CN113362954A - 一种老年患者术后感染并发症风险预警模型及其建立方法 - Google Patents
一种老年患者术后感染并发症风险预警模型及其建立方法 Download PDFInfo
- Publication number
- CN113362954A CN113362954A CN202110552264.8A CN202110552264A CN113362954A CN 113362954 A CN113362954 A CN 113362954A CN 202110552264 A CN202110552264 A CN 202110552264A CN 113362954 A CN113362954 A CN 113362954A
- Authority
- CN
- China
- Prior art keywords
- postoperative infection
- early warning
- risk
- warning model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010067268 Post procedural infection Diseases 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 208000015181 infectious disease Diseases 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 13
- 208000029078 coronary artery disease Diseases 0.000 claims description 11
- 208000035965 Postoperative Complications Diseases 0.000 claims description 10
- 206010039897 Sedation Diseases 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000002690 local anesthesia Methods 0.000 claims description 9
- 230000036280 sedation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000002980 postoperative effect Effects 0.000 claims description 6
- 230000008733 trauma Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 206010002091 Anaesthesia Diseases 0.000 claims description 3
- 230000037005 anaesthesia Effects 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 2
- 238000009533 lab test Methods 0.000 claims 1
- 238000001356 surgical procedure Methods 0.000 description 26
- 230000000747 cardiac effect Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000002674 endoscopic surgery Methods 0.000 description 6
- 238000007675 cardiac surgery Methods 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002485 urinary effect Effects 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000002847 Surgical Wound Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 102000001690 Factor VIII Human genes 0.000 description 1
- 108010054218 Factor VIII Proteins 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010058046 Post procedural complication Diseases 0.000 description 1
- 208000036758 Postinfectious cerebellitis Diseases 0.000 description 1
- 241000287433 Turdus Species 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000002695 general anesthesia Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000036737 immune function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 238000002693 spinal anesthesia Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012108 two-stage analysis Methods 0.000 description 1
- 210000001635 urinary tract Anatomy 0.000 description 1
- 208000019206 urinary tract infection Diseases 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种老年患者术后感染并发症风险预警模型及其建立方法，属于机器学习应用领域。所述预警模型的建立方法包括以下步骤：(1)采集若干例老年患者的围手术期资料，利用逆概率加权方法分析得出与术后感染并发症相关的危险因素，作为特征变量，获得数据集；(2)利用数据集对人工神经网络模型进行机器学习，得到老年患者术后感染并发症风险预警模型。本发明首次针对围手术期的老年患者这一群体提供了发生术后感染并发症风险预警模型，能够提前对术后感染事件做出预警，实现老年患者围手术期感染的治疗窗口前移。
Description
技术领域
本发明涉及机器学习应用领域，具体涉及一种老年患者术后感染并发症风险预警模型及其建立方法。
背景技术
围手术期感染是外科手术老年患者最为常见的一种并发症，并且有随着年龄增长而升高的趋势。老年患者由于生理和身体机能衰退、基础疾病多、免疫功能下降、临床症状不典型等原因促使其围手术期感染的发生率和病死率明显高于年轻患者，且多为院内获得性致病菌、耐药菌，严重威胁老年手术患者的转归与远期预后。如何做好术后感染的预防和诊治，将风险降到最低，是提高老年患者手术成功率的关键，在临床上越来越引起重视。
临床医生往往根据既往的临床经验和一些早期临床表现预判老年患者手术后可能出现的临床事件并加以预防。麻醉及外科医生在围手术期术前准备、术中和术后干预过程中，缺乏更加适合老年人群的、可行性高的集束化感染干预策略。目前临床尚缺乏针对老年患者围手术期感染特征的早期预警模型，导致老年患者围手术期感染的临床治疗十分棘手，错过治疗的最佳时间窗。因此，需建立适宜老年患者围手术期感染的预警模型，实现早期干预和精准治疗，实现老年患者围手术期感染的治疗窗口前移，从而达到提高感染治愈率和改善预后的目的。
一些传统的统计学方法包括多因素回归等，提供了一些与手术后临床事件相关的危险因素。值得注意的是，传统的统计学方法存在局限性，尤其在预测大样本患者手术后的临床事件上，其预测效果并不能令人满意。目前现行的感染风险预测因素和方法是针对独立器官进行评估，缺乏对老年患者整体生命健康状态和围手术期资料的综合评估。
近年来，随着互联网人工智能的发展和计算机网络的进步,机器学习的方法受到研究者们的广泛关注。Jing Tang等用人工神经网络这种机器学习的方法较好的预测了帕金森患者的预后；Naibo Wang等发现人工神经网络模型与支持向量机和最近邻居法相比，在筛查和诊断阿尔资海默病时，准确性和诊断效率更高。
因此，采用大样本、多中心、广覆盖的大数据分析我国老年患者术后感染的各项危险因素，探索新的感染风险评估方法，进一步建立适合于老年患者的术后感染预警模型，及时有效的采取防控措施，是目前老年医学迫切需要解决的问题。
发明内容
本发明的目的在于提供一种适合于老年患者的术后感染预警模型，提前对术后感染事件做出预警，为临床医生预防老年患者围手术期感染并发症提供参考意见。
为实现上述目的，本发明采用如下技术方案：
一种老年患者术后感染并发症风险预警模型的建立方法，包括以下步骤：
(1)采集若干例老年患者的围手术期资料，利用逆概率加权方法分析得出与术后感染并发症相关的危险因素，作为特征变量，获得数据集；
(2)利用数据集对人工神经网络模型进行机器学习，得到老年患者术后感染并发症风险预警模型。
所述老年患者为年龄≥60岁的进行择期手术的患者。
构建模型时，采用大样本量、多中心、广覆盖的大数据分析，保障预警模型预测的准确性。
所述围手术期资料包括患者术前-术中-术后的各项临床指标、术后并发症和预后。进一步的，所述围手术期资料包括：(1)患者的一般资料，包括：年龄，性别，ASA分级，吸烟；(2)患者的既往病史，包括：冠心病、充血性心衰、糖尿病、肝硬化、已转移的恶性肿瘤、中风、COPD/哮喘；(3)患者术前实验室检查项目，包括：血红蛋白，外周血白细胞，血钠，血清肌酐；(4)患者手术资料，包括：麻醉方式(全身麻醉、脊麻、硬膜外、镇静/局麻)，手术类别(骨科、妇产、泌尿、上消化道、下消化道、肝胆、血管、乳腺、头颈、整形/皮肤科、心脏和胸科手术)，手术严重程度(轻度、中度和重度)，腔镜手术，肿瘤手术，手术安全核查表，术后即刻送重症监护室(Intensive care unit,ICU)；(5)患者术后并发症，包括：感染并发症(浅表切口感染、深度切口感染、体腔感染、肺炎、泌尿道感染和血行感染)。
步骤(1)中，对采集的围手术期资料进行分析，筛选出与术后感染相关的影响因素，具体的，应用逆概率加权方法分析影响术后感染的独立危险因素。
进一步的，利用逆概率加权方法分析之前，先利用单因素logistic回归分析与术后感染并发症相关的潜在危险因素。
通过上述方法分析，确定影响术后感染的独立危险因素后，危险因素作为特征变量，对应的是否出现术后感染作为目标变量，获得用于构建预测模型的数据集。
进一步的，作为特征变量的危险因素包括：是否性别男、是否ASA分级II、是否ASA分级III、是否ASA分级IV、是否有冠心病史、是否有其他基础疾病、是否行泌尿系统和肾脏相关手术、是否行头颈部手术、是否行心脏相关手术、是否行其他外科手术、是否镇静/局部麻醉、是否行腔镜手术、是否手术创伤中度、是否手术创伤重度。
步骤(2)中，将独立危险因素作为模型输入层，是否出现术后感染作为输出层，进行机器学习，从而构建出预测模型。
进一步的，数据集按3:1随机划分成训练集和检验集。训练集用于拟合潜在的神经网络预测模型，检验集则用于检验拟合神经网络预测模型的预测效能。
以危险因素作为人工神经网络模型输入层，输出层为是否发生术后感染并发症。人工神经网络由多个节点层所构成，每一层由不同数量的节点(神经元)组成，并通过不同权重传递信息到下一层的神经元，且每一个节点都是一个带有非线性激活函数的神经元(或处理单元)。不同节点之间的权重通过反向传播(back-propagation algorithm)方法进行训练，以减少训练过程中多层感知器的预测偏差，即真实值与预测值之间的误差，直到满足预先设定的标准。人工神经网络基本结构是一个有输入层、中间隐含层和输出层所构成的三层的网络，输入层的危险因素被赋予不同权重后，通过乘积反馈给具有偏差求和的神经元节点，最后反复迭代、调整权重以达到该网络的最优的预测效能。
进一步的，人工神经网络模型的设置参数为：由输入层、3层隐含层和输出层组成；其中第1、2隐含层的节点数目大于输入层节点数目，第3隐含层的节点数目为1。采用logit函数作为激活函数。
具体的，当输入层为上述14个特征参数时，第1隐含层的节点数为28，第2隐含层的节点数为24，第3隐含层的节点数为1。
本发明还提供了一种由上述方法构建的老年患者术后感染并发症风险预警模型。利用该模型可实现对老年患者在手术之后是否会发生术后感染进行预测。具体的，采集待测老年患者的术前和手术因素，代入预警模型，计算得到该老年患者术后出现感染并发症的概率。
进一步的，本发明提供了一种针对老年患者术后感染并发症风险预警的装置，包括计算机存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序包括所述的老年患者术后感染并发症风险预警模型。
本发明具备的有益效果：
本发明首次针对围手术期的老年患者这一群体提供了发生术后感染并发症风险预警模型，能够提前对术后感染事件做出预警，实现老年患者围手术期感染的治疗窗口前移。该模型是基于人工智能机器学习的方法建立，相较于传统的logit预测模型，预测准确度高。
附图说明
图1为132个候选神经网络预测模型在检验集患者中预测效能的比较。
图2为构建的人工神经网络I结构示意图。
图3为构建的人工神经网络预测模型I的ROC曲线。
图4为构建的人工神经网络II结构示意图。
图5为构建的人工神经网络预测模型II的ROC曲线。
图6为Logit预测模型的ROC曲线。
具体实施方式
下面结合具体实施例对本发明做进一步说明，但本发明并不局限于此。
实施例1
一、研究对象
本研究回顾性分析了国内28家医院在2014年4月期间接受择期手术的2014例老年患者资料，统计术后并发率、特征和预后。以上数据均经国际外科结局研究(InternationalSurgical Outcomes Study,ISOS)收集，并严格遵循本中心伦理委员会有关规定。
纳入研究的2014个病例中，有154例(占7.6％)在术后出现了感染并发症，1860例(占92.4％)在术后未出现感染。
收集上述手术患者的术前和手术资料。
表1老年患者的一般资料
表2老年患者的既往慢性疾病史
表3老年患者术前的主要实验室检查
表4老年患者的手术资料
二、老年患者术后感染危险因素分析
使用二阶段的分析策略确定与术后感染并发症相关的独立危险因素。在第一阶段的分析中使用单因素logistic回归分析探索性的分析与术后感染并发症相关的潜在危险因素。第二阶段，使用逆概率加权(inverse probability weighting，IPW)的方法来确定与术后感染并发症相关的独立危险因素，并估计各危险因素与术后感染并发症之间的关联强度。
其中，逆概率加权法通过构建虚拟人群的方法来模拟随机对照试验，而在该虚拟人群中除所研究危险因素外的其他基线资料在所研究危险因素的不同组间是均衡分布的，继而可以用来检验、估计该危险因素与术后感染并发症之间是否存在关联以及相对应的关联强度。例如，本研究所关心的危险因素为性别是否为术后感染并发症的独立危险因素。考虑到其他基线资料(即潜在的混杂因素)在不同性别中的分析可能不均衡，我们可以构建一个基于其他潜在混杂因素的logistic回归模型来预测各位患者为男性的概率，即，
假设，根据该logistic回归模型预测1号患者为男性的概率为Pr(性别＝男)＝0.25，那么在基于该预测模型的虚拟患者人群中：每4个患者中则会有1名男性患者与3名女性患者，且其他潜在混杂因素在男性和女性患者中的分布是均衡的。因此，基于该虚拟患者人群，本研究可以推断性别是否为术后感染并发症的独立危险因素，并且估计性别与术后感染并发症之间的关联强度。具体而言，针对某一二分类的变量(记为X，则X＝0/1)，利用基于其他潜在混杂因素(记为L)的logistic回归模型，我们可以估计Pr(X＝1|L)的概率。在此基础上，我们赋予所有X＝1的患者1/Pr(X＝1|L)的权重，所有X＝0的患者1/(1-Pr(X＝1|L))的权重，基于该权重我们可以构建虚拟患者人群，并研究X与术后感染并发症之间的关联强度。在实际研究中，为了提高研究结果的精确度(即，减小95％置信区间的宽度)，Herman等人推荐是稳定权重法(stabilized weights)来降低极端权重对研究结果精确度的影响，即赋予所有X＝1的患者Pr(X＝1)/Pr(X＝1|L)的权重，而所有X＝0的患者(1-Pr(X＝1))/(1-Pr(X＝1|L))的权重。此外，针对多分类变量，本研究使用哑变量来构建各个患者的权重。
此外，与二分类变量使用逆概率加权法相似，针对连续性变量，本研究使用逆倾向性评分加权的方法推断潜在危险因素与术后感染并发症之间的关联及关联强度，(Ref.Coffman DL，Almirall D and Zhong W.Assessing mediation using marginalstructural odels in the presence of confounding and moderation.Penn State，Technical Report Series 11-112)即，
其中，fX|L(x|L)为基于其他潜在混杂因素L对连续性变量X的线性回归模型。与二分类变量相似，Robins et al.(2000；Epidemiol；11：550-560)提出使用稳定权重(stabilized-weights)法以降低估计结果的精确度，即，
此处，fX(x)为连续性变量X的边际分布函数。
结果：逆概率加权法分析后，得到了11个与术后感染相关的独立危险因素，见表5。
表5老年患者术后感染显著相关的独立危险因素
三、人工神经网络模型的构建与评价
1、数据集的随机分组
2014例患者按3:1比例随机分成训练集和检验集。在训练集的1510个病例中，有116例(占7.7％)在术后出现了感染并发症，1394例(占92.3％)在术后未出现感染。我们纳入术前和手术的危险因素，计算其在感染组和非感染组的分布是否均衡。发现性别、ASA分级、冠心病病史、行头颈部手术、行心脏手术、镇静或局麻、腔镜手术和手术的严重程度分级在两组中的分布是不均衡的。男性在感染组中比例较非感染组高；有冠心病史在感染组中比例较非感染组高；行心脏手术在感染组中比例较非感染组高；行头颈手术在感染组中比例较非感染组低；镇静或局麻在感染组中比例较非感染组低；腔镜手术在感染组中比例较非感染组低。
表6训练集中，各独立影响因素在感染组和非感染组中的分布情况
在检验集的504个病例中，有38例(占7.5％)在术后出现了感染并发症，466例(占92.5％)在术后未出现感染。我们纳入术前和手术的危险因素，计算其在感染组和非感染组的分布是否均衡。发现ASA分级、冠心病病史、行心脏手术和手术的严重程度在两组中的分布是不均衡的。有冠心病史在感染组中比例较非感染组高，行心脏手术在感染组中比例较非感染组高。
表7检验集中，各独立影响因素在感染组和非感染组中的分布情况
2、人工神经网络模型I(术前因素)的构建和评价
2.1人工神经网络模型I(术前因素)的构建
本研究利用neuralnet软件包用于神经网络模型的训练和预测模型的构建。
将上述具有预测作用的术前因素(性别男＝是、ASA分级II＝是、ASA分级III＝是、ASA分级IV＝是、冠心病＝是、其他基础疾病＝是)纳入神经网络模型中，构建了132个候选的神经网络预测模型，具体预测效果如图1所示。我们发现，当基于术前独立危险因素神经网络预测模型的结构为6-11-3-1(如表8，即输入层为6个术前独立危险因素，第1隐含层为11个节点，第2隐含层层为3个节点，第3隐含层为1个节点，输出层为患者出现术后感染并发症的概率)，该模型在检验集中的预测效能最高(AUC为0.641，95％CI为0.545-0.737)，其结构如图2所示。
表8最优网络模型的节点数及预测效果
| Layer | Neuron1 | Neuron2 | AUCValid | Model | seed | |
| 48 | 1 | 11 | 3 | 0.6407556 | 11-3-1 | 48 |
2.2人工神经网络模型I(术前因素)的评价
模型预测效能通过灵敏度(sensitivity)、特异度(specificity)、阳性预测值(positive predictive value，PPV)、阴性预测值(negative predictive value，NPV)、受试者特征去线下面积(the area under the receivers operating characteristiccurve，AUC)和预测的准确率(accuracy rate)进行评价，即实际结果与预测结果同为术后感染定义为a；实际结果为术后非感染、预测结果为术后感染定义为b；实际结果为术后感染、预测结果为术后非感染定义为c；实际结果与预测结果同为术后非感染定义为d；
计算公式为：灵敏度＝a/(a+c)；特异度＝d/(b+d)；阳性预测值＝a/(a+b)；阴性预测值＝d/(c+d)；准确率＝(a+d)/(a+b+c+d)。
经过检验，该人工神经网络预测模型的敏感度为34.2％，特异度为88.8％，阳性预测值为20％，阴性预测值为94.3％，AUC为0.641，准确度为84.7％，详见表9。其ROC曲线如图3所示。
表9人工神经网络模型I的预测效能指标
3、人工神经网络模型II(术前+术中因素)的构建与评价
3.1人工神经网络模型II(术前+术中因素)的构建
将具有预测作用的术前因素和术中因素(性别男＝是、ASA分级II＝是、ASA分级III＝是、ASA分级IV＝是、冠心病＝是、其他基础疾病＝是、泌尿系统和肾脏相关手术＝是、头颈部手术＝是、心脏相关手术＝是、其他外科手术＝是、镇静/局部麻醉＝是、腔镜手术＝是、手术创伤中度＝是、手术创伤重度＝是)纳入神经网络模型中，构建了736个候选的神经网络预测模型，具体预测效果结果显示，当基于术前和术中独立危险因素神经网络预测模型的结构为14-28-24-1-1时，其在检验集患者中的预测效能最高(如表10，即输入层为14个术后感染并发症相关的独立危险因素，第1隐含层为28个节点，第2隐含层为24个节点，第3隐含层为1个节点，输出层为患者是否出现术后感染并发症的概率)，其结构如图4所示。其对应的AUC为0.763，95％CI为0.681-0.844，见表10。
表10最优网络模型的节点数及预测效果
| Layer | Neuron1 | Neuron2 | AUCValid | Model | seed | |
| 375 | 1 | 28 | 24 | 0.7625367 | 28-24-1 | 375 |
3.2人工神经网络模型II(术前+术中)的评价
经过检验，该人工神经网络预测模型的敏感度为63.2％，特异度为80.5％，阳性预测值为20.9％，阴性预测值为96.4％，AUC为0.763，准确度为79.2％，详见表11中各指标。其ROC曲线如图5所示。
表11人工神经网络模型II的预测效能指标
对比例1
1、经典Logit预测模型的构建与评价
1.1经典Logit预测模型的构建
实施例1的第一、二部分，通过逆概率加权法分析，我们得到了11个对老年患者术后感染有预测作用的术前和手术指标。我们进一步计算了各个因素的预测系数，如表12所示。
表12 11个危险因素的预测系数
将11个指标纳入Logit预测模型，得到老年患者术后感染的概率预测公式为：Pr(PICs＝1)＝exp(0.0316*(性别＝男)–0.0127*(ASA＝II)+0.0447*(ASA＝III)+0.1353*(ASA＝IV)+0.0938*(基础疾病：冠心病＝是)+0.0268*(其他基础疾病＝是)–0.0358*(泌尿系统和肾脏相关手术＝是)–0.0383*(头颈部手术＝是)+0.2908*(心脏相关手术＝是)-0.0370*(其他外科手术＝是)–0.0504*(镇静/局部麻醉＝是)-0.0674*(腔镜手术＝是)–0.0271*(手术创伤大小＝中度)+0.0800*(手术创伤大小＝重度))/(1+exp(0.0316*(性别＝男)–0.0127*(ASA＝II)+0.0447*(ASA＝III)+0.1353*(ASA＝IV)+0.0938*(基础疾病：冠心病＝是)+0.0268*(其他基础疾病＝是)–0.0358*(泌尿系统和肾脏相关手术＝是)–0.0383*(头颈部手术＝是)+0.2908*(心脏相关手术＝是)-0.0370*(其他外科手术＝是)–0.0504*(镇静/局部麻醉＝是)-0.0674*(腔镜手术＝是)–0.0271*(手术创伤大小＝中度)+0.0800*(手术创伤大小＝重度)。
其中，患者为男性、ASA分级为II、III或IV、有冠心病史、有其他慢性疾病史、泌尿手术、头颈手术、心脏手术、镇静/局麻、腔镜手术、手术严重程度为中度或重度时，赋值为1。
1.2经典Logit预测模型的评价
经过检验，该预测模型的敏感度为66.2％，特异度为66.8％，阳性预测值为14.2％，阴性预测值为96％，预测的准确率为66.7％，AUC值为0.728，见表13。ROC曲线如图6。
表13 Logit预测模型的效能指标
2、经典Logit模型与神经网络模型预测效能的比较
将三种预测模型的ROC曲线进行比较，可以看出AUC最好的是人工神经网络模型II。特异度最好的是人工神经网络模型I，敏感度最好的是传统Logit模型，阳性预测值最好的是人工神经网络模型II，阴性预测值最好的是人工神经网络模型II。
Claims (9)
1.一种老年患者术后感染并发症风险预警模型的建立方法，其特征在于，包括以下步骤：
(1)采集若干例老年患者的围手术期资料，利用逆概率加权方法分析得出与术后感染并发症相关的危险因素，作为特征变量，获得数据集；
(2)利用数据集对人工神经网络模型进行机器学习，得到老年患者术后感染并发症风险预警模型。
2.如权利要求1所述的老年患者术后感染并发症风险预警模型的建立方法，其特征在于，步骤(1)中，所述围手术期资料包括：年龄、性别、ASA分级、吸烟史、既往病史、术前实验室检查项目、手术的麻醉方式、手术类别、手术严重程度、以及术后并发症。
3.如权利要求1所述的老年患者术后感染并发症风险预警模型的建立方法，其特征在于，步骤(1)中，利用逆概率加权方法分析之前，先利用单因素logistic回归分析与术后感染并发症相关的潜在危险因素。
4.如权利要求1所述的老年患者术后感染并发症风险预警模型的建立方法，其特征在于，步骤(1)中，作为特征变量的危险因素包括：是否性别男、是否ASA分级II、是否ASA分级III、是否ASA分级IV、是否有冠心病史、是否有其他基础疾病、是否行泌尿系统和肾脏相关手术、是否行头颈部手术、是否行心脏相关手术、是否行其他外科手术、是否镇静/局部麻醉、是否行腔镜手术、是否手术创伤中度、是否手术创伤重度。
5.如权利要求1所述的老年患者术后感染并发症风险预警模型的建立方法，其特征在于，步骤(2)中，数据集按3:1随机划分成训练集和检验集。
6.如权利要求1所述的老年患者术后感染并发症风险预警模型的建立方法，其特征在于，步骤(2)中，以危险因素作为人工神经网络模型输入层，输出层为是否发生术后感染并发症。
7.如权利要求1所述的老年患者术后感染并发症风险预警模型的建立方法，其特征在于，步骤(2)中，人工神经网络模型的设置参数为：由输入层、3层隐含层和输出层组成，其中第1、2隐含层的节点数目大于输入层节点数目，第3隐含层的节点数目为1。
8.一种由权利要求1-7任一项所述的建立方法构建的老年患者术后感染并发症风险预警模型。
9.一种针对老年患者术后感染并发症风险预警的装置，包括计算机存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序包括如权利要求8所述的老年患者术后感染并发症风险预警模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110552264.8A CN113362954A (zh) | 2021-05-20 | 2021-05-20 | 一种老年患者术后感染并发症风险预警模型及其建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110552264.8A CN113362954A (zh) | 2021-05-20 | 2021-05-20 | 一种老年患者术后感染并发症风险预警模型及其建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362954A true CN113362954A (zh) | 2021-09-07 |
Family
ID=77527092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110552264.8A Pending CN113362954A (zh) | 2021-05-20 | 2021-05-20 | 一种老年患者术后感染并发症风险预警模型及其建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362954A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114242234A (zh) * | 2021-12-15 | 2022-03-25 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
| CN115083604A (zh) * | 2022-06-07 | 2022-09-20 | 中山大学孙逸仙纪念医院 | 一种术后不良事件预测模型的构建方法、系统和预测装置 |
| CN116825356A (zh) * | 2023-07-12 | 2023-09-29 | 中国医学科学院基础医学研究所 | 多关联手术并发症风险评估方法、系统及计算设备 |
| CN117116488A (zh) * | 2023-10-23 | 2023-11-24 | 北京肿瘤医院(北京大学肿瘤医院) | 一种评估老年肺癌患者术后严重并发症的方法及相关设备 |
| CN117198533A (zh) * | 2023-09-11 | 2023-12-08 | 徐州医科大学 | 基于大数据分析的围术期患者麻醉风险评估和预警系统 |
| WO2024000074A1 (en) * | 2022-06-30 | 2024-01-04 | Nerv Technology Inc. | Systems and methods for predicting and detecting post-operative complications |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
| CN110517784A (zh) * | 2019-08-01 | 2019-11-29 | 中国医科大学附属口腔医院 | 一种基于广义回归神经网络的老年龋病发病预测系统 |
| WO2020130111A1 (ja) * | 2018-12-19 | 2020-06-25 | 国立大学法人 東京大学 | 心不全患者の心機能回復可能性の評価方法 |
| CN112002427A (zh) * | 2020-10-09 | 2020-11-27 | 重庆医科大学 | 失代偿期肝硬化合并感染危险预测模型的构建方法 |
| CN112017783A (zh) * | 2020-09-14 | 2020-12-01 | 华中科技大学同济医学院附属协和医院 | 一种心脏术后肺部感染的预测模型及其构建方法 |
-
2021
- 2021-05-20 CN CN202110552264.8A patent/CN113362954A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295180A (zh) * | 2016-08-10 | 2017-01-04 | 中国人民解放军第三军医大学第三附属医院 | 老年骨科手术风险预测方法 |
| WO2020130111A1 (ja) * | 2018-12-19 | 2020-06-25 | 国立大学法人 東京大学 | 心不全患者の心機能回復可能性の評価方法 |
| CN110517784A (zh) * | 2019-08-01 | 2019-11-29 | 中国医科大学附属口腔医院 | 一种基于广义回归神经网络的老年龋病发病预测系统 |
| CN112017783A (zh) * | 2020-09-14 | 2020-12-01 | 华中科技大学同济医学院附属协和医院 | 一种心脏术后肺部感染的预测模型及其构建方法 |
| CN112002427A (zh) * | 2020-10-09 | 2020-11-27 | 重庆医科大学 | 失代偿期肝硬化合并感染危险预测模型的构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘春莲: "502例高龄骨科手术患者术后并发症影响因素的回顾性研究", 《中国优秀硕士学位论文全文数据库》 * |
| 刘鸿: "术前合并肺动脉高压对小儿先天性心脏病矫治术后急性肾损伤的影响及风险预测", 《中国优秀博硕士学位论文全文数据库》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114242234A (zh) * | 2021-12-15 | 2022-03-25 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
| CN114242234B (zh) * | 2021-12-15 | 2023-06-30 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
| CN115083604A (zh) * | 2022-06-07 | 2022-09-20 | 中山大学孙逸仙纪念医院 | 一种术后不良事件预测模型的构建方法、系统和预测装置 |
| WO2024000074A1 (en) * | 2022-06-30 | 2024-01-04 | Nerv Technology Inc. | Systems and methods for predicting and detecting post-operative complications |
| CN116825356A (zh) * | 2023-07-12 | 2023-09-29 | 中国医学科学院基础医学研究所 | 多关联手术并发症风险评估方法、系统及计算设备 |
| CN116825356B (zh) * | 2023-07-12 | 2024-02-06 | 中国医学科学院基础医学研究所 | 多关联手术并发症风险评估方法、系统及计算设备 |
| CN117198533A (zh) * | 2023-09-11 | 2023-12-08 | 徐州医科大学 | 基于大数据分析的围术期患者麻醉风险评估和预警系统 |
| CN117116488A (zh) * | 2023-10-23 | 2023-11-24 | 北京肿瘤医院(北京大学肿瘤医院) | 一种评估老年肺癌患者术后严重并发症的方法及相关设备 |
| CN117116488B (zh) * | 2023-10-23 | 2024-01-02 | 北京肿瘤医院(北京大学肿瘤医院) | 一种评估老年肺癌患者术后严重并发症的方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113362954A (zh) | 一种老年患者术后感染并发症风险预警模型及其建立方法 | |
| Yuan et al. | The development an artificial intelligence algorithm for early sepsis diagnosis in the intensive care unit | |
| Mofidi et al. | Identification of severe acute pancreatitis using an artificial neural network | |
| Kruse et al. | Comparison of clinical assessment with APACHE II for predicting mortality risk in patients admitted to a medical intensive care unit | |
| Das et al. | Hypertension diagnosis: a comparative study using fuzzy expert system and neuro fuzzy system | |
| CN112017783A (zh) | 一种心脏术后肺部感染的预测模型及其构建方法 | |
| CN105678104A (zh) | 一种基于Cox回归模型的老人健康数据分析方法 | |
| Faisal et al. | A noninvasive intelligent approach for predicting the risk in dengue patients | |
| Moridani et al. | A novel approach to mortality prediction of ICU cardiovascular patient based on fuzzy logic method | |
| Samant et al. | Evaluation of artificial neural networks in prediction of essential hypertension | |
| Jalali et al. | Advanced analytics for outcome prediction in intensive care units | |
| Al Ahdal et al. | Monitoring cardiovascular problems in heart patients using machine learning | |
| Al-Kasasbeh et al. | Biotechnical system and fuzzy logic models for prediction and prevention of post-traumatic inflammatory complications in patients with blunt renal trauma | |
| Li et al. | A model for obstructive sleep apnea detection using a multi-layer feed-forward neural network based on electrocardiogram, pulse oxygen saturation, and body mass index | |
| Rath et al. | An exhaustive review of machine and deep learning based diagnosis of heart diseases | |
| Zhuang et al. | Arrhythmia diagnosis of young martial arts athletes based on deep learning for smart medical care | |
| Li-wei et al. | Tracking progression of patient state of health in critical care using inferred shared dynamics in physiological time series | |
| Mamun et al. | FA-1D-CNN implementation to improve diagnosis of heart disease risk level | |
| Yang et al. | Development of a machine learning model for the prediction of the short-term mortality in patients in the intensive care unit | |
| CN106845140A (zh) | 一种基于尿比重和尿量监测的肾衰竭预警方法及系统 | |
| Kaur et al. | Artificial Intelligence approaches for Predicting Hypertension Diseases: Open Challenges and Research Issues | |
| CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
| CN109308525B (zh) | 基于马尔科夫逻辑网的院内感染定植排查智能推理方法 | |
| Chan et al. | Investigation of diabetic microvascular complications using data mining techniques | |
| Liu et al. | A machine learning method for predicting the probability of MODS using only non-invasive parameters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |