基于机器学习的开发和验证预测模型的二级post-tonsillectomy出血

介绍

扁桃腺切除术是最常见的一个在头颈外科手术。据报道超过600000 tonsil-related治疗进行每年在全球范围内(1)。然而,术后并发症患者复苏仍然是最大的挑战,-15%的病例发生在约5%,最常见的是有关post-tonsillectomy出血(素(1,2)。甲状旁腺素的发病率约为1% - -19%。甲状旁腺素被认为是一个主要的死亡原因与扁桃腺切除术相关,并被认为是一种潜在的致命并发症,尤其是在儿童(3,4)。贫血和血流动力学异常,这只会阻碍患者的复苏,甚至需要重复手术,是可能的甲状旁腺素危害可能产生负面的心理影响病人身体上的伤害。Sarny等人发现,扁桃腺切除术后再次手术率为4.6% 9405成人和儿科患者的多中心队列在奥地利,甲状旁腺素是最重要的并发症(5,6)。临床医生应该进行研究和关心的决定如何发现风险因素和减少甲状旁腺素。

先前的调查记录的特点和流行甲状旁腺素(6)。年龄、性别、手术适应症、手术方法、围手术期药物(包括非甾体抗炎药和糖皮质激素),和季节性波动只有几个相关的很多因素与甲状旁腺素(7- - - - - -10)。甲状旁腺素风险的原因,然而,目前高度争议。因此,准确的风险预测的甲状旁腺素会给临床医生和优秀的识别高危人群预防和治疗所需的方向(11)。

近年来,人工智能技术已被广泛用于探索早期预警预测对许多疾病的并发症。机器学习模型和先进的统计工具可以用来预测复杂的数据集的结果基于迭代学习,从而使这些模型更准确和稳定通过变量的选择功能。因此,更多的研究者提倡使用基于机器学习的新预测模型来支持个性化治疗患者(11- - - - - -13)。我们所知,没有预测模型基于机器学习的甲状旁腺素。

本研究采用机器学习方法开发和验证预测模型,提供个性化的管理病人的术后预后。

材料和方法

病人进行了研究根据赫尔辛基宣言的指导原则和伦理委员会批准的第940医院联合后勤保障部队的中国人民解放军(2022 kyll165)。

研究人群

本研究收集病人访问我们otorhinolaryngology-head扁桃腺切除术和颈部手术部门从2018年1月至2022年1月。排除标准如下:(1)术前测试表明病人凝血障碍或相应的家族史;(2)病人手术后诊断为恶性肿瘤;(3)文档不完整的医疗记录;4。患者出血扁桃腺切除术后24小时内(主要出血)。图1介绍了包含和排除标准以及patient-select流程图。总共520名患者,包括60甲状旁腺素病例和460 non-PTH病例。一个随机数生成的电脑分配给培训集团(n= 364)和验证组(n= 156)的比例为7:3。

研究变量

风险预测模型使用27创建变量选择从医学报告和发表的文学作品。病人包括(1)基本信息:性别、年龄、体重指数、吸烟、饮酒,国家,地址,季节,每年扁桃体炎发作,合并分泌性中耳炎,过敏性鼻炎,诊断,扁桃体分级,咽充血,使用糖皮质激素,使用雾化吸入、腺样体切除术,手术伤口,扁桃体柱子是否缝合,术前感染,术后感染。(2)实验室测试:血型、纤维蛋白原、局部血栓形成质激活时间(APTT)、凝血酶原时间(PT)、凝血酶时间(TT)、国际标准化比率(INR)。多个罪名被用于缺失的数据。随机的数据被认为是失踪,完全有条件执行归罪4.0.4使用R软件版本。打过采样的数据进行3.9.0使用python版本。

模型开发和评估

变量选择使用互信息(MI)方法,并创建了一个二进制结果甲状旁腺素的风险预测模型的基础上,选择预测,预测模型的二进制结果被定义为甲状旁腺素的存在与否。开发预测模型使用五个机器学习方法(决策树、支持向量机(SVM),极端的梯度增加(XGBoost),随机森林,和逻辑回归)。接受者操作特征(ROC)曲线,曲线下面积(AUC)、准确性、敏感性,特异性,阳性预测值(PPV)以及阴性预测值(NPV)被用来评估模型的预测能力。此外,决策曲线分析(DCA)进行评估的效用决策模型,量化不同的阈值概率下的净效益。预测模型的解释是由世鹏科技电子,一个统一的方法,精确地计算每个变量的贡献和影响,最后预测(12)。每个观测数据集可以被特定世鹏科技电子价值。

统计分析

统计分析使用Python版本3.9.0 4.0.4和R软件版本。连续变量表示为中间值和四分位范围(差)或平均值和标准偏差(SD)和分类变量表示为频率和百分比。Mann-WhitneyU测试和独立样本t以及连续变量进行比较。确切概率法χ²测试被用于比较分类变量。一个双边P -值< 0.05表明,数据具有统计上的显著差异。

结果

病人的特点

520名患者被包括在这个分析中。其中,患者的年龄分布是2-57年,364名(70%)患者是男性。甲状旁腺素的发生率是11.54%,10.71%在训练集和验证集的13.46%。训练集和验证集的临床特点并没有统计上的显著不同。基准信息中显示的患者和临床特征表1。

模型构建和评价

变量选择了使用互信息(MI)方法,和10个变量筛选,包括年龄、BMI,季节,吸烟、血型、印度卢比、合并分泌性中耳炎,腺样体切除术,手术伤口,糖皮质激素的使用。10个变量选择了使用五个机器学习模型预测的风险甲状旁腺素。绩效评估的五个机器学习模型验证设置所示表2。ROC曲线的5个机器学习模型训练集所示补充图S1。XGBoost模型与其他模型相比,AUC最高(0.812),特异性(0.788),阳性预测值(0.768)和(0.715),阴性预测值及其四个hyperparameters n_estimators = 200, min_samples_split = 20, min_samples_leaf = 10, max_depth = 2。虽然逻辑回归最糟糕的泛化能力(AUC = 0.69)验证设置,如图所示图2。

DCA进行五个机器学习模型的验证组比较净效益最好的模型和临床决策方案(图3)。临床净收益被定义为疾病的概率最小,当进一步干预将是必要的。情节措施的净收益在不同的阈值概率(12)。蓝色的线图3表示假设所有的病人接受了干预,而黑线表明没有患者接受干预由于异质性研究的人口。相比之下,XGBoost模型的净收益超过了其他模型验证集。

此外,本研究使用校准曲线荆棘指标评估模型的性能(14- - - - - -16)。AUC措施的总体能力模型区分高和低风险病人;然而,它几乎反映了模型的性能在整个范围的预测。这个缺陷补偿校准曲线,绘制显示之间的关系的模型预测和标签(17)。就像在图4,轴代表由诊所甲状旁腺素的概率计算模型,和轴代表实际的甲状旁腺素。对角线虚线表示一个完美的理想模型的估计,这意味着估计结果与实际结果相同。实线表示临床模型的性能,及其与对角线密切对齐虚线表明良好的估计。可以看出XGBoost模型比其他人更好,荆棘得分为0.152。

解释风险因素

XGBoost模型结果解释与世鹏科技电子通过计算预测每个变量的贡献。世鹏科技电子摘要XGBoost模型的情节和重要性矩阵图所示图5。世鹏科技电子摘要情节(图5一个)有一个点每个病人每个特性的基础上,估算值,红色代表更高的价值和蓝色代表值越低。水平坐标是世鹏科技电子价值。更大的形状表明,功能有较高的预测价值甲状旁腺素的风险在一个给定的样本。重要性矩阵图中每个变量的重要性在预测的风险甲状旁腺素(图5 b)。总之,重要性降序排列的十大特征:年龄、印度卢比、季节,加上腺样体切除术,血型,BMI,加上分泌性中耳炎,手术伤口,使用糖皮质激素,和吸烟。

应用预测模型

世鹏科技电子力情节说明资料的患者在高或低的风险发展的结果,表明预测模型可以促进个性化的治疗计划。世鹏科技电子力情节XGBoost模型所示图6。世鹏科技电子值代表个体病人的相关预测功能和甲状旁腺素的预测每个特性的贡献。红色表示风险特征与甲状旁腺素和蓝色表示特性没有甲状旁腺素的风险。箭头的长度可以帮助实现预期效果的大小。箭的时间越长,影响越大。图6显示一个8岁的患者24.6%的概率预测甲状旁腺素。图6 b显示一个29岁的患者91.3%的概率预测甲状旁腺素。图6 c显示的参数与负面影响在红色蓝色和那些有积极的影响。这张图的优点是,它给了一个明确的组合参数,对模型贡献极大。

讨论

根据先前的研究,与甲状旁腺素相关的风险因素更有争议。在这个阶段,尽管甲状旁腺素的理解和实现的概念post-tonsillectomy管理在许多中心,仍有一些未知和地区差异,引起出血。由于需要增加成本效益在医疗保健系统中,术后护理和临床决策的模式在不同的国家和机构也差异很大。作者的知识,几乎没有甲状旁腺素预测模型的发展。准确预测预后至关重要的以病人为中心的护理,指导是否包含决策或选择治疗策略。机器学习医学和临床的应用条件形成一个主要新兴研究趋势(18)。在这项研究中,确定了预测的风险因素甲状旁腺素使用互信息方法和风险预测模型对甲状旁腺素。5个机器学习模型的性能进行了比较。结果表明,XGBoost模型AUC最高,阳性预测值,阴性预测值。世鹏科技电子方法进一步解释了预测和模型预测性能。它还提供了一个简单的甲状旁腺素和健壮的个性化的预测方法,可为医学决策支持提供重要的信息。

XGBoost逻辑的概述,这个非线性输入(独立)使用机器学习模型的训练数据集来构造一个数组变量决策树中每一个可能的组合建立一系列的阈值分割变量最大化信息增益(19)。在我们的研究中,XGBoost模型预测病人的风险校正和验证。先前的报道所描述的机器学习技术“黑匣子”,提供小的信息预测。这降低了临床医师接受因为他们不愿让医疗诊断基于不透明的决策(20.)。我们使用了世鹏科技电子方法解释XGBoost的决策过程模型。在临床实践中,可视化的世鹏科技电子可以转化为临床的洞察力。它可以显示的准确性和复杂性预测模型更好,为术后病人护理和个性化的决策提供一些参考治疗(14)。

在几个重要的因素来解释世鹏科技电子,年龄已被证实为甲状旁腺素是一个危险因素。与儿童相比,成人患者的风险更高甲状旁腺素。一些研究表明,成年人的术后出血率高达8.6% - -14.5%,虽然这孩子-5% (2.1%4,20.)。一个合理的解释是,成年人长期慢性扁桃体炎容易纤维化的扁桃体床和解剖的扁桃体可以使手术更加困难(21)。之前的一项涉及897名患者的回顾性调查研究的结果显示,印度卢比≥1.2作为风险因素有助于识别患者出血的风险(4)。印度卢比也确定为一个重要的预测在我们的研究中。这是与以往的研究一致。此外,许多过去的研究已经表明季节之间的相关性和风险增加甲状旁腺素(22)。有人建议,高海拔和低大气水分提高粘膜表面出血的发生率(23)。在这项研究中,患者的出血率增加了春天。我们医院位于中国西北高海拔地区,春天是相对干燥的地方。很遗憾,没有进一步获得更详细的大气数据信息在这个研究。然而,本赛季有必要作为一个重要因素来预测甲状旁腺素。此外,一些研究表明,肥胖,吸烟,血型,围手术期激素使用都是重要影响因素的发生率甲状旁腺素(24- - - - - -27)。它甚至被建议接受扁桃腺切除术的患者必须戒烟避免扁桃腺切除术后出血。值得一提的是,在这项研究中,我们认为,手术后伤口的扁桃体窝在其中起到了一定的作用。我们的研究发现增加患者术后出血较厚和泛黄的扁桃体窝扁桃腺切除术后伤口。很少有研究调查创伤作为一个潜在的因素。因此,我们认为,要注意患者扁桃体窝发黄,扁桃腺切除术后增稠的白膜。

这项研究有几个优势。首先,我们的研究创建和验证第一个甲状旁腺素风险预测模型通过机器学习方法。第二,我们包括10个风险因素,包括手术伤口,和季节,容易被忽略。第三,我们的模型可以通过临床医生和护士作为一个直观的方法来预测甲状旁腺素的高危患者适当的管理风险。最后,该模型可以为未来的甲状旁腺素的研究提供一个新的想法。

我们的研究有一些局限性。本研究的样本容量小。虽然我们进行内部验证,需要外部验证来获得更多的临床证据。在这项研究中使用的机器学习模型合并分泌性中耳炎和腺样体切除术作为预测变量,但是患有这些疾病的数量很小,所以有些混淆的偏见,仍然需要进一步的研究来制定不同的年龄组的预测模型。此外,一些学者认为主要出血通常是由于手术技术的类型,和主要和次要出血需要仔细区分,分别研究了(28)。coblation技术是用于所有扁桃腺切除术在我们医院。因此,研究重点是继发性出血。此外,尽管世鹏科技电子模型可以确定病人特征预测的影响,这只是一个预测变量之间的映射关系和预测的结果,而不是因果关系(29日)。尽管有这些限制,我们开发了XGBoost模型作为一种工具,有可能为患者提供个性化的治疗策略。

结论

总之,我们确定基线人口统计学和临床变量预测的风险因素甲状旁腺素和使用机器学习来构建一个甲状旁腺素扁桃腺切除术后病人的风险预测模型。XGBoost模型能有效提高预测精度的甲状旁腺素。增加使用在医学、机器学习模型可以被视为包含在临床使用,进一步验证临床路径决定。未来的研究将探索更多的机器学习模型适用于预测甲状旁腺素的风险。

数据可用性声明

最初的贡献提出了研究中都包含在这篇文章/补充材料,进一步的调查可以直接到通讯作者/ s。

道德声明

涉及人类受试者的研究回顾和批准第940医院的伦理委员会联合后勤支持中国人民解放军。从参与者的法定监护人书面知情同意/近亲不要求参加本研究按照国家法律和制度需求。

作者的贡献

HX, YZ和我进行了数据分析和写的手稿;WM HX,我,路上和LW进行实验;HX, YZ,极大地推动了分析和手稿准备;佐和路上帮助执行与建设性的讨论分析;HX YZ,佐为研究的概念做出了贡献。所有作者的文章和批准提交的版本。

资金

这项工作是支持的2018军队医疗科技青年孵化项目基金(批准号18 qnp047);2021年甘肃省级青年科技基金(批准号20 jr10ra011);甘肃省级青年科技基金(批准号20 jr10ra013)和主要需要孵化项目基金(批准号31920220107)。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/fsurg.2023.1114922/full补充材料。

引用