27]研究表明,BMI偏高是骨科俯臥位患者術(shù)中發(fā)生PI的獨立風(fēng)險因素,與本研究結(jié)論相反。本研究經(jīng)多重Wilcoxon檢驗結(jié)果顯示,2、3期PI患者BMI無差異,而二者與4期PI患者BMI比較,差異均有統(tǒng)計學(xué)意義(P<0.05)。既往研究表明,老年慢性阻塞性肺疾病患者入院時營養(yǎng)狀態(tài)與PI分期呈明顯負(fù)相關(guān)[28]。結(jié)合本研究結(jié)果表明,通常情況下肥胖(高BMI)會加重患者的受壓面積及翻身的頻率,導(dǎo)致增加PI發(fā)生的風(fēng)險,但在一定范圍內(nèi)的低BMI會導(dǎo)致營養(yǎng)狀態(tài)差,反而增加PI的發(fā)生風(fēng)險及嚴(yán)重程度。一項回顧性對比研究發(fā)現(xiàn),PI患者入院時APACH-Ⅱ明顯高于未發(fā)生過PI者,差異有統(tǒng)計學(xué)意義(P<0.05)[29]。本研究結(jié)果顯示,3組患者APACH-Ⅱ比較,差異有統(tǒng)計學(xué)意義(P<0.05),表明高APACH-Ⅱ既是發(fā)生PI的危險因素,同時與PI嚴(yán)重程度有關(guān)。

3.2分級預(yù)測模型性能較好 本研究采用準(zhǔn)確率、精確率、召回率、F1值、AUC評估分級預(yù)測模型的預(yù)測性能。準(zhǔn)確率即所有預(yù)測樣本中預(yù)測準(zhǔn)確的占比;精確率體現(xiàn)真正例在預(yù)測為正例的實例中的占比,即真陽性;召回率反映預(yù)測正確的例在正例總體中的比例,評估所有實際正例是否被預(yù)測出來的覆蓋率占比多少,通常精確率和召回率呈負(fù)相關(guān);F1值是精確率和召回率的加權(quán)調(diào)和平均數(shù),準(zhǔn)確率、精確率、召回率、F1值越大表示模型的性能越好[30]。AUC被廣泛用于分類器的量化評估,AUC>0.900提示模型的準(zhǔn)確率較高[31]。本研究構(gòu)建的分級預(yù)測模型的精確率、召回率、F1值、AUC分別為79.70%、80.30%、79.90%、0.939,提示其性能較好?；煜仃嚱Y(jié)果顯示,該模型預(yù)測準(zhǔn)確率為81.25%,表示在驗證組中預(yù)測對象中被該模型正確分類的例數(shù)占總例數(shù)的81.25%,說明模型正確率良好[32]。

3.3基于HFUS和SVM的PI分級預(yù)測模型對臨床的意義和價值 HFUS在PI風(fēng)險預(yù)測模型的研究中具有廣泛的應(yīng)用,在PI分級預(yù)測模型中的性能尚有待于進一步揭示。本研究結(jié)果顯示,超聲特征顯示為筋膜不連續(xù)和不均勻低回聲為2期PI向3、4期PI發(fā)展的危險因素,提示筋膜不連續(xù)和不均勻低回聲是PI惡化的可量化指標(biāo),將其作為參數(shù)納入基于機器學(xué)習(xí)的PI分期預(yù)測模型中內(nèi)部驗證的預(yù)測準(zhǔn)確率達到81.25%,總模型的AUC為0.939,高于傳統(tǒng)的機器學(xué)習(xí)算法,表明HFUS聯(lián)合機器學(xué)習(xí)算法能更精準(zhǔn)地預(yù)測ICU患者在住院期間發(fā)生PI的分期情況。此外將分級預(yù)測模型與電子病歷系統(tǒng)相結(jié)合能更精準(zhǔn)、及時地發(fā)現(xiàn)有PI惡化傾向的高危人群,避免傳統(tǒng)PI評估耗時長、主觀性強等缺點,減少臨床護士工作壓力,提高工作效率。

綜上所述,基于HFUS的影像學(xué)特征和臨床結(jié)構(gòu)化數(shù)據(jù)、采用SVM算法構(gòu)建ICU患者PI分級模型,通過五折交叉驗證法進行模型參數(shù)優(yōu)化,最終模型在內(nèi)部驗證中表現(xiàn)出良好的性能和準(zhǔn)確率,可為臨床醫(yī)護人員制訂ICU患者預(yù)防PI的分級護理干預(yù)方案提供參考依據(jù)。