当前位置： AI资讯 > 内文

基于AI的“精准武器” 可更有效评估髋关节修复手术术前风险

2022-7-15 关键词： VTE智能防治

髋部骨折的发病率因人口老龄化逐年上升，几乎所有髋部骨折患者都需要接受手术治疗，而麻醉干预是不可避免的。在术前评估门诊中，麻醉师需要对患者进行全面的术前评估，来提高患者护理质量并降低死亡率。而现有的辅助评估工具存在多种问题，要么易于使用但忽略了许多重要参数，要么包含参数全面但医生工作过于繁琐。因而，开发一个包含多个参数的自动化术前评估系统迫在眉睫。

近期，发表在BMC Anesthesiology 的一项回顾性研究，旨在开发一种基于机器学习的髋关节修复手术术前风险评估系统，帮助麻醉师预测患者术后出现主要综合不良事件、术后入住ICU、住院时间延长(PLOS)等相关风险。研究结果表明，基于机器学习算法的AI辅助风险评估系统相比传统最广泛使用的ASA-PS风险分层方法更能有效、准确的评估髋关节手术相关风险，且获得了麻醉师的高满意度评分。

7种算法进行模型训练 预测不良结果风险

研究采集了2013年1月1日至2020年3月31日期间在台湾奇美医疗中心及其2家分院接受髋部骨折手术治疗的成年患者数据，对符合纳排标准的4448名患者数据进行分析。

研究使用了逻辑回归、随机森林、K最近邻(KNN)、支持向量机(SVM)、光梯度提升机(light GBM)、极端梯度提升(XGBoost)和多层感知深度学习(MLP)7种机器学习算法进行模型训练，从HIS数据集中选择22个术前变量（括人口统计学数据、合并症和主要的术前实验室数据等）导入7种机器学习算法，其中70%的数据用于训练，30%的数据用于测试。利用AUROC值最高的最佳模型构建基于Web的风险评估系统，集成到医院信息系统(HIS)中供临床使用。研究将术后综合不良事件（如院内死亡率、急性心肌梗死、肾衰竭、败血症等）设定为主要结果，将术后ICU入院、PLOS设定为次要结果。

风险评估系统开发流程图 

主要综合不良结果预测

逻辑回归算法模型性能最好，AUROC值为0.794

在对住院死亡率、出院后48小时内死亡率、主要器官损伤等主要综合不良结果的机器学习模型预测中，逻辑回归、SVM和lightGBM的敏感性均达到0.710；SVM具有最高的特异性，为0.716，其次是KNN，为0.711。除KNN外，所有模型都展示了较高AUROC值，介于 XGBoost的0.734(95% CI:0.636~0.831)到逻辑回归的最高值0.794(95% CI:0.718~0.869)之间。

7种算法模型预测主要综合不良结果的性能情况

术后入住ICU预测

逻辑回归算法模型性能最好，AUROC值为0.856

在对ICU入院的模型预测中，MLP和逻辑回归算法模型的敏感性最高，分别为0.812、0.792。此外，逻辑回归、lightGBM和随机森林具有最高的特异性和准确性，特异性分别为0.791、0.769、0.760；准确性分别为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)到逻辑回归的最高值0.856(95% CI:0.804~0.908)之间。

7种算法模型预测术后入住ICU的性能情况

住院时间延长(PLOS)预测

随机森林算法模型性能最好，AUROC值为0.854

在对PLOS的模型预中，随机森林和lightGB与其他算法模型相比具有更高的敏感性和特异性，敏感性分别为0.783、0.767，特异性分别为0.783、0.774。此外，随机森林算法模型的预测性能最好，AUROC值为0.854(95% CI:0.818~0.890）。

7种算法模型预测PLOS的性能情况

AI术前风险评估系统预测性能

显著高于传统使用的ASA-PS系统

基于以上算法模型预测性能的分析结果，使用以逻辑回归算法模型开发的AI术前风险评估系统分析主要综合不良结果和术后入住ICU，使用以随机森林算法模型开发的系统分析PLOS，并与广泛使用的ASA-PS系统预测性能进行比较。

结果表明，基于机器学习算法的AI术前风险评估系统较ASA-PS系统，在主要结果和次要结果的预测上都有显著更高的灵敏度、特异性、准确性和预测性能(AUROC)。例如在主要综合不良结果和术后入住ICU方面，逻辑回归开发的AI评估系统的AUROC评分分别为0.794、0.856，而基于ASA-PS系统的则分别为0.629、0.692。

AI术前评估系统与ASA-PS系统

在主要结果和次要结果方面预测性能的比较

此外，研究还对2020年7月至2021年4月麻醉医师使用机器学习算法开发的AI系统的满意度进行了评分统计，通过数据了解到，满意度得分从使用第一个月的3.21±0.51分上升到第10个月的4.70±0.56分，且应用启动后第4个月开始得分显着升高(P < 0.01)。

最后研究者总结，髋关节修复手术术前风险评估系统比传统的ASA-PS分层方法能更有效、更准确地评估与髋关节手术相关的风险。同时，根据研究结果也指出，尽管麻醉医师已经肯定了AI术前风险评估系统的在线应用，但没有观察到对降低不良结局、ICU入院率和PLOS的发生率有显著影响，因而，需要更长的观察时间和更多的患者群体来证明它的有效性。

参考文献：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).