使用混合深度学习的手术室5分钟术中低血压短期事件预测(STEP-OP):回顾性观察研究和模型开发

介绍

术中低血压可引起急性肾损伤、心肌损伤和死亡[1，2]。研究人员发现了手术期间低血压与器官功能障碍之间存在因果关系的证据[3.]。因此，在手术中减少低血压的频率和持续时间可以预防不良的术后结果。术中低血压定义为术中平均动脉压<65 mmHg。低血压的实时预测可以帮助麻醉医生在手术中更早地发现和干预，从而获得更好的预后。在手术中，麻醉师解释血流动力学参数，并立即使用心脏活性药物和液体复苏治疗低血压。然而，通过持续的术中强化监测，很难预测低血压的发生。

研究人员利用各种统计方法、机器学习和深度学习技术来预测低血压[4-6]。特别是，低血压预测指数(HPI)被用作基于手术室(OR)高保真动脉波形数据的现成产品[4]。HPI使用Flotrac算法对动脉波形进行预处理，并提取特征用于逻辑回归模型。

手术室中多种生物信号的实时自动数据采集促进了各种深度学习技术的实施，以预测术中事件。例如，基于有创动脉波形的卷积神经网络(CNN)在术中低血压预测方面取得了显著的效果[6]和冲程体积估算[7]。用于时间序列预测的递归神经网络(RNN)已成功预测院内心脏骤停和呼吸衰竭[8，9]由于生物信号的时变特性[9，10]。

CNN由卷积层和池化层组成;卷积层对输入数据进行过滤，生成特征图，表明输入数据中检测到的特征的位置和强度，池化层通过总结特征图斑块中特征的存在情况来对特征图进行下采样[11]。相比之下，rnn被设计为处理顺序输入，如语言或时间相关信号。RNN每次处理一个输入序列，在隐藏状态向量中保留信息。具体来说，长短期记忆(LSTM)网络使用特殊的隐藏单元，充当门控泄漏神经元，从而长时间记住输入。已知LSTM网络比传统的rnn更有效[11]。cnn和rnn都可以处理信号数据，因此适用于分析生物信号。CNN专注于信号中的特定模式，而RNN处理信号序列中的时间信息。

在各种医疗应用方面，逻辑回归模型已经被深度学习模型超越，包括院内心脏骤停预测[9主动脉瓣钙化预测[12]和中风预测[13]。

在这项研究中，我们提出了一种基于加权平均的个体神经网络集成的手术室短期事件预测(STEP-OP)低血压预测系统，该系统利用了非心脏手术中记录的生物信号。为此，我们对18813例患者的动脉波形进行了自主选择、分割和标记，并建立了基于实时记录系统大数据的深度学习模型。

方法

概述

STEP-OP基于VitalDB的大数据，在术中低血压发生前5分钟进行预测[14电子健康记录和术中生物信号储存库。记录由自动记录时间同步生理数据的软件VitalRecorder收集，包括动脉波形和心电图数据[15]。

STEP-OP的流程包括(i)患者选择，(ii)自动分割生物信号和数据清洗的数据构建，(iii)自动标记，(iv)构建预测模型(图1）.下面描述了每个过程的细节。

‎ 查看此图

主题的选择

我们选择了2016年8月至2019年12月在韩国首尔首尔国立大学医院进行的非心脏手术中记录动脉波形的所有患者。本研究共纳入21321例患者，建立术中低血压预测模型。该研究已获得首尔国立大学医院机构审查委员会批准(H-2008-175-1152)，并在ClinicalTrials.gov上注册(NCT02914444)。

数据建设

动脉波形记录在100或500赫兹，并被下采样到100赫兹。每个60秒的片段与5分钟前的20秒片段配对观察。

为了检测动脉波形中的假影，我们根据以下标准排除了明显超出生理范围的波形:(1)缺失值的节段，(2)血压超过200 mmHg或低于20 mmHg的节段，(3)最大和最小压力值低于20 mmHg的节段，(4)相邻值之间的差异超过30 mmHg(压力梯度超过3000 mmHg/秒)。符合上述任何标准的20或60秒动脉波形片段被排除在数据集之外。对提取的波形段不做任何修改。

在21321例患者中，2508例患者因未能按照标准进行数据清理而被排除在研究之外。总的来说，数据分割过程从18,813名患者中产生了2,041,805个片段。患者被随机分为70/30个训练组和验证组。此外，13,178例患者数据中的1,428,553个片段用于算法开发，5635例患者数据中的613,252个片段用于内部验证(图2）.

‎ 查看此图

数据标签

STEP-OP根据20秒动脉波形在发病前5分钟预测低血压。首先，我们将2s级低血压定义为动脉压在65 mmHg以下持续2秒的移动平均值，将2s级低血压持续至少60秒定义为术中低血压事件。因此，在事件发生前5分钟的20秒动脉波形片段被选中并标记为“阳性实例”。如果2秒移动平均线维持在75 mmHg以上至少60秒，则认为是非低血压事件。选取发病前5分钟的20秒片段并标记为“阴性”。

算法开发

我们从CNN和RNN的两个不同的深度学习层开发了一个集成平均模型。多个神经网络的组合可以在提供泛化优势的同时优于单个网络[16]。异构深度神经网络，特别是cnn和rnn的组合在各种应用中表现出了更好的性能[17，18]。图3描述了STEP-OP模型的数据预处理和神经网络集成平均模型的构建过程。该CNN由一维卷积、批归一化、池化和全连接层组成，用于输入缩放后的20秒动脉压(长度为2000的数组)。RNN由三个堆叠的双向LSTM网络组成，用于输入30×100张量，该张量来自缩放后的20秒动脉波形(长度为2000的阵列)。为了预处理动脉波形，使用峰值检测算法将该阵列切割成单个心动周期，并将每个周期内插到长度为100的阵列中。因此，每个心脏周期代表一个时间步长。如果20秒片段有多于或少于30个时间步(心跳周期)，则分别用零向量预截断或预加(图3）.

模型构建的最后阶段计算集合平均预测值，P（α）=Pα_RNN+ (1 -α）P_{美国有线电视新闻网}，在哪里α是一个权重因子，和P_RNN和P_{美国有线电视新闻网}分别为RNN和CNN的输出预测值。我们推导出α通过评估的精确召回曲线下面积(AUPRC)P（α)在10%的训练数据上。最后，在验证集上对集成平均的性能进行了评估α来源于10%的训练数据。

‎ 查看此图

我们使用Pytorch深度学习框架[19]， AdamW优化器β₁= 0.9,β₂=0.99，学习率设为10的损失函数的二值交叉熵⁴。为了防止模型偏向多数类，对负数据点和正数据点分别使用权重为1和20的损失。我们通过在90%的训练数据上训练深度学习模型来选择最优的超参数，并在剩下的10%上选择表现最好的模型。

我们通过将该模型与基于20秒动脉波形的12个特征的特征集的逻辑回归模型(表1）.

我们在提取特征后进行了鲁棒缩放，如x_我' = x_我q_我，₂/问_我3- - - - - -问_我，1,在那里x_我，x_我′,问_我,我的值我特征，缩放后的值我特征，和j的四分位数我特征，分别。

使用scikit-learn实现五重交叉验证的逻辑回归模型[20.]。

不平衡数据集的预测模型根据性能指标AUPRC、接收者工作特征曲线下面积、精度和灵敏度(召回率)进行评估，因为负数据点的数量明显超过正数据点[21，22]。在灵敏度分别为0.6、0.7和0.8的阈值处评估精度。对于性能评估，我们使用bootstrap方法来估计95% CI，随机重新采样50%的数据集1000次。

结果

所提出的方法帮助我们选择了18813例患者进行研究。患者平均年龄58.5岁(SD 15.3)。该组患者中约49.3%为男性。训练队列(n=13,178)有1,373,378个阴性片段和55,175个阳性片段(总共476,184分钟)。验证队列(n=5635)出现587,413个阴性片段和25,839个阳性片段(共204,417分钟)。表2比较训练组和验证组的人口学特征。

表3总结了从动脉波形段中提取的12个特征的统计结果。

图4给出了STEP-OP中集成权值的配置以及STEP-OP和其他方法的相应性能。图4A表示最优权值α_马克斯，使AUPRC值最大化。时AUPRC达到最大值α是0.65。因此，我们评估了总体平均值P_加快= 0.65×P_RNN+ 0.35×P_{美国有线电视新闻网}在验证集上。

图4B说明了预测模型相对于AUPRC的性能。使用原始波形作为输入的深度学习算法(CNN, RNN)比逻辑回归算法获得了更高的AUPRC分数。STEP-OP获得了最好的性能，其AUPRC高于CNN或RNN算法(见表4）.

‎ 查看此图

图5图中显示了一个验证队列患者的STEP-OP预测值和动脉压。动脉压表示波形的2秒移动平均值。逐渐下降后，患者的动脉压稳定在75 mmHg左右。然后血压突然下降，导致第14分钟出现低血压事件。STEP-OP预测评分从7分钟开始一直高于0.6，并从9分钟(即低血压事件发生前5分钟)开始增加。在低血压事件发生前2分钟，STEP-OP预测值达到0.8以上的峰值。

‎ 查看此图

讨论

利用大数据的医疗人工智能系统

在这项回顾性观察性研究中，我们开发了深度学习和机器学习算法，利用来自手术室自动记录系统的大数据存储库，在发病前5分钟预测术中低血压事件。处理大数据为医学研究带来了一些方法上的挑战和机遇[23]。我们根据目标疾病的专家知识标准对大量生物信号进行自动数据分割、清洗和标记技术。通过定义低血压事件和伪影，我们在不手动标记研究数据的情况下提取了几个数据点。这对于构建基于大医疗数据的人工智能系统至关重要。

与以往工作的比较

这项研究扩展了先前在HPI上的工作，使用相同的高保真20秒动脉波形输入。HPI是目前唯一用于预测术中低血压的算法[24]。它基于逻辑回归，并使用从20秒动脉波形中获得的工程特征作为输入[4]。其他研究人员试图使用机器或深度学习技术预测诱导后低血压[5，25]。然而，传统的机器学习技术需要人工从原始数据中提取特征，因为它们缺乏处理原始数据的能力[11]。因此，HPI需要单独的预处理算法(例如，flow -trac, CO-Trek)来计算和处理来自波形的各种特征[4]。相比之下，深度学习可以自动从数据中学习判别特征[11]。本研究中使用的CNN和RNN算法需要的唯一预处理方法是缩放和切片。

深度学习算法可以检测到动脉波形的细微变化，从而预测动脉压的突然下降。当以特征表示时，这些变化很可能被掩盖或减少。如图所示表3，使用原始波形数据的CNN和RNN模型优于使用计算特征的逻辑回归模型。

最后，CNN和RNN的集合平均值比每个深度学习模型更准确地预测低血压。在本研究中，LSTM和CNN输出集合的最优权值分别为0.65和0.35。这表明混合模型STEP-OP比单一深度学习模型或逻辑回归模型更能预测术中低血压。

限制

这种方法有一些局限性。首先，我们随意定义了低血压(低血压事件的2秒移动平均血压低于65 mmHg，非低血压事件的2秒移动平均血压超过75 mmHg)。必须进行前瞻性研究，以观察这些标准对算法性能的影响。其次，虽然使用了一个相对较大的(N>10,000)患者数据队列，但它是从单个数据库中检索的。未来的研究将包括对不同人口分布和环境的外部验证。最后，必须根据STEP-OP预测值确定临床医生的阈值和相应的反应，以便在手术室中实际使用。需要在实际临床实践中进行前瞻性研究来解决这些局限性。

结论

我们利用大数据库开发了STEP-OP，并构建了术中短期低血压预测模型。深度学习模型的加权平均值在预测低血压方面表现最好。所提出的算法只使用20秒动脉波形，不需要单独的特征计算。因此，它们可以很容易地在有可能进行侵入性血压监测的情况下实现，并且可以在这些情况下取代HPI算法。提出的解决方案可以扩展和实际应用于手术室或重症监护病房的不良事件的实时预测。这反过来又有望改善临床结果并减轻医务人员的负担。