机器学习预测心脏手术后急性肾损伤的发生
该单中心回顾性队列纳入2016年8月至2018年8月671例接受冠状动脉旁路移植、瓣膜置换或联合手术的患者,按KDIGO标准定义术后7天内急性肾损伤(AKI),163例(24.3%)发生CSA-AKI。研究用94项术前与术中特征(含术中时序血流动力学)构建逻辑回归、支持向量机、随机森林、极限梯度提升及集成模型,以AUC评价。随机森林单模型AUC最高(0.839,95%CI 0.772–0.898),集成模型(RF+XGboost)AUC为0.843(95%CI 0.778–0.899)。随机森林重要性前3位为术中尿量、术中输注浓缩红细胞单位数和术前血红蛋白水平;前20位特征中14项为术中变量。作者认为机器学习可用于术后风险评估,但需外部验证。
要点
- 随机森林单模型预测CSA-AKI的AUC为0.839(95%CI 0.772–0.898),集成模型RF+XGboost的AUC为0.843(95%CI 0.778–0.899)。
- 随机森林重要性前3位特征为术中尿量、术中输注浓缩红细胞单位数、术前血红蛋白水平。
- 随机森林前20位重要特征中14项为术中变量、8项为时序变量,提示术中急性生理响应对AKI预测价值大。
- 研究为单中心、样本量相对较小,作者指出需外部验证以防过拟合,且需前瞻性研究评估临床应用。
- 简单决策树AUC最小(0.78,95%CI 0.71–0.85),7个叶节点中3个Gini指数超过0.45,提示分类不准确。
适用人群与场景
- 2016年8月至2018年8月在新北市亚东纪念医院接受冠状动脉旁路移植、瓣膜置换或两者联合手术的671例患者。
- 研究为回顾性队列,数据来自电子病历与数据库,研究方案经机构审查委员会批准(106159-E),因风险不超过最小风险而豁免知情同意。
诊断标准与关键阈值
- 术后AKI按KDIGO标准定义:术后7天内血清肌酐较术前参考值升高至少50%,或48小时内升高0.3 mg/dL。
- 慢性肾脏病定义为估计肾小球滤过率(eGFR)<60 mL/min/1.73 m²持续超过3个月,eGFR采用CKD-EPI肌酐方程计算。
研究设计与关键结果
- 单中心回顾性队列纳入671例心脏手术患者,163例(24.3%)在术后第一周发生CSA-AKI。
- 手术类型:冠状动脉旁路移植250例(37.3%)、瓣膜置换347例(51.7%)、联合手术74例(11%)。
- 随机森林单模型AUC最高(0.839,95%CI 0.772–0.898),集成模型RF+XGboost的AUC为0.843(95%CI 0.778–0.899),简单决策树AUC最小(0.78,95%CI 0.71–0.85)。
- 随机森林重要性前5位特征为术中尿量、术中输注浓缩红细胞单位数、术前血红蛋白、术前血清肌酐、术前eGFR;前20位中14项为术中变量、8项为时序变量。
- 全部变量缺失率0.16%,缺失值以均值或众数填补;训练集与测试集间所有变量差异无统计学意义。
证据类型、等级与局限
- 证据类型:单中心回顾性队列研究。
- 局限:作者指出仅使用单中心数据且纳入患者相对较少,机器学习算法在更大数据集、不同患者特征分布和不同机构中性能可能不同,需外部验证以防过拟合。
- 局限:算法从输入特征学习,一些未知或被忽视的、医师未纳入的特征可能导致隐藏关系丢失。
- 局限:大多数输入特征为手工获取。
- 局限:因本队列研究参与者较少,采用主成分分析对时序特征降维而非分析原始数据,可能丢失时间顺序和隐含信息。
- 局限:因既往风险评分模型所需变量不可获得,未用其进行性能比较。
- 局限:数据不平衡导致阳性事件数相对较少, predictive ability 受损;作者指出需未来前瞻性研究评估机器学习预测模型在临床实践中的应用以降低AKI风险。
对床旁实践的改变
- 作者认为机器学习方法可成功预测心脏手术后AKI,用于确定术后风险。
- 作者认为术中时序特征及其他术中特征对AKI预测至关重要,术中尿量、输血、术前血红蛋白等被传统风险评分忽视的特征值得关注。
- 作者指出正在开发实时自动电子健康记录算法,以整合多数据源围术期信息,机器学习预测模型可能具有临床实践应用潜力。
- 作者指出进一步软件开发正在进行,用于实时调整心脏手术后AKI风险,从而优化治疗改善预后。
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9 节 · 点击展开
引言
心脏手术相关急性肾损伤(CSA-AKI)是心脏手术后的并发症,与发病率和死亡率增加以及住院时间延长和医疗费用增加相关[1, 2]。一项关于2004-2014年期间CSA-AKI全球发病率和结局的荟萃分析表明,所有阶段AKI的发病率约为22%。合并的短期和长期死亡率分别为10.7%和30%,并随AKI严重程度而增加[1]。心脏手术后血清肌酐即使轻度升高也与30天死亡率显著增加相关[3]。
CSA-AKI的病理生理学是多因素的,目前仍未完全明了。低灌注、缺血再灌注损伤、神经激素激活、炎症、肾毒素暴露和体外循环(CPB)相关的非搏动性灌注是已知的促发因素[4, 5]。上述所有事件均可能在围手术期发生[6]。为合理管理CSA-AKI,需要一个精确的预测模型来识别高危患者,以优化术后治疗策略。先前发表的几个预测模型已显示出合理的区分严重AKI或需要透析的AKI患者风险的能力[7-14]。然而,这些模型中AKI的定义不一致,且仅有少数模型使用了术中变量,而术中变量可能对AKI的预测产生关键影响。在风险、损伤、衰竭、丧失、终末期肾病(RIFLE)和急性肾损伤网络(AKIN)标准制定之前[15],文献中尚无统一的AKI定义。肾脏疾病:改善全球结局(KDIGO)AKI分期标准经AKIN修改而成,显示出更敏感的AKI检测能力[16]。第一个预测所有AKI分期(包括较轻的1期病例)的模型是在一项前瞻性研究中 using 共识KDIGO标准开发的[17]。所有风险模型均使用逻辑回归方法开发,该方法要求变量与结局之间呈线性关系的统计假设。此外,逻辑回归要求自变量独立,并基于其对多重回归模型的统计显著性选择小的输入变量子集。但一些对输出变量有因果效应的变量可能不具有统计学显著性[18]。如果我们仅因统计假设而排除这些变量,可能会减少可用信息并错过可用于提高预测能力的意外关系。
为了分析众多可能与CSA-AKI发生相关的非线性及复杂关系的变量,需要一种替代且有效的方法来开发精确的预测模型。机器学习已被应用于医学领域,如结局预测、诊断、医学图像解读和治疗[19, 20]。机器学习技术不需要对输入变量及其与输出的关系做出假设。完全不依赖基于规则编程的纯数据驱动学习的优势在于,机器学习构成了一种合理的方法。因此,本研究应用机器学习方法开发了一个用于准确预测CSA-AKI的模型。术前变量和术中时间序列生理数据被用于优化预测模型。
方法
研究人群
我们回顾性审查了2016年8月至2018年8月期间在新北市远东纪念医院(FEMH)接受冠状动脉旁路移植术(CABG)、瓣膜置换手术及两者联合治疗的671例患者的病历。本研究开始前已获得FEMH机构审查委员会批准(106159-E),由于研究对患者的风险不超过最小风险,知情同意被豁免。该豁免不会对参与者的权利和福利产生不利影响。
数据收集与数据预处理
我们从电子病历和FEMH术中变量记录中收集了人口学特征、临床状况、术前生化数据、术前用药以及术中时间序列血流动力学特征(收缩压(SBP)、舒张压(DBP)、平均动脉压(MAP)和心率(HR))的数据。除时间序列特征外,所有数据均通过人工审查病历收集。时间序列数据从数据库中保存的电子记录获取。估算肾小球滤过率(eGFR)< 60 mL/min/1.73 m2持续超过3个月的患者被定义为患有慢性肾脏病(CKD)。此外,使用慢性肾脏病流行病学协作组肌酐(CKD-EPI)方程[21]计算所有患者的eGFR。对于时间序列特征(SBP、DBP、HR),使用手术开始后240分钟的时间段进行分析。平均动脉压(MAP)使用以下方程计算:MAP = DBP + 0.01exp (4.14–40.74/HR) (SBP-DBP) [22]。我们还使用平均真实变异性(ARV)指数来代表血压的短期、逐次读数、个体内变异性[23];与其他离散度指标(包括标准差(SD)、变异系数(CV)和加权SD [24])相比,这提供了更准确的方差估计。在计算ARV之前,我们排除了手术开始后10分钟的数据(因噪声信号过大)以及手术开始后50至100分钟的数据(因该时间段内许多患者接受了体外循环)(图1)。其他时间序列数据包括180个读数。我们使用以下公式计算SBP、DBP和HR的ARV:其中n为血压读数次数,Wk为BPk与BPk−1之间的时间间隔。每位患者的时间序列特征共有179个真实变异性。我们使用主成分分析(PCA)将基于SBP、DBP和HR计算的真实变异性(RV)数据从179维降至10维。我们直接使用PCA对MAP的绝对值而非RV进行降维。此外,我们使用时间序列特征的最大RV作为预测变量。
在所有变量中,数据缺失的总体比例为0.16%。缺失数据以各变量的平均值或众数进行填补。
心脏手术相关急性肾损伤的定义
术后AKI的发生根据KDIGO标准在术后前7天内定义[16]。术后AKI定义为与参考血清肌酐水平相比,7天内升高至少50%或48小时内升高0.3 mg/dL。术前测量的血清肌酐水平用作参考值。
机器学习
数据被随机划分,其中70%用于训练,30%用于验证。为克服训练集中数据的不平衡,我们将阳性病例复制5次以防止过拟合。所有分析均在Python(版本3.5)中开发。我们尝试了以下监督机器学习方法来开发预测模型,这些方法是用于分类问题的最流行和最新的机器学习方法:逻辑回归、简单决策树、随机森林(RF)、支持向量机(SVM)、极端梯度提升(XGboost)以及集成方法(RF + XGboost)。逻辑回归模型通过最大似然估计确定回归系数,准确预测二分类因变量的概率。基于树的学习算法包括简单决策树、RF和XGboost。决策树方法是一种树状决策模型,可以通过数学方法预测最佳选择。我们使用分类与回归树算法的优化版本开发简单决策树[25]。我们使用基尼指数作为指标来确定分裂点。基尼指数是数据集中随机错误分类的概率。简单决策树的弱点是不稳定性和过拟合风险,因此创建了RF和XGboost以改进预测。RF是一种集成分类器,通过多数投票结合多个决策树[26, 27]。XGboost是一种优化的分布式梯度提升库,通过将一组弱学习器转换为强学习器来提供优越的预测。该算法通过一些创新而强大,例如近似贪心搜索、并行学习和超参数[28]。我们还尝试了SVM,一种用于识别高维边界的算法,可明显分类数据点。
为评估各种机器学习模型的预测和准确性,我们计算并比较了受试者工作特征曲线下面积(AUC)。正确解读机器学习预测模型是一项挑战。我们使用SHapley加性解释(SHAP)值为每个预测模型中的每个特征提供一致且局部准确的归因值[29]。这是一种用于解释任何机器学习模型结果的统一方法。SHAP值评估在包含特征A相对于除A以外的所有特征组合时输出结果的重要性。
结果
我们回顾了2016年8月至2018年8月期间671例接受心脏手术患者的病历。人口统计学和围手术期变量列于表1。我们随机划分患者,将70%分配至训练集,其余30%分配至测试集。在患者中,250例(37.3%)接受了CABG,347例(51.7%)接受了瓣膜置换手术,74例(11%)接受了CABG联合瓣膜手术。对于时间序列特征(SBP、DBP、MAP、HR),我们计算了时间序列特征的ARV,数据列于表1。对于所有变量,训练集与测试集之间的差异均无统计学意义。发生CSA-AKI和未发生CSA-AKI患者的人口统计学和围手术期变量列于附加文件1。
我们使用了以下机器学习方法,并将所有变量作为输入变量,包括逻辑回归、简单决策树、随机森林(RF)、支持向量机(SVM)、XGboost以及RF + XGboost来预测术后急性肾损伤(AKI),其AUC如图2所示。关于单一模型对结局预测的效能,RF表现出最大的AUC(0.839,95%置信区间[CI] 0.772–0.898)。集成模型的AUC(0.843,95% CI 0.778–0.899)大于单独RF模型的AUC。简单决策树的AUC最小(0.78,95% CI 0.71–0.85)。
图3展示了一个用于将患者分类为有或无AKI的简单决策树模型。在7个叶节点中,有3个终端叶的基尼指数超过0.45,这意味着分类不准确。
RF方法的重要性矩阵图如图4所示,揭示了对模型贡献最大的前5个重要变量为术中尿量、术中输注浓缩红细胞、术前血红蛋白(HGB)、术前血清肌酐和术前估算肾小球滤过率(eGFR)。在前20个最重要的特征中,14个为术中变量,8个为时间序列变量。
为了识别对预测模型影响最大的特征,我们绘制了RF的SHAP汇总图(图5)以及预测模型的前20个特征。该图描绘了训练数据集中特征值的高低与SHAP值之间的关系。根据预测模型,某一特征的SHAP值越高,发生AKI的可能性越大。SHAP依赖图(图6)也可用于理解单一特征如何影响RF预测模型的输出。在SHAP依赖图中,y轴值表示特征的SHAP值,x轴为特征值。我们可以通过该图可视化特征的重要性归因如何随其特征值的变化而变化。特定特征的SHAP值超过零代表发生AKI的风险增加。
讨论
在这项回顾性队列研究中,我们开发并验证了使用94个术前和术中特征预测CSA-AKI的机器学习算法。RF模型在单模型预测中表现出最佳性能,而RF + XGboost模型在我们测试的模型中表现出最大的AUC。RF和XGboost模型是自举方法的应用,当可用数据集较小时可提高预测能力。在RF的重要性矩阵图和SHAP汇总图前20个特征中,超过一半为术中特征,这意味着术中状况对心脏手术后早期肾功能下降的主要影响。本研究证明了术中数据的价值,其反映了手术期间与CSA-AKI预测相关的急性生理反应;既往使用的预测模型侧重于术前状况。
Huen等人回顾了用于心脏手术后急性肾损伤(AKI)预测的已有风险评分,并根据广义定义将其分为需要透析的AKI和重度AKI。四个用于预测需要透析的AKI的临床风险评分,包括心脏外科持续改进研究评分[8]、克利夫兰诊所评分[9]、Mehta评分[10]和简化肾脏指数评分[11],仅使用术前变量开发。另外3个临床评分——围手术期缺血多中心研究评分[12]、心脏手术后急性肾损伤评分[13]和新英格兰北部心血管疾病研究组评分[14]——被开发用于预测重度AKI。其中两个纳入了一些术中变量以生成术后AKI风险评分。大多数研究采用多变量logistic回归方法进行分析,关于AUC的性能范围为0.76至0.84。 none使用了目前公认的AKI定义。英国一项纳入超过30,000名患者的前瞻性研究使用KDIGO标准预测CSA-AKI [17]。该模型与克利夫兰诊所评分相比表现出更好的区分度,与Mehta评分的区分度相似。
文献中第一项使用机器学习方法对CSA-AKI进行全阶段预测的研究报告称,XGboost达到了最佳AUC(0.78,95% CI 0.75–0.80)[30]。该研究表明,对于心脏手术后AKI的预测,机器学习模型的性能显著优于传统logistic回归模型。此外,该研究揭示,先前使用的风险评分模型在其数据集中的AUC往往仅为0.55,这可能归因于所使用的预测变量数量较少以及缺乏术中变量。我们针对RF的SHAP摘要图展示了一些根据传统风险评分模型已知与CSA-AKI相关的相似预测变量。然而,我们的图揭示了额外的新预测变量,其中一些与先前机器学习研究中梯度提升的重要性矩阵图一致。此外,通过使用SHAP摘要图获得的模型中贡献最大的前20个特征中有5个是时间序列变量,上述研究未对这些变量进行分析,但可能提高了我们研究中的AUC。一项单中心队列研究提出了一种机器学习算法,对接受任何手术的患者中约40%进行重新分类,这些患者被术前模型认为AKI低风险,但在纳入术中特征后被重新分类为高风险[31]。这也证明术中特征在AKI风险分层中发挥主要作用。在他们的研究中,术中时间序列特征被处理为最小值、最大值、均值、短期和长期变异性[32],与我们采用PCA处理时间序列特征以尽可能保留原始数据中变异性的方法相比,这可能导致有用信息的丢失。
我们使用ARV和RV来表示时间序列特征变异性的原因如下:文献中常用于评估24小时血压(BP)变异性(BPV)的指标有三种。第一个是24小时动态血压监测记录的标准差(SD),它仅考虑数值围绕均值的离散程度,而未考虑血压读数的顺序[33]。由于SD与平均血压相关,当使用两种以上不同测量值时,它在多变量预后模型中可能不够充分。第二个是变异系数(CV),它是克服上述SD问题的解决方案[34]。24小时SD的另一个主要弱点是其值受夜间血压下降的显著影响。第三个指标是“加权”24小时SD(wSD),它是通过按各自持续时间加权对日间和夜间SD求平均。它可以最小化夜间血压下降的影响而不丢失BPV信息[35]。然而,尚无标准化方法用于准确估计BPV。根据已发表的系统综述和荟萃分析,ARV是24小时BPV更准确的估计指标[24]。尽管我们的研究中使用了ARV,我们还使用了RV的PCA以保留时间序列特征变异性的最多信息。
我们研究的优势是使用SHAP值来揭示机器学习的黑箱。尽管先前使用的风险评分模型已识别出若干危险因素,如术前HGB、术前肾功能、年龄、手术时间、左心室射血分数、体重指数和高血压[7–14],但对术中尿量、静脉液体输注、血制品输注和血流动力学特征的动态变化的认识是传统风险评分模型所忽视的重要危险因素。值得注意的是,一些众所周知的危险因素在我们的研究中未排在前20位特征之列,如糖尿病、CPB时间和手术类型。CSA-AKI的病理生理学可能解释为何术中特征对AKI预测如此关键。尽管确切机制尚未完全阐明,已知肾低灌注由低流量、低压力、非搏动性灌注伴血液稀释引起;此外,由于CPB使用导致的快速降温、出血并发症和炎症反应在CSA-AKI发生中起重要作用[4]。血流动力学变化、血制品输注、静脉液体补充和术中尿量均反映对肾低灌注的急性反应及所需的管理。心脏手术后AKI的风险由术前健康状况相关的急性应激易感性和术中大幅动态生理反应决定,反映对手术的持续反应。因此,可开发软件来识别易发生AKI的高危患者,以优化心脏手术后的治疗策略。此外,数据集中缺失值极少,因为大部分数据为手工记录。因此,缺失值不会对结果产生负面影响。
本研究存在一些局限性。第一,我们的分析仅使用了单中心数据,纳入的患者相对较少。对于患者特征分布不同、机构不同的大型数据集,机器学习算法的性能可能有所不同。因此,需要进行外部验证以防止过拟合。第二,算法从输入特征中学习,由于医生未纳入的未知或忽略的特征,一些隐藏的关系可能已经丢失。第三,大多数输入特征是手动获取的。我们正在开发一种实时自动化电子健康记录算法,能够从各种数据源汇总患者的围手术期信息。借助这些技术,基于机器学习的预测模型可能有潜力应用于临床实践。第四,由于本队列研究参与者数量较少,我们使用PCA对时间序列特征进行降维,而不是分析原始数据,这可能导致了时间顺序和隐含信息的丢失。如果纳入更多患者,深度学习方法可能用于处理大量时间序列特征。第五,我们未使用既往风险评分进行性能比较,因为既往使用的风险评分模型所需的所有变量无法全部获取。最后,由于数据不平衡导致阳性事件数量相对较少,预测能力受到影响。未来需要开展前瞻性研究,评估基于机器学习的预测模型在临床实践中降低AKI风险的应用。
结论
总之,我们成功应用机器学习方法预测心脏手术后AKI,可用于确定术后风险。我们证明了术中时间序列及其他特征对AKI预测至关重要。进一步的软件开发正在进行中,用于实时调整心脏手术后AKI风险,从而优化治疗以改善预后。
补充信息
附加文件1。心脏手术后发生或未发生急性肾损伤患者的特征和围手术期变量。
参考来源
- Tseng PY, Chen YT, Wang CH, et al. Prediction of the development of acute kidney injury following cardiac surgery by machine learning. Crit Care. 2020. PMID: 32736589. doi:10.1186/s13054-020-03179-9
- 全文:PMC7395374(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7395374/
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。