可预测术中低血压的深度学习模型

原创 张震宇 山中麻署

背 景

BACKGROUND

术中低血压与患者不良结局相关，包括术后急性肾损伤、心肌梗死、长期患病结局和死亡。风险因素包括男性、高龄、ASA分级Ⅳ级、急诊手术和诱导前低血压，但目前有关术中低血压的定义尚未有通用标准。

迁延的低血压状态与术后不良结局相关。前人已发表研究表明，短期内发生低血压事件，仍然与术后并发症的风险增高相关。尽管人们已知诱导术中低血压发生的风险因素，但并不能降低其发生率或持续时间。近期，有关于预测低血压发生的实时预测模型已通过分析患者监测参数得以发展，然而现有临床研究却对于相关预测模型的应用是否能优化患者最终结局存在相互矛盾的结论。

已发表的研究中多使用动脉血压波形特征作为单一的数据源，本研究中作者还收集了与血流动力学相关心电图、呼吸模式、光电容积图参数等。本研究假设，通过分析血流动力学相关的多种生物信号源比仅分析单一动脉血压波形信号源能更好地预测术中低血压。

方 法

METHODS

数据源

本研究为回顾性观察性研究，数据集包含了从VitalDB数据库 （http://vitaldb.net/data-bank）获得的生物信号波形，囊括了从2016年6月至2017年8月共6388名在首尔国立大学医院经历了非心脏手术的患者的数据（图1a）。

受试者

本研究仅使用术中监测的动脉压力波形、心电图（Ⅱ导联），光电容积图和二氧化碳波形数据，以提升研究的普适性。以上四种生物波形信息均有的患者才予以入组，患者被随机分为三组：① 用于开发模型的训练数据集（60%）② 用于协调参数的验证数据集（10%）③ 用于评价模型表现的测试数据集（30%）。

数据质控

VitalDB数据库拥有完全开放的权限，其数据能够被研究人员使用和验证。从获批的患者监护仪上可以提取和记录动脉压力和其他生物信号。研究人员通过对比动脉压力波形记录计算得来的血压值和直接从监护仪上提取出的血压值，进行数据质量自检，以保障数据质量可信度。

数据准备

将数据库的原始波形以100Hz频率进行再取样，使用波峰检测算法将单个心搏循环从动脉压力波形中提取出来。为去除干扰和伪差，任何心搏循环中过慢、过快或无法检测的部分都被排除。

低血压事件对应的节段为低血压状态超过1min时的节段，长度不限。用于低血压事件预测输入段为每次事件发生前5，10和15min的30s节段。相反，非低血压事件为非低血压状态持续20min以上的节段，长度不限。预测事件输入段为非低血压事件中第5、10和15min的30s节段。为平衡数据集分类，在一个非低血压节段中至多选择两段输入信号。

模型构建

深度学习中，复杂分层的代表是以多个抽象的水平从输入的数据学习而来的。开发和验证的模型用于执行分类和回归任务（图1a）。通过分析现有的生物信号波形，分类模型作为二进制分选器，区分开发生在5，10，15min后的低血压或非低血压事件。低血压事件定义为低血压（MAP≤65mmHg）持续1min以上，而非低血压事件定义为非低血压状态（MAP＞65mmHg）稳定维持20min以上。回归模型的主要任务为，在5，10和15分钟后将MAP作为一个连续值进行评价。

有创模型将动脉血压波形作为输入信号（图1b），而无创模型不包含这一信号。有创模型里包含了两个模型：只使用动脉压力波形作为单一输入信号的模型和多通道模型，后者使用动脉压力波形、心电图，光电容积图和二氧化碳波形信号。同样，无创模型里也有两个模型：只使用光电容积图作为单一输入信号的模型和多通道模型，后者使用除了动脉压以外的其他信号。

无创模型由于缺少动脉压力波形信号而被认为预测精准度更低。因此，研究人员开发了一个混合模型，将单一时间点的SBP和DBP数据作为附加信号源输入（图1b）。这一模型基于执行分类任务的logistic回归模型和执行回归任务的线性回归模型，并通过对无创多通道模型和从动脉压力波形计算来的单一时间点的SBP和DBP数据（动脉压力波形本身没有用作输入信号）进行计算，从而分析得出最终的输出结果。

结局评估

主要结局：分类模型对应的接收者操作特征曲线下面积（AUROC）和回归模型对应的MAE。

次要结局：灵敏度、特异度，阳性预测值和阴性预测值，并带有如下的截断点：（i）预测未来发生低血压事件灵敏度达90%时作为一个截断点。（ii）使用约登指数计算得到最佳截断点。组内相关系数从观察到的和回归模型预估到的MAP中计算得来。

数据分析

描述性数据用于描述患者特征并适当地表达为算术平均数（标准差）或绝对数值（比例）。研究人群的特征是基于有创多通道模型AUROC中位值的实验来呈现的。所有的数据以点估计的方法描述并带有95%的置信区间。不确定性计算自16个重复的实验，其数据集使用伪随机数生成器进行了单个拆散。Python（3.7.0版本）和R语言（3.6.3版本）用于信号预处理、模型的开发和验证，可视化以及数据分析。P＜0.05被认为是有统计学意义。

灵敏度分析

在研究初始数据分析中，定义低血压事件为MAP＜65mmHg。但考虑到重症病人或更高龄的病人的生理特征，研究人员还进行了定义MAP＜55mmHg为低血压事件时的灵敏度分析。其他的设定与初始分析中相同。

结 果

RESULTS

受试者和数据集

本研究最终纳入3301名患者（图1a），其中1980名患者（60%）归于训练数据集，330名患者（10%）分至验证数据集以及991名患者（30%）归至测试数据集。低血压和非低血压事件中患者特征，临床特点以及数据集的构成总结见补充表1 (https://doi.org/10.1016/j.bja.2020.12.035)。

▲ 图 1

分类模型

分类模型的接收者操作特征曲线（ROC）详见图2a。对于有创模型而言，相较只使用动脉压力波形的模型，在5，10和15min预测方面，有着所有四种波形的多通道模型有着更好的AUROC表现但却没有统计学意义。对于无创模型而言，使用四种波形的多通道模型在5，10和15min预测方面的表现明显优于只使用光电容积图的模型。兼具灵敏度和特异性的最佳操作阈值的其他性能指标和高灵敏度的阈值详见表1。

▲ 图 2

▲ 表 1

回归模型

表2和图3总结了回归模型的MAE和其他性能指标。对于有创模型，多通道模型对比只使用动脉压力波形的模型有着明显更小的MAE。对于无创模型，多通道模型对比只使用光电容积图的模型有着明显更小的MAE。图2b显示了回归模型的ROC，该曲线基于对估测的MAP运用多种阈值所进行的二分法分类：低血压或非低血压。回归模型的AUROC比分类模型的略小。而对于有创和无创模型而言，像分类模型这样的多通道模型对比单通道模型始终有更好的表现。

▲ 表 2

▲ 图 3

混合模型

研究人员预测使用动脉压力波形的有创模型比无创模型表现出色。因此，研究人员使用无创模型联合从没有连续动脉压力的监测中获得的参数，研究其性能的提升（图1b）。在决定5，10和15min低血压事件方面，混合模型明显比无创多通道模型在执行分类任务（参考AUROC；表1和图2）和回归任务（参考MAE；表2）上表现出色，但却依旧劣于有创模型。

模型可视化和释义

补充表S2展示了对于血流动力学不稳定手术患者的模型运行情况。每次低血压事件发生前15min可观察到输出结果的激增，在事件发生期间依然可以保持大量的输出结果。而这一表现却未能持续15min。这一差异可能由于采取了旨在稳定血压的干预措施（例如输注血管活性药）。尽管输出结果分布在各个模型均有所不同，警报激活模式却趋于相似，输出值高于其操作阈值。

图4显示的是使用Grad-CAM制作的灵敏度映射图，目的在于可视化在低血压事件中用来决策的波形区域。在有创多通道模型中（图4a），尽管动脉压力波形是主要的预测信息源，模型同样检测到利于更好预测的其他信号的变化（例如呼吸模式改变，每搏变异度和心电图杂音）。这些变化指导决策的重要性在无创模型中则更为明显（4b）。

▲ 图 4

灵敏度分析

对定义为MAP＜55mmHg的低血压事件进行了模型灵敏度分析。数据集的构成和表现的性能指标总结在了补充表2。由于低血压的严格定义，低血压事件和非低血压事件分类中存在着显著的不平衡。然而，相比较初始分析，分类模型的AUROC和回归模型的MAE表现却出极微小的差异。

总 结

CONCLUSION

这项研究表明，使用常规有创或无创监测中的生物信号构建的深度学习模型能够预测5，10和15min后的低血压事件。在不同的患者和各种手术类型中，该预测模型均发挥出色。当联合多种信号时，可进一步提升其预测能力。然而，在受试者筛选，数据源处理以及实际使用等方面仍存在不足和局限。但是不可否认，该预测模型的出现能够在一定程度上帮助麻醉医生提前预知、提前准备，以降低术中低血压及不良预后的风险。

原始文献：

Lee, S., Lee, H.C., Chu, Y.S., Song, S.W., Ahn, G.J., Lee, H., Yang, S., and Koh, S.B. (2021). Deep learning models for the prediction of intraoperative hypotension. Br J Anaesth 126, 808-817.

编 译：张震宇

排 版：蒋 明

校 审：方 芳

缪长虹

原标题：《文献精读 | 可预测术中低血压的深度学习模型》

阅读原文