2022-7-15
髖部骨折的發病率因人口老齡化逐年上升，幾乎所有髖部骨折患者都需要接受手術治療，而麻醉干預是不可避免的。在術前評估門診中，麻醉師需要對患者進行全面的術前評估，來提高患者護理質量并降低死亡率。而現有的輔助評估工具存在多種問題，要么易于使用但忽略了許多重要參數，要么包含參數全面但醫生工作過于繁瑣。因而，開發一個包含多個參數的自動化術前評估系統迫在眉睫。
近期，發表在BMC Anesthesiology 的一項回顧性研究，旨在開發一種基于機器學習的髖關節修復手術術前風險評估系統，幫助麻醉師預測患者術后出現主要綜合不良事件、術后入住ICU、住院時間延長(PLOS)等相關風險。研究結果表明，基于機器學習算法的AI輔助風險評估系統相比傳統最廣泛使用的ASA-PS風險分層方法更能有效、準確的評估髖關節手術相關風險，且獲得了麻醉師的高滿意度評分。
7種算法進行模型訓練 預測不良結果風險
研究采集了2013年1月1日至2020年3月31日期間在臺灣奇美醫療中心及其2家分院接受髖部骨折手術治療的成年患者數據，對符合納排標準的4448名患者數據進行分析。
研究使用了邏輯回歸、隨機森林、K最近鄰(KNN)、支持向量機(SVM)、光梯度提升機(light GBM)、極端梯度提升(XGBoost)和多層感知深度學習(MLP)7種機器學習算法進行模型訓練，從HIS數據集中選擇22個術前變量（括人口統計學數據、合并癥和主要的術前實驗室數據等）導入7種機器學習算法，其中70%的數據用于訓練，30%的數據用于測試。利用AUROC值最高的最佳模型構建基于Web的風險評估系統，集成到醫院信息系統(HIS)中供臨床使用。研究將術后綜合不良事件（如院內死亡率、急性心肌梗死、腎衰竭、敗血癥等）設定為主要結果，將術后ICU入院、PLOS設定為次要結果。
風險評估系統開發流程圖
主要綜合不良結果預測
邏輯回歸算法模型性能最好，AUROC值為0.794
在對住院死亡率、出院后48小時內死亡率、主要器官損傷等主要綜合不良結果的機器學習模型預測中，邏輯回歸、SVM和lightGBM的敏感性均達到0.710；SVM具有最高的特異性，為0.716，其次是KNN，為0.711。除KNN外，所有模型都展示了較高AUROC值，介于 XGBoost的0.734(95% CI:0.636~0.831)到邏輯回歸的最高值0.794(95% CI:0.718~0.869)之間。
7種算法模型預測主要綜合不良結果的性能情況
術后入住ICU預測
邏輯回歸算法模型性能最好，AUROC值為0.856
在對ICU入院的模型預測中，MLP和邏輯回歸算法模型的敏感性最高，分別為0.812、0.792。此外，邏輯回歸、lightGBM和隨機森林具有最高的特異性和準確性，特異性分別為0.791、0.769、0.760；準確性分別為0.760、0.769、0.791。除了KNN和SVM，所有模型的AUROC值都在XGBoost的0.825(95% CI: 0.772~0.878)到邏輯回歸的最高值0.856(95% CI:0.804~0.908)之間。
7種算法模型預測術后入住ICU的性能情況
住院時間延長(PLOS)預測
隨機森林算法模型性能最好，AUROC值為0.854
在對PLOS的模型預中，隨機森林和lightGB與其他算法模型相比具有更高的敏感性和特異性，敏感性分別為0.783、0.767，特異性分別為0.783、0.774。此外，隨機森林算法模型的預測性能最好，AUROC值為0.854(95% CI:0.818~0.890）。
7種算法模型預測PLOS的性能情況
AI術前風險評估系統預測性能
顯著高于傳統使用的ASA-PS系統
基于以上算法模型預測性能的分析結果，使用以邏輯回歸算法模型開發的AI術前風險評估系統分析主要綜合不良結果和術后入住ICU，使用以隨機森林算法模型開發的系統分析PLOS，并與廣泛使用的ASA-PS系統預測性能進行比較。
結果表明，基于機器學習算法的AI術前風險評估系統較ASA-PS系統，在主要結果和次要結果的預測上都有顯著更高的靈敏度、特異性、準確性和預測性能(AUROC)。例如在主要綜合不良結果和術后入住ICU方面，邏輯回歸開發的AI評估系統的AUROC評分分別為0.794、0.856，而基于ASA-PS系統的則分別為0.629、0.692。
AI術前評估系統與ASA-PS系統
在主要結果和次要結果方面預測性能的比較
此外，研究還對2020年7月至2021年4月麻醉醫師使用機器學習算法開發的AI系統的滿意度進行了評分統計，通過數據了解到，滿意度得分從使用第一個月的3.21±0.51分上升到第10個月的4.70±0.56分，且應用啟動后第4個月開始得分顯著升高(P?< 0.01)。
最后研究者總結，髖關節修復手術術前風險評估系統比傳統的ASA-PS分層方法能更有效、更準確地評估與髖關節手術相關的風險。同時，根據研究結果也指出，盡管麻醉醫師已經肯定了AI術前風險評估系統的在線應用，但沒有觀察到對降低不良結局、ICU入院率和PLOS的發生率有顯著影響，因而，需要更長的觀察時間和更多的患者群體來證明它的有效性。
參考文獻：Li, YY., Wang, JJ., Huang, SH. et al. Implementation of a machine learning application in preoperative risk assessment for hip repair surgery. BMC Anesthesiol 22, 116 (2022).
成為我們的
合作伙伴
