中华急诊医学杂志  2022, Vol. 31 Issue (8): 1116-1120   DOI: 10.3760/cma.j.issn.1671-0282.2022.08.017
基于深度学习的全身麻醉患者围术期非计划低体温预测模型的构建与应用
项海燕1 , 黄立峰1 , 钱维明1 , 朱锋杰2 , 张浩1 , 陆张力1     
1. 浙江大学医学院附属第二医院护理部,杭州 310009;
2. 浙江大学医学院附属第二医院临床医学工程部,杭州 310009
摘要: 目的 构建全身麻醉患者围术期非计划低体温预测模型并应用于临床,验证其性能。方法 纳入2016年1月至2020年9月浙江省某三级甲等医院19 068例手术患者数据,运用基于深度学习的人工智能技术构建模型,采用受试者操作特征曲线下面积和决策曲线检验模型的预测效果。于2020年10月至2021年3月纳入2157例手术患者对模型的预测准确率进行检验。结果 建模组的手术患者中低体温发生率为13.89%(2 649/19 068),验证组手术患者低体温发生率为14.18%(306/2 157),预测模型的受试者操作特征曲线下面积为0.724(95% CI:0.707~0.741),灵敏度为0.516,特异度为0.823,截断值为0.175,实际应用的准确率为79.54%。结论 本研究模型能够稳定的预测全身麻醉患者围术期非计划低体温的发生率,可为临床预防围术期非计划低体温提供参考。
关键词: 深度学习    人工智能    反向传播算法    手术    低体温    预测模型    麻醉    麻醉复苏    
Construction and application of inadvertent perioperative hypothermia prediction model for patients under general anesthesia based on deep learning
Xiang Haiyan1 , Huang Lifeng1 , Qian Weiming1 , Zhu Fengjie2 , Zhang Hao1 , Lu Zhangli1     
1. Nursing Department, the Second Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou 310009, China;
2. Clinical Medical Engineering Departmentthe Second Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou 310009, China
Abstract: Objective To construct a prediction model of inadvertent perioperative hypothermia in patients under general anesthesia, and to apply to clinic to verify its performance. Methods The data of 19 068 surgical patients in a Grade Ⅲ Class A hospital in Zhejiang Province from January 2016 to September 2020 were included. The model was constructed by using artificial intelligence technology based on deep learning, and the prediction effect of the model was tested by using the area under the subject operating characteristic curve and decision curve. Totally 2 157 surgical patients were included from October 2020 to March 2021 to test the prediction accuracy of the model. Results The incidence of hypothermia was 13.89% (2 649/19 068) in the modeling group and 14.18% (306/2 157) in the validation group. The area under the subject operating characteristic curve of the prediction model was 0.724 (95% CI: 0.707-0.741), the sensitivity was 0.516, the specificity was 0.823, the cut-off value was 0.175, and the accuracy of practical application was 79.54%. Conclusions This model can stably predict the incidence of perioperative inadvertent hypothermia in patients under general anesthesia, and provide reference for clinical prevention of inadvertent perioperative hypothermia.
Key words: Deep learning    Artificial intelligence    Back propagation    Operation    Hypothermia    Prediction model    Anaesthesia    Anesthetic resuscitation    

围术期非计划低体温(inadvertent/unplanned perioperative hypothermia,IPH),指围手术期内发生的非计划性的体温下降,核心温度低于36℃,但不包括治疗性或计划性的低体温[1]。IPH可增加手术患者围术期各类并发症的发生率,如心肌缺血、切口感染、凝血功能障碍、寒战等,是影响手术患者安全的因素之一[2-3]。IPH主要发生在手术过程中和麻醉复苏环节,科学的评估和合理的提前干预对于预防IPH十分重要。目前,已报道关于手术患者的低体温风险预测模型,主要针对某类特定手术或患者[4]、单纯的术中[5]或麻醉复苏期[6]等,普适性不高,且对于围术期患者复杂情况的判断存在不足。基于深度学习的人工智能技术[7],能更好地反映数据的本质特征。本研究采用深度学习方法——反向传播算法(back propagation,BP)技术构建全身麻醉患者IPH预测模型,旨在提供一种普适性较好、覆盖面较大的预测模型的思路,降低全身麻醉患者IPH的发生率,为临床实践提供参考。

1 资料与方法 1.1 一般资料

回顾性收集2016年1月至2020年9月浙江大学医学院附属第二医院近5年的全身麻醉手术患者相关数据。纳入标准:①手术患者基础代谢正常,术前体温在36.5℃~37.5℃之间;②手术采用全身麻醉或全身麻醉+神经阻滞麻醉,进行气管插管或喉罩通气;③手术中、麻醉复苏过程中有体温监测。排除标准:①因手术需要术中实施低体温的患者(如体外循环手术);②围术期体温监测不全的患者;③术前进行主动加温干预的患者。剔除标准:①数据记录明显异常(因医护人员输入错误等引起,不符合人类临床特征)的患者;②基础数据不全的患者(如身高、体重等);③其他不合符建模要求的个别病例。本研究经过医院伦理委员会审核。总计纳入107 386例患者资料,经过后期数据筛选(基于剔除标准),有19 068例符合建模要求。

1.2 研究方法 1.2.1 体温监测和数据提取标准

所在医院关于手术患者的体温监测标准:病房和麻醉复苏室都使用红外线体温检测仪测量患者体温,病房每天下午2点(术前体温正常)或送手术室前测量,复苏室在患者入室、离室和体温异常时(发现低体温进行加温后每10~15 min测量1次)测量;手术室使用鼻咽温监测仪测量患者体温,即全身麻醉后使用温敏探头插入患者健侧鼻咽部,深度为鼻翼至同侧下颌角长度,每5 min自动测量并记录患者体温至手术结束,数据保存于电子病历系统内。体温数据提取标准:统一从医院电子病历系统数据库提取所有相关数据,记患者在病房术前最近3次体温的平均值(少于3次体温记录的,取2次的均值)作为基础体温(T0),取手术过程中连续体温监测的最低体温值为T1,麻醉复苏时测量的最低体温值为T2,比较T1和T2,记较低值为此患者围术期体温的最低值T3。将T3作为判定手术患者是否发生IPH的标准,标记T3<36.0℃的患者为低体温患者,其余标记为体温正常患者。

1.2.2 筛选IPH低体温风险因素作为建模变量

采用文献分析法筛选IPH相关的因素,结合医院数据库现有数据种类,确定建模变量。包括手术患者年龄、身高、性别、美国麻醉协会ASA评分、体重指数BMI、基础体温T0、术前血压(收缩压和舒张压)、脉搏(心率)、手术时长、麻醉时长、复苏总时间(进出麻醉复苏室时间差)、拔管时长(进入复苏室到气管插管拔除的时间)、术中尿量、出血量、输液量、总入量(包括输液和输血)、术前最近一次血红蛋白值HGB、围术期最低体温T3、手术体位等约20个风险因素。对于文献中提到手术相关低体温的其他风险因素[4-5],如剖宫产手术中的体液丢失量、腔镜手术中的不同手术类型、烧伤患者烧伤面积大小等,本研究将此类某器官、某类别手术专有的风险因素称为特异度因素。它们不是所有全身麻醉手术都具备的风险因素,较之前20个风险因素相比不具有普遍性,纳入建模后会使得模型结构和分类过度复杂,变量过多且名目繁琐而失去实用价值。因此,为了保证模型的普适性和使用简便,本研究建模未纳入特异度因素。

1.2.3 资料收集方法

本研究方案经过医院伦理委员会审核通过(2020伦审研第219号),由于是回顾性数据研究,免患者的知情同意。通过医院IT部门按研究要求统一从电子病历系统导出相关数据,包括患者的一般情况(性别、年龄、身高、体重、BMI、收缩压、舒张压、脉搏、术前HGB),手术相关指标(手术时间、麻醉时间、出血量、输液量、总入量、术中尿量、手术体位),麻醉复苏相关指标(复苏总时间、拔管时长)以及围术期的体温数据。

1.2.4 建模方式

依据人工智能深度学习建模要求,将19 068例数据随机分成训练集和测试集两部分,其中训练集约占70%,13 349例;测试集约占30%,5 719例。训练集数据构建多层神经网络模型,模型包括输入层、隐藏层和输出层;测试集对模型进行测试并修正。其中,隐藏层有节点数量为16和8的2层网络层组成(设置多种隐藏层大小,通过参数对比,最后得到16, 8的效果最好)。

1.3 统计学方法

使用Excel 2016双人核对、录入数据,采用R版本4.0.2和R包[8]进行数据分析,神经网络模型采用H2O包实现。计量资料以均数±标准差(x±s)表示,计数资料采用例、百分比进行描述;利用χ2检验比较分类变量分布之间的差异,利用成组t检验比较连续变量均值之间的差异。以P < 0.05为差异具有统计学意义。使用受试者操作特征曲线(receiver operating characteristic curve,ROC)分析预测模型的临界值,ROC曲线下面积(area under curve,AUC)评价模型的预测效度,使用决策曲线评价预测模型的实用性。

2 结果 2.1 研究对象的基本情况

共纳入符合研究要求的病例19 068例,其中男10 274例(53.88%),女8 794例(46.12%),年龄4~84岁(57.61±14.22岁)。其中,发生IPH(T3<36.0℃)的2 649例(13.89%),未发生IPH(T3≥36.0℃)的16 419例(86.11%)。其他指标数据见表 1

表 1 IPH患者和正常患者的基线特征比较 Table 1 Comparison of baseline characteristics between IPH patients and normal patients
因子水平 正常体温组 低温组 P
例数(n) 16 419 2 649
年龄(x±s) 56.59±14.92 60.37±14.54 < 0.001
性别(%)
  男 8927(54.4) 1347(50.8) 0.001
  女 7492(45.6) 1302(49.2)
ASA(%)
  Ⅰ 461(2.8) 54(2.0) 0.031
  Ⅱ 14791(90.1) 2380(89.8)
  ≥Ⅲ 1167(7.1) 215(8.1)
体重(x±s) 63.01±11.53 58.56±10.19 < 0.001
身高(x±s) 164.30±8.08 163.25±7.83 < 0.001
术前体温(x±s) 36.90±0.40 36.85±0.39 < 0.001
收缩压(x±s) 131.50±22.60 130.63±30.17 0.081
舒张压(x±s) 78.65±11.28 77.46±10.92 < 0.001
脉搏(x±s) 79.80±12.59 77.50±12.10 < 0.001
尿量(x±s) 329.66±261.23 344.82±266.12 0.006
出血量(x±s) 92.99±136.11 93.68±162.74 0.814
输液量(x±s) 2117.11±654.96 2160.24±638.05 0.002
总入量(x±s) 1494.27±675.33 1493.74±646.17 0.970
手术时间(x±s) 148.95±85.89 145.22±73.31 0.034
麻醉时间(x±s) 183.58±87.89 181.02±76.31 0.157
复苏时间(x±s) 85.46±37.74 98.28±36.90 < 0.001
麻醉苏醒时间(x±s) 40.39±65.60 51.21±54.96 < 0.001
BMI(x±s) 23.25±3.43 21.91±3.13 < 0.001
HGB(x±s) 130.11±20.82 128.99±18.66 0.009
手术体位(%)
  侧卧位 3591 (21.9) 862 (32.5) < 0.001
  俯卧位 989 (6.0) 127 (4.8)
  截石位 1891 (11.5) 330 (12.5)
  平卧位 9948 (60.6) 1330 (50.2)
2.2 建模过程中训练集和验证集的患者资料

预测模型的训练集和测试集患者,在各个建模变量的比较上,差异无统计学意义(P>0.05),即符合随机分组的要求,基线资料一致。见表 2

表 2 训练集和测试集患者的基线特征比较 Table 2 Comparison of baseline characteristics of patients in training set and test set
因子水平 训练集 测试集 P
数量 13 349 5 719
年龄(x±s) 57.02±15.01 57.35±14.72 0.158
性别(%)
  男 7170 (53.7) 3104 (54.3) 0.484
  女 6179 (46.3) 2615 (45.7)
ASA(%)
  Ⅰ 365 (2.7) 150 (2.6) 0.515
  Ⅱ 12040 (90.2) 5131 (89.7)
  ≥Ⅲ 944 (7.1) 438 (7.7)
体重(x±s) 62.33±11.52 62.54±11.30 0.227
身高(x±s) 164.16±8.12 164.15±7.90 0.920
术前体温(x±s) 36.89±0.40 36.90±0.39 0.870
收缩压(x±s) 131.30±23.49 131.56±24.51 0.496
舒张压(x±s) 78.42±11.20 78.63±11.30 0.238
脉搏(x±s) 79.47±12.50 79.50±12.64 0.862
尿量(x±s) 329.41±258.41 337.27±270.00 0.058
出血量(x±s) 92.93±142.11 93.45±135.34 0.814
输液量(x±s) 2124.50±658.43 2119.84±639.48 0.652
总入量(x±s) 1495.01±677.34 1492.30±657.16 0.799
手术时间(x±s) 148.50±84.76 148.26±83.11 0.858
麻醉时间(x±s) 183.27±86.89 183.10±85.19 0.900
复苏时间(x±s) 87.31±38.90 87.08±35.41 0.710
麻醉苏醒时间(x±s) 42.03±65.85 41.57±60.66 0.648
BMI(x±s) 23.04±3.43 23.13±3.39 0.073
HGB(x±s) 129.93 ±20.61 130.01±20.37 0.799
手术体位(%)
  侧卧位 3137 (23.5) 1316 (23.0) 0.074
  俯卧位 814 (6.1) 302 (5.3)
  截石位 1566 (11.7) 655 (11.5)
  平卧位 7832 (58.7) 3446 (60.3)
2.3 全身麻醉患者围术期非计划低体温预测模型中变量重要性分析及函数表达

预测模型中主要变量的重要性分析结果见附图1。ASA分级、复苏时间、麻醉苏醒时间、手术体位、麻醉时间、手术时间等因素对于预测是否发生IPH的意义较大。基于知识蒸馏方法[9],将建模结果迁移到逻辑回归模型中,得到关于全身麻醉患者IPH预测模型的函数表达式。低温风险=-0.345+(0.183×年龄)+(-0.389×sex=女)+(-0.155×ASA)+(-0.564×体重)+(0.069×身高)+(-0.085×体温)+(-0.116×脉搏)+(0.004×尿量)+(0.095×出血量)+(0.241×输液量)+(-0.223×总入量)+(-0.095×手术时间)+(0.030×麻醉时间)+(0.203×复苏时间)+(0.032×麻醉苏醒时间)+(-0.062×HGB)+(-0.249×手术体位)+(-0.082×收缩压)+(0.023×舒张压)。

2.4 全身麻醉患者围术期非计划低体温预测模型的性能分析 2.4.1 全身麻醉患者IPH预测模型预测效果分析

采用训练集ROC曲线验证全身麻醉患者IPH预测模型的灵敏度和特异度,计算约登指数最大值为此训练集即预测模型的最佳临界值。最终得到AUC为0.724(95% CI:0.707~0.741),灵敏度为0.516,特异度为0.823,截断值为0.175。见附图2。

2.4.2 全身麻醉患者IPH预测模型决策曲线分析

绘制预测模型的决策曲线,见附图3,模型的决策曲线在两条决策曲线的右上方,其临床实用性优于随机方案,能为临床预测提供更加准确的结果。

2.5 临床应用效果检验

通过电子病历系统,对2020年10月至2021年3月符合入选标准的2 157例患者的相关数据运用该模型进行检验。其中,男1 143例(53%),女1 014例(47%);年龄9~80(56.87±10.23)岁。预测结果为实际发生IPH的306例患者中被预测模型预测发生IPH的187例,实际体温正常1 851例患者中被预测正常的1430例。此模型预测准确率(187+1 430)/2 157=74.97%。见表 3

表 3 运用模型预测IPH发生的效果评价 Table 3 Effect evaluation of predicting the occurrence of IPH with model
组别 发生IPH组 体温正常组
预测发生IPH 187 421
预测体温正常 122 1430
总计 309 1851
3 讨论

全身麻醉手术患者发生IPH,不仅影响其凝血功能,导致围手术期失血量增加,也会增加心血管事件发生的风险,而且会抑制免疫功能,引发术后感染,甚至出现更严重的不良结局[10]。虽然预防手术患者发生低体温已经逐渐被越来越多临床护士所重视,但目前主要集中于术中不同保暖措施的比较,或者单个手术种类、特定手术患者或某个治疗阶段的风险评估。例如,Yi等[11]在2017年报告了全麻手术患者术中低体温预测因子评分方程,只适用于成年人的术中低体温预测,并不能预测麻醉复苏阶段的IPH风险。全身麻醉患者IPH预测模型的建立,能够将医护人员的视角从干预患者低体温方式的选择上,聚焦于科学的评估和有目的、有计划的预防IPH。它能够改变医护人员经验主义的思维模式,帮助低年资临床护士准确预判手术患者发生IPH的风险,提前进行干预措施,降低全身麻醉患者发生IPH的风险,提高工作效率。

已有多项研究可以证实[5, 12-13],BMI相对较大的患者不容易发生低体温,与本研究结果一致。体重指数较大的患者通常脂肪或肌肉比较多,肌肉组织较多的患者代谢快产热多;而脂肪组织能够减少热量散失,有助于患者体温的保持。所以,临床上对于体重较轻、身材较瘦弱的手术患者,需要护士更加重视低体温的防护,采取有效的保温措施。

手术时间和复苏时间相对较长的患者更容易发生IPH。从临床经验和研究结果[5-6]可以发现,手术患者的体温在没有保温措施干预下,通常随着手术时间的延长逐渐降低。因此,护士在术前评估时就需要着重关注预期手术时间较长的每一个患者,做好预防措施。麻醉复苏室护士能依据同类患者的平均复苏时间预测某类手术患者术后发生IPH的风险,提前做好保温措施。

临床上,常见的手术体位主要包括平卧位、俯卧位、截石位和侧卧位等,一般认为除平卧位以外的都算特殊手术体位。从本研究结果的图 1可发现,侧卧位(0.797)、俯卧位(0.696)、截石位(0.626)在预测模型中的重要性较大,与文献报道的结果一致[5],即手术中采取以上体位的患者易发生IPH,需要手术室护士在术前做好每个患者的预防措施。

ASA评分,美国麻醉师协会(ASA)根据患者体质状况和对手术危险性进行分类的评价系统。多项研究表明[4-6, 11, 13],ASA评分较高的手术患者发生低体温的风险较大,与表 1P<0.05)、图1(ASAⅠ=0.374、ASAⅡ=0.554、ASAⅢ=1、ASAⅣ=0.491)显示的统计结果一致。因此,手术室护士在术前评估患者时,对于ASA评分分数较高的患者需要主动采取保温措施,预防IPH。

手术失血是导致手术患者体温丢失的原因之一[4-5, 11]。术中失血较多的患者,其血容量减少,代谢变慢甚至休克,会大大降低机体产热和热量的传递能力,导致低体温[14]。因此,对于术前评估出血量较大的患者,应提前做好各类保温措施,减少IPH的发生。

本研究基于深度学习人工智能技术算法建立的预测模型,其AUC值为0.724,实际应用的准确率为74.97%,说明该模型性能比较稳定,预测效果中上水平。由决策曲线检验该模型的适用性,结果表明其性能优于随机方案,且临床使用较安全。同时,本研究的数据较大,远超过已有报道的文献记录[15],无论是手术种类、手术人群和适用范围都较目前已有的模型[4-6, 11]更广泛,具有良好的普适性。

本研究构建的模型具有良好的预测性能,且普适性较好。如2017年,Yi等[11]通过3 132名全身麻醉手术患者构建了术中低体温预测因子评分方程,AUC为0.759,与本研究相近。另外,由于本研究是回顾性数据分析,对于例如手术室温度等风险因素不能纳入研究(不方便记录但又对患者体温有较大影响),而影响预测模型的准确性;为了预测模型的普适性,同时考虑到数据采集的难度,本模型并未就具体病种和不同的手术方式设置特异度风险因素,所以相对一些单病种的低体温预测模型而言[4, 6],预测准确度略低。未来,本研究可以联合多家大型医疗中心,完善数据结构,改善预测模型的建模方案,进一步提高其预测性能。

利益冲突  所有作者声明无利益冲突

作者贡献声明  项海燕、黄立峰:研究设计、论文撰写;朱锋杰、张浩:数据收集及整理、统计学分析;钱维明、陆张力:技术指导、材料整理

本文有附录,可登陆中华急诊网(www.cem.org.cn)浏览本文(Html格式全文)

参考文献
[1] National Institute for Health and Care Excellence. The management of inadvertent perioperative hypothermia in adults[EB/OL]. http://www.nice.org.uk/guidance/cg65.
[2] Bun, Zhao E, Gao Y, et al. Association between perioperative hypothermia and surgical site infection: a mata-analysis[J]. Medicine(Baltimore), 2019, 98(6): e14392. DOI:10.1097/MD.0000000000014392
[3] 李小刚, 张牧. 创伤失血性休克诊治中的低体温管理[J]. 中华急诊医学杂志, 2018, 27(11): 1191-1194. DOI:10.3760/cma.j.issn.1671-0282.2018.11.002
[4] 孔珊珊, 邓露, 申海艳, 等. 剖宫产产妇术中低体温风险预测模型的构建及应用效果研究[J]. 中华护理杂志, 2021, 56(2): 165-171. DOI:10.3761/j.issn.0254-1769.2021.02.001
[5] 史卓颖, 张海伟, 杜祥飞. 全身麻醉患者术中低体温发生预测模型的建立[J]. 护理研究, 2021, 35(2): 246-249. DOI:10.12102/j.issn.1009-6493.2021.02.009
[6] 孔青, 朱薇薇, 潘迎春. 麻醉恢复室低体温发生的危险因素及风险预测模型分析[J]. 护士进修杂志, 2021, 36(6): 563-566. DOI:10.16821/j.cnki.hsjx.2021.06.017
[7] Xingyu ZHU, Nan CHEN, Lunxu LIU, et al. An Overview of the Application of Artificial Neural Networks in Lung Cancer Research[J]. Chin J Lung Cancer, 2019, 22(04): 245-249. DOI:10.3779/j.issn.1009-3419.2019.04.08
[8] R Core Team (2015). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. [EB/oL] https://www.R-project.org/.
[9] Hinton G, Vinyals O, Dean J. Distilling the knowledge in a neural network[J]. 2015, 14(7): 38-39. DOI: 10.4140/TCP.n.2015.249.
[10] Duff J, Walker K, Edward KL, et al. Effect of a thermal care bundle on the prevention, detection and treatment of perioperative inadvertent hypothermia[J]. J Clin Nurs, 2018, 27(5-6): 1239-1249. DOI:10.1111/jocn.14171
[11] Yi J, Zhan L, Lei Y, et al. Establishment and validation of a prediction equation to estimate risk of intraoperative hypother- mia in patients receiving general anesthesia[J]. Scientific Reports, 2017, 7(1114). DOI:10.1038/s41598-017-1997-x
[12] Desgranges F.P., Bapteste L, Riffard C, et al. Predictive Factors of Maternal Hypothermia During Cesarean Delivery: A Prospective Cohort Study[J]. Can J Anesth,, 2017, 64(9): 919-927. DOI:10.1007/s12630-017-0912-2
[13] 熊璨, 高兴莲, 向御婷, 等. 成人手术患者术中低体温影响因素的Meta分析[J]. 护理学报, 2018, 25(2): 48-53. DOI:10.16460/j.issn1008-9969.2018.02.048
[14] 杨旻斐, 王钰炜, 詹玥, 等. 基于指南的加温输液输血策略对严重创伤伴低体温患者复温效果的研究[J]. 中华急诊医学杂志, 2018, 27(5): 492-498. DOI:10.3760/cma.j.issn.1671-0282.2018.05.007
[15] 严露培, 姚丽丽, 李跃荣, 等. 手术患者非计划性术中低体温风险预测模型研究进展[J]. 护理学报, 2021, 28(6): 13-16. DOI:10.16460/j.issn1008-9969.2021.06.013