文献速递重症综合管理与镇静镇痛消化、代谢与肾脏急症

基于术前与术中数据对大型非心脏手术术后急性肾损伤的风险分层

Risk Stratification for Postoperative Acute Kidney Injury in Major Noncardiac Surgery Using Preoperative and Intraoperative Data.
PubMed 文献 · JAMA Netw Open · 2019-12-02
一句话结论在4家三级医院接受大型非心脏手术的成人中,梯度提升机模型加入术中数据后AUC升至0.817,但临床意义有限,仅净重分类30例。

这项预后研究纳入美国4家三级学术医院2014年1月1日至2018年4月30日期间接受大型非心脏手术的42 615例住院成人,使用电子健康记录数据,比较术前住院前、术前和围术期(含术中)变量对术后7天内KDIGO急性肾损伤的预测能力。梯度提升机模型AUC从术前住院前变量的0.712升至术前变量的0.804(P<.001),再加入术中变量升至0.817(P<.001);但高风险组急性肾损伤发生率仅从29.1%升至30.0%,净重分类正确者仅30例。作者认为电子健康记录数据可用于围术期急性肾损伤风险分层,但加入术中数据的有限增益需与实施复杂性权衡。

要点

  • 梯度提升机模型仅用术前变量预测术后AKI的AUC为0.804(95%CI 0.788-0.819),加入术中变量后AUC为0.817(95%CI 0.802-0.832),P<.001。
  • 加入术中数据后高风险组AKI发生率由29.1%升至30.0%,净正确重分类仅30例(高、低风险各15例),作者认为无临床显著意义。
  • 随机森林模型加入术中变量后AUC由0.787升至0.808(P<.001),逻辑回归弹性网模型由0.782升至0.790(P=.02)。
  • 作者认为术前数据带来的预测增益最大,加入术中数据的增益有限,需权衡实施复杂性。

适用人群与场景

  • 美国4家三级学术医院2014年1月1日至2018年4月30日期间接受大型非心脏手术的18岁及以上住院成人,共42 615例。
  • 排除同一住院期间接受多次大型手术者、无至少1次术前和术后血清肌酐测量者、终末期肾病且过去一年内透析者、基线血清肌酐≥4.5 mg/dL者、术前7天内符合AKI标准者。

诊断标准与关键阈值

  • 术后AKI定义采用KDIGO指南1期标准:血清肌酐较基线升高1.5倍,或48小时内升高0.3 mg/dL,取术后7天内发生;因尿量数据不可靠未采用尿量标准。
  • 基线肾功能取术前7天内最低血清肌酐和估算肾小球滤过率值,若无则取术前365天内最近一次值。
  • 高风险分类:预测AKI风险位于测试集人群(n=8494)前20%者,其余80%为低风险;因缺乏循证阈值,前20%为任意选择,并做了前10%和前30%的敏感性分析。

研究设计与关键结果

  • 研究类型为预后研究,在美国4家三级学术医院开展,纳入42 615例大型非心脏手术住院成人,平均(SD)年龄57.9(15.7)岁,23 943例(56.2%)为女性,27 857例(65.4%)为白人;最常见手术类型为骨科15 718例(36.9%)、普外科8808例(20.7%)、神经外科6564例(15.4%)。
  • 术后AKI发生率为10.1%(4318例);103例(0.2%)接受住院透析,8335例(19.6%)术后住院时间≥7天,255例(0.6%)院内死亡。
  • 梯度提升机模型AUC:术前住院前变量0.712(95%CI 0.694-0.731),加术前变量0.804(95%CI 0.788-0.819,P<.001),加术中变量0.817(95%CI 0.802-0.832,P<.001)。
  • 随机森林模型AUC:术前住院前变量0.710(95%CI 0.690-0.728),加术前变量0.787(95%CI 0.770-0.803,P<.001),加术中变量0.808(95%CI 0.790-0.823,P<.001)。
  • 逻辑回归弹性网模型AUC:术前住院前变量0.700(95%CI 0.681-0.719),加术前变量0.782(95%CI 0.765-0.799,P<.001),加术中变量0.790(95%CI 0.773-0.807,P=.02)。
  • 测试集8494例中845例(9.9%)发生KDIGO AKI;高风险组AKI发生率随变量增加而升高:术前住院前22.3%、术前29.1%、围术期30.0%。
  • 加入术中数据后,高风险组中67例被正确重分类为高风险、52例被错误重分类为低风险(净15例);低风险组中329例被正确重分类为低风险、314例被错误重分类为高风险(净15例)。
  • 高风险组次要结局随变量增加而升高:住院透析术前住院前1.3%、术前1.7%、围术期1.8%;术后住院≥7天分别为33.4%、43.4%、45.6%;院内死亡分别为2.0%、2.4%、3.0%。

证据类型、等级与局限

  • 证据类型为预后研究,采用逻辑回归弹性网选择、随机森林和梯度提升机三种建模方法,遵循TRIPOD报告规范。
  • 局限:本研究为单机构研究,其他机构的电子健康记录数据可得性和实践模式可能不同。
  • 局限:随访仅限于住院期间,可能低估其他重要临床结局,未捕获纵向结局。
  • 局限:缺乏可靠的尿量数据,可能导致AKI识别不完整。
  • 作者指出,加入术中数据的增益有限,特定亚组是否能从中获益需进一步研究。

对床旁实践的改变

  • 作者认为电子健康记录数据可用于对围术期AKI风险进行分层,但加入术中数据的有限增益需与实施复杂性权衡。
  • 作者指出,加入术中数据后仅30例被正确重分类,提示其相对于实施复杂性可能不带来实质获益。
  • 作者认为术前数据带来的预测增益最大,加入术中数据的增益有限。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2019 Dec 6;2(12):e1916921. doi: 10.1001/jamanetworkopen.2019.16921

引言

急性肾损伤(AKI)是常见的术后并发症,在接受外科手术的患者中发生率为12%,1 其与不良临床结局相关,包括慢性肾脏病的发生、医疗资源使用增加和死亡。2,3 由于有证据描述了AKI与死亡率的关联,4 对于美国每年接受非心脏手术的4000万患者中术后AKI风险分层的改进引起了越来越多的关注。5 据我们所知,目前术前或术后均不存在共识性的风险分层算法或工具。改进风险分层可能有助于非心脏手术背景下的术前和围手术期管理。

现有的AKI预测模型提供了中等6 水平的准确性,7,8,9,10 尽管它们未使用一致的AKI结局定义,使用了统计学和机器学习方法的混合,且未统一聚焦于非心脏手术。例如,关于全身麻醉或其他非心脏手术后AKI的大型研究显示了中等的预测准确性(例如,受试者工作特征曲线下面积[AUC],0.73-0.80),但早于当前AKI定义的共识标准。11,12 缺乏统一定义和方法凸显了比较这些不同方法性能的必要性。此外,虽然一些研究使用了电子健康记录(EHR)数据,但它们未纳入术中收集的详细生理和临床数据(例如,生命体征、血管升压药物剂量、失血量)。由于添加此类数据可改善其他术后并发症的风险分层,13 这些数据也可能改善AKI的风险分层。

在本研究中,我们检验了与仅使用行政数据和术前临床信息的模型相比,添加术中数据是否与改善非心脏手术后AKI的预测相关。此外,我们比较了多种统计学和机器学习方法以及AKI定义之间的性能。

方法

研究数据

收集了2014年1月1日至2018年4月30日期间在宾夕法尼亚大学卫生系统住院期间接受非心脏手术的成年患者的电子健康记录数据。我们使用了多中心围手术期结局组开发的代码,在宾夕法尼亚大学卫生系统Epic Clarity数据库上运行,以标准化术中 and 术后数据,并将数据与行政和术前数据合并。14 队列数据按患者随机分为推导集(60%)、验证集(20%)和测试集(20%)。15

宾夕法尼亚大学机构审查委员会批准了研究设计,并豁免了研究参与者对电子健康记录二次使用的知情同意。本研究遵循个体预后或诊断多变量预测模型的透明报告(TRIPOD)报告指南。16

研究人群

研究期间,纳入宾夕法尼亚大学卫生系统4个学术医疗中心中年龄18岁及以上、接受大型非心脏手术的患者。我们使用主要当前操作术语编码(10021-32999,34001-69990)17识别非心脏手术,并使用医疗保健研究与质量局医疗成本利用项目手术标记软件18限定为主要治疗性操作。我们聚焦于非心脏手术,因为由于体外循环的使用,心脏手术的术前和术中变量与AKI之间的关联可能不同。

同一住院期间接受多次大型外科手术的患者被排除(4249例[5.4%]手术病例),以避免术前和术后时段之间的重叠。此外,患者如无至少1次术前和术后血清肌酐测量值(27704例[35.5%]手术病例)、患有终末期肾病并在过去一年内接受透析、基线血清肌酐水平升高大于或等于4.5 mg/dL(转换为微摩尔每升,乘以88.4)、9或在手术前7天内符合AKI标准,则被排除(补充材料eMethods中提供额外细节和计费代码)。

结局

我们的主要结局是手术后7天内AKI的发生率。在我们的主要分析中,我们使用肾脏疾病改善全球结局指南中1期AKI的定义,即血清肌酐水平升高至基线的1.5倍或在48小时内升高0.3 mg/dL。19我们排除了尿量标准,原因是担心其对AKI分类的特异性较差20以及我们的数据集中缺乏可靠数据。如果出院发生在手术后7天之前且截至当时无AKI证据,则判定为无AKI结局。次要结局包括住院透析的使用、术后住院时间7天或以上(以反映术后住院时间延长)以及院内死亡(补充材料eMethods)。

基线肾功能评估

基线值首先定义为手术开始前7天内最低的血清肌酐测量值和估算肾小球滤过率值21;如果无可用值,则定义为手术前最多365天内最近的值。22

变量

观察单位为非心脏手术的住院病例。变量被分为3组,以反映数据纳入范围的递增:院前变量、术前变量和围手术期变量。院前变量包括年龄、性别、种族和保险类型。还纳入了既往合并症,其来源于《国际疾病分类,临床修订版,第九版》和《国际疾病统计分类,临床修订版,第十版》的诊断编码。23 术前变量将院前变量与患者入院后但手术前的临床信息相结合,如实验室测量值、美国麻醉医师协会体能状态24和手术操作类型。为了对手术进行分类,我们使用医疗保健研究与质量局医疗成本和利用项目临床分类软件,将每个主要当前操作术语编码映射到244个独特的手术组。25 这些变量的数据从入院开始收集至手术操作开始。围手术期变量在术前变量的基础上增加了术中数据。术中数据包括心率和血压等变量;液体状态,如总液体输入量和估计失血量;以及药物使用,如血管升压药和术中抢救药物(例如氯化钙)。该类别的数据在手术操作开始至结束之间使用电子健康记录(EHR)中的时间戳收集(完整变量列表见补充材料中的eAppendix)。

变量的缺失数据

由于某些变量包含数据伪影和极端值,我们将低于第1百分位数的变量值设为第1百分位数值,将大于第99百分位数的值设为第99百分位数值。数据清洗后,观察值内缺失数据的比例为0.10%(即术中心率)至98.6%(即N末端B型利钠肽原实验室测量值)(补充材料中的eTable 1)。为避免排除预测变量存在缺失数据的观察值,我们为每个协变量添加了二分变量,指示该观察值是否存在缺失值。对于缺失指示变量等于1的观察值,缺失的协变量数据被替换为固定值。26 该方法使我们能够使用更大的研究样本,同时保留存在值与缺失值的信息。该方法比一般均值插补更灵活,且不如多重插补中常用的随机缺失假设那样严格。

统计分析

为了考察在整个手术过程中加入更多变量时预测准确性和风险分层的改善情况,我们分别针对每个变量组(院前、术前和术中)实施模型。我们使用了3种建模方法:带弹性净选择的逻辑回归、随机森林和梯度提升机(GBM),并将其应用于每种AKI定义。对于随机森林和GBM模型,我们在推导数据集上使用3折、30次迭代的随机网格搜索来选择最优模型参数。对于GBM,我们使用决策树作为弱学习器,并使用逻辑回归作为损失函数。验证集用于评估、验证并最终确定我们的模型参数。最终模型结果仅报告测试数据集的结果。

模型性能

我们比较了开发、验证和测试数据集之间的差异,并使用测试数据集(样本的20%)报告模型性能结果。分类变量使用χ2检验进行比较,连续变量使用Mann-Whitney检验进行比较。模型性能使用AUC27评估,我们通过比较模型估计的AKI与观察到的AKI来计算AUC。我们使用DeLong等28的方法计算95%CI,并采用1000个自助抽样样本以检验模型之间的显著性。我们在3种建模方法内分别比较了3组变量(反映数据的逐步增加)的模型性能,并且在使用同一组数据元素时跨3种建模方法比较了模型性能。

风险分层

为说明其对临床效用的意义,我们将患者按肾脏病改善全球预后组织AKI高风险和低风险进行分层,并比较与AKI相关的主要结局和次要结局的发生率。如果患者预测的AKI风险位于测试数据集人群(n = 8494)29的前20%,则被分层为高风险类别,其余80%的患者被分层为低风险类别。风险分层在院前、术前和术中数据集上进行,检查主要结局和次要结局,并按有无事件的患者就诊进行考察。

敏感性分析

我们检验了结果对若干数据和建模决策的敏感性,包括使用超级学习器算法、将离群数据值归类为缺失、按手术类型(例如骨科、普外科和神经外科)以及AKI的替代定义(补充材料中的eMethods)。30,31,32鉴于缺乏基于证据的AKI高风险概率值定义,前20%是任意选择的,因此我们通过使用前10%和前30%来考察对截断值的敏感性。

带弹性净选择的逻辑回归(PROC GLMSELECT)使用SAS软件9.4版(SAS Institute Inc)实现。超级学习器使用R 3.4.3版SuperLearner包(R Foundation)实现。所有其他代码和预测模型(RandomForestClassifier、GradientBoostingClassifier)在Python 3.6版(Python Software Foundation)中运行,并使用Pandas 0.23.3和Scikit-learn 0.19.1库。双侧检验以P < .05为差异有统计学意义。

结果

研究人群

在77 975例接受大型非心脏手术的患者中,我们识别出42 615例符合研究标准的非心脏手术患者病例(表1)。患者平均(SD)年龄为57.9(15.7)岁,23 943例(56.2%)为女性,27 857例(65.4%)为白人,19 470例(45.7%)拥有商业保险。最常见的手术类型为骨科(15 718例[36.9%])、普外科(8808例[20.7%])和神经外科(6564例[15.4%])。大多数患者在术前被归类为美国麻醉医师协会体格状态3级(严重系统性疾病)或2级(轻度系统性疾病)。24 共有3859例患者(9.1%)在研究期间接受了多次手术。在研究样本中,4318例患者(10.1%)发生了AKI(表2),各定义间结果相似(补充材料中的eTable 2)。此外,103例患者(0.2%)接受了住院透析,8335例患者(19.6%)术后住院时间达7天或以上,255例患者(0.6%)在医院内死亡。患者特征、AKI发生率及其他临床结局在推导集、验证集和测试集之间未表现出实质性差异(表2)。

表1. 模型推导集、验证集和测试集中的患者特征a 查看原表 ↗
表2. 模型推导集、验证集和测试集中的临床结局a 查看原表 ↗

模型性能

在测试集的8494例患者中,845例患者(9.9%)发生了肾脏病改善全球结局(KDIGO)定义的AKI(表2)。使用弹性净选择法的逻辑回归,随着临床变量的加入,AUC逐渐增大(图):使用院前变量的AUC为0.700(95% CI,0.681-0.719),使用包含院前变量的术前变量的AUC为0.782(95% CI,0.765-0.799)(与仅使用院前变量模型的AUC比较,P < .001),使用包含术中变量的围手术期变量的AUC为0.790(95% CI,0.773-0.807)(与仅使用术前变量模型的AUC比较,P = .02)。随机森林模型使用院前变量的AUC为0.710(95% CI,0.690-0.728),使用术前变量的AUC更高,为0.787(95% CI,0.770-0.803)(与仅使用院前变量模型的AUC比较,P < .001),使用围手术期变量的AUC最高,为0.808(95% CI,0.790-0.823)(与仅使用术前变量模型的AUC比较,P < .001)。GBM模型在所有模型中产生了最高的AUC,使用院前变量的AUC为0.712(95% CI,0.694-0.731),使用术前变量的AUC更高,为0.804(95% CI,0.788-0.819)(与仅使用院前变量模型的AUC比较,P < .001),使用围手术期变量时AUC最高,为0.817(95% CI,0.802-0.832)(与仅使用院前变量模型的AUC比较,P < .001)。各数据集的完整模型性能、校准曲线以及变量系数和重要性见补充材料中的eTable 3-7和eFigure。

图。使用院前、术前和围术期数据对急性肾损伤进行建模的3种方法性能比较。用于建模的方法包括弹性网络选择的逻辑回归(A)、随机森林(B)和梯度提升机(C)。青色线为包含院前变量的模型。橙色线为使用术前变量(包括院前变量)的模型。深蓝色线为使用围术期数据(包括术前和院前变量)的模型。测试集中显示了使用院前、术前和围术期变量组的各模型的受试者工作特征曲线(AUC)。AUC或C统计量连同95%CI一起计算。DeLong等28检验表明模型AUC之间存在显著差异(P < .001)。 查看原图 ↗

风险分层

使用GBM模型,8494例患者中有1699例(20.0%)被归类为高风险,6795例(80.0%)被归类为低风险(表3和表4)。我们分别将该风险分层应用于每一组变量(反映临床变量的逐步添加)并比较分类。尽管添加围术期数据时区分度的改善具有统计学显著性,但该改善似乎不具有临床显著性。特别是,被归类为高风险的患者中AKI发生率从29.1%改善至30.0%;然而,仅有净15例患者被适当地重新分类为高风险(即67例患者被适当地重新分类为高风险,但52例患者被不适当地重新分类为低风险),另有净15例患者被适当地重新分类为低风险(即329例患者被适当地重新分类为低风险,但314例患者被不适当地重新分类为高风险)(表3)。

这些小幅改善在主要结局和次要结局中一致(表4)。随着更多数据的添加,高风险组中肾脏病改善全球结局组织定义的AKI发生率增加(院前,22.3%;术前,29.1%;围术期,30.0%)。次要结局的发生率也类似增加:住院透析(院前,1.3%;术前,1.7%;围术期,1.8%)、术后住院时间大于或等于7天(院前,33.4%;术前,43.4%;围术期,45.6%)和住院死亡(院前,2.0%;术前,2.4%;围术期,3.0%)。最大的增加出现在添加术前数据之后,而较小的增加出现在添加术中数据之后。

表3. 在测试数据集中添加和不添加术中数据的模型预测的急性肾损伤风险a 查看原表 ↗
表4. 测试数据集中的急性肾损伤风险分层及各变量组的临床结局发生率a 查看原表 ↗

敏感性分析

多项敏感性分析的结果与我们的主要结果一致(补充材料中的e表8-12)。

讨论

本研究的结果表明,临床EHR数据可用于开发相当准确的预测模型,对接受大型非心脏手术的成人进行术后AKI风险分层。随着纳入更多临床信息,模型性能提高,其中添加术前数据时性能增益最大。这一发现对不同建模技术和AKI定义均稳健。

然而,将术中数据加入术前数据所带来的准确性提升充其量是适度的,在AUC上仅显示出边际性的改善,且似乎不具有临床意义。这些结果在风险分层中也得到了类似反映。例如,在整个8494例患者的测试集人群中,加入围手术期数据后仅有30例被适当地重新分类为高风险或低风险。这一发现可能提示,将术中数据加入AKI风险分层模型相对于实施复杂性而言可能不会产生实质性获益。其他术后并发症(如院内死亡率)模型结果的对比进一步凸显了这一点,对于这些并发症,加入术中数据可带来风险分层的实质性改善。13

尽管我们的模型在整个研究人群中平均而言并未表现出显著更高的判别能力,但可能存在某些患者亚组,加入术中数据能以具有临床意义的方式改善风险分层。作为将此类算法付诸实践的更广泛努力的一部分,探索亚组的进一步研究正在进行中。我们所使用模型的一个特点是,它们适合在从电子健康记录(EHR)接收或提取数据的电子系统中实施。

本研究的另一项贡献是实施了多种统计学和机器学习方法,并使用了多种AKI定义作为主要结局。这一方法提示我们的结果可能反映了AKI风险分层模型的准确性,并凸显出建模方法和AKI结局定义的变异性可能不太可能解释既往研究中判别能力(即AUC范围为0.73至0.80)的差异。8,9,10

局限性

本研究存在若干局限性。首先,这是一项单机构研究,EHR数据的可及性以及实践模式在其他机构可能有所不同。然而,我们使用了来自一个健康系统内多家医院的数据,涉及不同的外科和麻醉团队及临床医生。此外,我们使用的术中数据很可能作为患者手术期间常规监测的一部分被采集。第三,我们的随访期仅限于医院环境,其他重要临床结局的记录可能有限。我们未采集纵向结局,这可能影响对其他重要长期结局进行风险分层的能力。第四,我们没有可靠的尿量数据,这可能导致AKI识别不完整。

结论

本研究的结果提示,EHR数据可用于对有围手术期AKI风险的患者进行准确分层。然而,加入术中数据所带来的性能适度改善应与临床效用相权衡,而特定亚组是否可能从该添加中获益的检验需要进一步研究。

参考来源

  1. Lei VJ, Luong T, Shan E, et al. Risk Stratification for Postoperative Acute Kidney Injury in Major Noncardiac Surgery Using Preoperative and Intraoperative Data. JAMA Netw Open. 2019. PMID: 31808922. doi:10.1001/jamanetworkopen.2019.16921
  2. 全文:PMC6902769(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6902769/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。