有监督机器学习对全麻诱导后低血压的预测价值

已证实低血压是围手术期不良结局的独立危险因素。尽管麻醉科医师在全身麻醉诱导期用药谨慎，但是仍然常难以预料低血压的发生。早期识别术中低血压有助于指导实施预防措施，并改善麻醉和手术结局。当前，临床预测低血压发生的方法很少，麻醉诱导后低血压与多种因素相关，如患者自身合并症、手术当日用药等。考虑到上述因素的复杂性，简单的建模技术难以对全麻诱导后低血压的发生风险进行预测。机器学习法是将大量数据整合并具有强大的预测和分析功能，也可避免标准建模技术的诸多缺陷和限制。该技术已大量用于医学各个领域，包括心脏术后患者死亡率预测、肝移植术后患者移植物衰竭诊断等。纽约大学朗格尼医学中心的麻醉科医师团队利用电子病例信息开发出机器学习模型，并探索了该技术在预测全麻诱导后低血压中的价值，该研究结果于2018年8月在线发表于Anesthesiology杂志网站。

背景

低血压是患者围术期不良结局的危险因素。机器学习法利用大量数据开发出具有强大预测能力的模型，本研究旨在需验证机器学习法预测全麻诱导后低血压风险的可靠性。

方法

本研究的所有数据来源于单医疗中心于2015年11月至2016年5月内年龄大于12岁且接受全身麻醉患者的电子病例记录。收集资料包括人口统计学数据、术中药物治疗、术中事件发生的时间、术前合并症、术中生命体征及呼吸机数据、术前治疗药物。本研究的主要结局为全麻诱导后低血压，定义为全麻诱导后10min内平均动脉压＜55mmHg。

为验证已建立模型的内部稳定性，70%数据用于训练机器学习模型，30%数据用于测试，并将模型调整至最佳，使用分组验证评估最终性能（图1）。以操作特征曲线下的面积表示其辨别全麻诱导后低血压的能力。此外，对此模型进行灵敏度分析：以

图1 本研究对数据的分析模型及方法

结果

本研究共纳入13 323例患者，全麻诱导后低血压发生率为8.9%。训练机器学习模型后，其各种学习方法（包括logistic回归、支持向量机、朴素贝叶斯模型、K-近邻算法、线性判别分析法、随机森林法、神经网络算法）预测全麻诱导后低血压的工作特征曲线下面积分别为0.71 (95% CI, 0.70-0.72)、0.63 (95% CI, 0.58-0.60)、0.69 (95% CI, 0.67-0.69)、0.64 (95% CI, 0.63-0.65)、0.72 (95% CI, 0.71-0.73)、0.74 (95% CI, 0.73-0.75)、0.71 (95% CI, 0.69- 0.71)。由于随机梯度增强机器学习算法似乎具有最强大的初始性能，其训练模型工作特征曲线下面积为0.76 (95% CI，0.75-0.77) （图2）。利用以随机梯度增强机器学习算法调整的模型，其曲线下面积为0.74（95%CI，0.72-0.76），其阴性预测率为19%，阳性预测率为96%（图3）。以平均动脉压＜65mmHg为阈值验证，其预测的曲线下面积为0.72（95% CI，0.71-0.72），特异度为65%，敏感性为67%；以使用去氧肾上腺素或麻黄碱治疗定义低血压为阈值验证，其预测的曲线下面积为0.75（95% CI，0.74-0.75），其特异度为63%，敏感性为73%。

图2 机器学习模型中不同学习方法对全麻诱导后低血压预测的敏感度和特异度

图3 以随机梯度增强机器学习算法调整的模型，纳入的患者重要变量。变量的权重是在分类过程中，根据其重要性及特征决定。其重要性越强，在模型中的权重越大

结论

随机梯度增强机器学习算法对全麻诱导后低血压的预测能力加强，表明机器学习模型在麻醉学领域具有一定的临床实践价值，其性能取决于模型选择和适当调整。 

麻海新知的点评

欢迎来到算法时代。在麻醉学、围术期医学和疼痛医学领域，机器学习算法已被用于预测心脏手术后患者的死亡率、外科患者术后脓毒症和急性肾损伤、术后疼痛等方面。但是，将机器学习算法用于预测术中事件的研究较少。对于麻醉诱导后及术中低血压，尽管已有较多文章探讨其危险因素并进行预测，但目前尚无利用电子病例数据进行深度挖掘并予以整合分析。

换言之，如果能够充分利用机器学习的优势，纯粹从数据的角度对全麻诱导后低血压事件的相关因素进行挖掘，既有助于构建性能更佳的预测模型，也有助于麻醉科医师发现常规数据分析和统计方法未能发现的“宝藏”，以利于麻醉科医师及早预测、发现并处理低血压。这也正是机器学习的一大优势。

机器学习的长处是数据处理能力，能将大量不同数据合并纳入到算法中。机器学习或许不懂临床麻醉，但可能比麻醉科医师更懂得深入数据并分析其相关性。目前，大多数的机器学习方法具有高度可扩展性，能够处理各种不同特征和类型的问题。机器学习没有人类的情感，却能部分程度地超越当前人类对数据的理解极限。用原文的话来说，the unbiased nature of machine learning algorithms may allow insight into previously unexplored or unexpected factors that may contribute to a given outcome。

例如，麻醉诱导低血压在临床麻醉中仍是一个常见问题，麻醉科医师可能熟悉患者病情，调整麻醉用药，但诱导后低血压的发生率依然不低。这个问题本身可能就意味着，可能还有麻醉科医师未能客观考量的因素，这些因素在全麻诱导后低血压的发生中具有重要作用。在本研究中，正如图4所示，以随机梯度增强机器学习算法能够识别全麻诱导后低血压相关因素并予以权重，可以发现患者开始麻醉监测后的首次MAP、年龄、BMI十分重要。此外，平均气道压、吸入七氟烷最高浓度、当日手术时间也具有较强的预测价值。

为本研究同期配发的评论，以《当人工智能来到麻醉：临床医师应该知道什么》为题，对机器学习在麻醉领域的应用进行了点评。这篇评论的副标题为“不止是暗黑艺术的黑魔法”。作者将麻醉比喻为暗黑艺术（art of the dark），而机器学习则通过对数据的剖析成为黑魔法（black magic）。机器学习用于构建预测模型时期工作原理入下图所示。

机器学习并非完美无瑕。机器学习需要根据方法和参数来调整，需要庞大的数据，也与训练时间有关，这与常规的if-then的分析方法显著不同。与任何其他预测模型的构建一样，任何给定的机器学习方法可能都无法达到理想状态。在本研究中，支持向量机、朴素贝叶斯模型、K-近邻算法等机器学习算法就比logistic回归的表现差。

总体来看，以机器学习为代表的人工智能，将更多地应用于围术期医学的研究中。一方面，这得益于临床数据的便捷性获取和存储，能够形成足够大的数据集；另一方面，不断更新的机器学习算法也将对数据进行更为充分的挖掘，得出常规思维难以得到的结果。总之，机器学习是帮助麻醉科医师再认识临床麻醉问题的一个工具和手段，应用机器学习所得的结果并最终使围术期患者受益，才是最终目的。

（编译 郭玉 述评 薄禄龙）

原始文献：

麻海新知系列书籍

购买指南

一，关注古麻今醉网公众号 点击医学商城即可购买