首页
快讯
关注
资讯
- 健康
- 科技
- 热点
- 视频
- 产业
- 政策
- 护理
- 投资
- 医改
- 养老
- 疫情
- 人物
- 医保
- 疾病
- 管理
- English
- 临床
- 心血管
- 肿瘤
- 内分泌
- 妇儿
- 感染
专题
专区
知识

欢迎登录体验更多功能

搜索

创伤性脑损伤后机械通气患者住院死亡率的预测：机器学习方法

2021

11/26

古麻今醉

A-

A+

本研究结果表明，与接受静脉血栓栓塞（VTE）预防患者相比，未接受VTE预防的TBI 患者死亡率增加。

摘要

本研究旨在引入一种机器学习（machine learning，ML）模型预测中重度创伤性脑损伤（traumatic brain injury, TBI）后机械通气（mechanical ventilation, MV）患者的住院死亡率，研究回顾性分析了2014 年 1 月至 2019 年 2 月创伤中心住院的所有TBI成年患者，其TBI严重程度简化评分（abbreviated injury severity score, HAIS）≥ 3，利用人口统计学特征、损伤程度和CT 作为预测因素，使用逻辑回归（logistic regression，LR）和人工神经网络（artificial neural networks，ANN）预测住院死亡率，并通过准确度、受试者操作特征曲线下面积（area under the receiver operating characteristics curve，AUROC）、精度、阴性预测值（NPV）、敏感性、特异性和 F 评分比较模型性能。研究共纳入785 例患者（581例生存，204例死亡），LR和ANN两种模型都具有良好的预测性能，准确率均>80%，AUROC >87 %。但当纳入其他性能指标时，LR整体性能高于ANN，其准确率和AUROC分别为87%和90.5%，而ANN准确率和AUROC为80.9%和87.5 %。静脉血栓预防、使用简短损伤评分监测TBI严重程度、TBI诊断、输血需求、转入急诊时患者心率和年龄是TBI-MV患者住院死亡率的重要预测因素。因此，本研究提示基于机器学习的LR对TBI-MV患者预后具有良好预测性能，有助于未来将机器学习方法整合至创伤病历系统中，以提供即时的临床决策支持。

关键词：

创伤性脑损伤，机器学习预测模型，机械通气，死亡率

背景

全球每年预计有超过7000万人发生TBI，具有高死亡率及永久致残性。众所周知，TBI的死亡率与其严重程度和患者年龄呈高度相关。严重 TBI 患者是常需机械通气支持（MV）。MV是目前重症监护病房常见的干预措施，自 1950 年代首次使用以来，已挽救了无数生命，但接受 MV 患者发生并发症与死亡比率均高。因此，对于TBI 后早期住院死亡率的预测至关重要，尽早预测可能有助于指导临床医生及时启动适当的诊断和干预措施，为患者家属提供更有利的指导，但预测疾病预后有赖于合理预后模型的开发，模型常需足够大的样本，并达到高度的内部和外部有效性，以便在特定研究背景之外推广。

格拉斯哥昏迷评分（glasgow-coma scale，GCS）被广泛用于指导临床医生的治疗与疾病预后预测，但GCS 易受到各种因素影响如酒精中毒，对预测模型的准确性产生负面影响。因此，预后预测模型设计时需考虑多种危险因素，如年龄、损伤特征、GCS 等以提高模型性能。在既往开发的预后模型中，仅少数满足样本量和有效性要求，且均不是专为预测 TBI- MV 患者死亡率预测而设计。如创伤损伤严重程度评分（trauma injury severity score, TRISS）主要用于评估有无 TBI 或 MV 的住院创伤患者的生存率和预后，而国际 TBI 临床试验预后分析任务（IMPACT）、马歇尔量表、赫尔辛基 CT 评分、严重颅脑损伤后皮质类固醇随机分组（corticosteroid randomization after significant head injury, CRASH），鹿特丹CT评分（Rotterdam CT）评分均为预测成人TBI 患者死亡率的预后模型，而并不仅限于接受 MV 治疗的中重度 TBI 患者。

既往旨在帮助临床医生预测TBI预后的各种预测模型，如 Jacobs等提出的预测中重度 TBI 结局模型，通过使用患者人口统计特征、脑CT 扫描结果和其他临床数据（如生命体征、瞳孔反应和 GCS 评分）作为自变量，结果表明年龄、瞳孔反应、GCS 评分和受伤后低血压及 CT 扫描结果是 TBI 预后的重要预测因素。近年来，人们对机器学习技术的兴趣显著提升，采用机器学习方法预测工具比使用经典多元技术的预测工具更强大。Senders 等系统地回顾了30 篇利用机器学习方法预测 TBI 后死亡率和其他神经学结果的研究，结果表明基于机器学习的预测模型优于使用传统分析技术的经典预测工具。此外，已研究表明在某些情况下机器学习模型的性能优于或至少类似于现场专家。因此，本研究旨在引入基于机器学习的预后模型，帮助临床医生预测中重度TBI后接受MV成年患者的住院死亡率。

方法

本研究对 2014 年 1 月至 2019 年 2 月期间在创伤中心住院的所有TBI成年患者进行回顾性分析，纳入标准为头部区域损伤严重程度简化评分（HAIS）≥ 3。创伤中心属于哈马德医疗公司网络，而该网络是一个政府非营利医疗机构，研究符合跨行业数据挖掘标准流程（CRISP-DM），明确数据挖掘项目的六个流程包括：业务和数据理解、数据准备、建模、评估和部署（图 1）。

图1. 研究方法概述

业务和数据理解

本研究搜索了既往被用于作为预测因子的相关变量，使用头部区域的简化损伤评分（HAIS）用于确定TBI 的严重程度。HAIS 3和4被认为是中度TBI，而 HAIS 5 被认为是重度 TBI。此外，样本中的许多患者合并多系统损伤。因此，排除身体其他部位受严重创伤的12名患者，以确保主要关注的损伤为 TBI，并将这12 名患者后来纳入二次分析，以检测预测模型的严谨性，验证纳入是否会显著影响模型性能。12例患者中，5 例严重腹部损伤、1 例死亡、3 例严重胸部损伤、1 例严重脊柱损伤、3 例四肢损伤。

数据准备

这项研究获得 HMC 医学研究中心的机构审查委员会批准，研究对象是哈马德综合医院创伤中心因中重度创伤性脑损伤住院并接受机械通气治疗的成年患者（N=823）。由于缺失数据对模型性能的显著影响，采用多种方法处理缺失数据，如消除不完整记录或采用某些插补方法，最终共785 例符合分析条件的患者纳入本研究。

结果变量

住院死亡率变量为二元变量（0=生存率，1=死亡率）。出院或转移到其他医疗机构的患者被认为是存活组。

预测模型

本研究的目的是开发机器学习模型以帮助临床医生预测中重度 TBI 后接受 MV 治疗的住院死亡率。两种有监督的机器学习技术（LR 和 ANN）被用于帮助检测并实现更加的预测性能，使用 SPSS modeler 18.1 构建模型并进行分析。数据共分为三组；培训集 60%，验证集 20%，测试集 20%。

逻辑回归（LR）

LR 是预测二进制、二项式或多项式结果的经典技术，通常描述二分类变量和一组预测变量之间的关系，预测变量可以是数值变量或分类/虚拟变量。LR 能够通过将数据拟合到 S 形逻辑曲线来预测事件发生的概率；LR 使用数值截止值（0.5），>0.5 分类为1（1=成功），其余的分类为0（0=失败）。因此，LR是预测接受MV 治疗TBI患者死亡率的合适方法，并利用双向逐步LR来控制混杂变量效应。

人工神经网络（ANN）

尽管学者们认为ANN是一类黑箱机器学习工具，但其已获得广泛使用，在解决分类和模式识别问题方面具有显著优势。现已明确的是ANN 能够支持循证医学，具有辅助临床决策的强大能力。本研究中ANN是一类标准的前馈、反向传播多层感知（multi-layer perception, MLP）神经网络。该 MLP神经网络由三层组成：具有研究预测因子的输入层，隐藏层和输出层。我们选择使用MLP 设计人工神经网络，因在初始评估期间，其表现优于径向基函数（RBF），其准确度和 AUROC 分别为80.9%和 87.5%，而径向基函数分别为 77.9%和 79.5%。数据按顺序划分为训练集和测试集以优化模型的性能；相比于LR，需警惕ANN易出现过度拟合。与ANN相比，LR 更易于解释和识别重要预测因子，这两种方法的识别和预测性能一般都很好，很难确定一种方法优于另一种方法。尽管大多数研究比较两种方法的性能，其中一种方法的性能优于另一种方法，但总体性能相似。

结果

本研究中共纳入 785 名患者，其中 204 名（26%）在住院期间死亡。队列的平均年龄为 33 岁，其中死亡组平均年龄为 36.9 岁。机动车碰撞（37.5%）是最常见的伤害类型，其次是高空坠落（25.4%）。CT最常见的表现为硬膜下出血（29%）和硬膜外出血（21%）。近三分之一的病例有中线移位（33.6%）。

机器学习模型的性能

表 1 显示了模型在测试数据分区中的性能，包含准确度、AUROC、精密度、阴性预测值、敏感性、特异性和 F 评分。总体而言，LR 比 ANN 具有更好的性能，AUROC 为 90.5%，准确率为87%。二级分析：通过添加 12 份先前排除的 TBI患者的记录，进一步验证模型的严谨性。通过添加12 例患者病例记录后，二级模型的预测性能没有显著变化，产生预测集相似，AUROC 略降至90.4%、准确度 86.4%、精密度 77%、阴性预测值 88%、敏感性 62%，特异性 94%、F 评分 69%，为模型的稳定性提供了一个很好的指标。

表1.LR和ANN的预测性能

院内死亡风险因素

LR 模型确定 6 个预测因素包括：静脉血栓（ venous thromboembolism, VTE）预防、HAIS、TBI 诊断/CT 发现、复苏期需要输血、入急诊时心率和年龄为中重度 TBI-MV患者住院死亡率的独立危险因素（表2）。其中VTE 预防治疗在预测重要性（0.37）中排名第一，其次是头部损伤的严重程度。图2.为 LR预测模型中相关预测因子的重要性程度。

表2. TBI-MV患者住院死亡率的独立危险因素

图2. LR预测模型中相关预测因子的重要性程度

本研究中通过ANN利用 24 个预测因子预测住院死亡率，准确率为 80.9%，AUROC 准确率为87.5%，损伤严重程度评分在预测重要性中排名第一（0.12）。图3.为ANN预测模型中相关预测因子的重要性程度。

图3. ANN预测模型中相关预测因子的重要性程度

结论

本研究结果表明，与接受静脉血栓栓塞（VTE）预防患者相比，未接受VTE预防的TBI 患者死亡率增加。未接受 VTE 预防的患者与接受 VTE 预防患者死亡率分别为67% VS. 13.9%。既往研究显示TBI 和 VTE 之间具有显著相关性，因此，早期给予 VTE 预防能够改善 TBI 患者预后，降低凝血相关死亡风险。此外，我们观察到患有严重 TBI（根据AIS测量）的患者更有可能不接受VTE预防（HAIS 评分为3的比率为17.4%与HAIS评分为 5的29.4%），这与Nathens等的结论一致，其结果表明医生对严重 TBI 患者进行VTE 预防过于保守。我们进一步评估 TBI 诊断与 VTE 预防之间是否存在相关性，结果显示具有显著关联（X²=13.49；P<0.05）。与硬膜下出血、硬膜外出血、蛛网膜下腔出血、脑挫伤和弥漫性轴索损伤患者相比（24.6%、22.6%、20.9%、21.4%和 20%），脑水肿患者更可能不接受 VTE 预防（34.5%），不过研究同样提示VTE 预防与死亡率之间并不呈因果关系，而与损伤的严重程度相关。

除外VTE预防外使用简短损伤评分监测TBI严重程度、TBI诊断、输血需求、转入急诊时患者的心率和年龄是MV创伤性脑损伤患者均被识别TBI预后的预测因子，应引起临床医生的警惕，并尽可能及早干预。

既往研究多集中于预测TBI患者的死亡率，但很少有文献旨在利用机器学习技术预测TBI-MV的住院死亡率。因此，本研究表明LR在预测中重度TBI-MV患者的住院死亡率方面比ANN表现更佳。

述评：

既往已有较多的研究利用人工智能（artificial intelligence，AI）预测患者生存率，识别与死亡风险相关的高危因素，具体到脑外伤这一可能导致严重预后不良与高致死致残率的疾病，Rau 等利用年龄、性别、GCS、生命体征、合并症等设计机器学习模型预测中重度 TBI 后死亡率，比较不同AI模型性能，结果显示ANN 效果最佳，AUROC 为 96.8 %，准确性为 92%，敏感性为 84.4%，特异性为92.8%。而本研究旨在引入一种机器学习模型，预测中重度TBI- MV患者的死亡率，结果表明基于机器学习的LR对TBI-MV患者预后具有良好的预测性能；而VTE预防、使用简短损伤评分监测TBI严重程度、TBI诊断、输血需求、转入急诊时患者的心率和年龄是TBI-MV患者死亡率的重要预测因素，有助于未来将机器学习方法整合到创伤病历系统中，以提供即时的临床决策支持。不过该研究同样具有一定的局限性，如采用的是样本量仍较小的回顾性分析数据，此外该研究仅仅比较了LR及ANN模型的预测性能，因此未来仍有待于样本量的进一步扩大等措施以进一步提升预测性能，以在辅助临床决策中发挥更大价值。

编译：房铭；述评：罗猛强

原文链接：

Abujaber A, Fadlalla A, Gammoh D, et al. Prediction of in-hospital mortality in patients on mechanical ventilation post traumatic brain injury: machine learning approach. BMC Med Inform Decis Mak. 2020 Dec 14;20(1):336.

声明：古麻今醉公众号为舒医汇旗下，古麻今醉公众号所发表内容之知识产权为舒医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。