检索历史 清除

摘要目的：<br>　　术后认知功能障碍（Postoperative cognitive dysfunction，POCD）是指麻醉或手术后出现注意力不集中、记忆能力降低等认知功能改变，严重的患者甚至出现人格的改变和社会行为能力的下降的一种急性的、可逆的精神紊乱综合征。POCD具体的临床表现是记忆力的衰退，语言表达能力的减退，理解能力的损害以及注意力难以集中，性格及行为的改变等。POCD作为术后中枢神经系统常见并发症之一，可延长患者的住院时间，增加患者住院的费用以及死亡率，给患者的术后恢复造成了极大的影响，也严重威胁着患者的生命安全。同时，给患者及其家庭造成极大的经济负担及精神压力。既往研究表明POCD在老年手术患者当中发病率高达45%~60%。然而POCD的发病机制目前尚未明确。近年来，机器学习算法(Machine learning,ML)逐步应用于临床，基于ML建立的预测模型在预测患者死亡风险、并发症发生风险等方面表现较好。而贝叶斯网络(Bayesian network,BN)算法作为ML的一种特殊算法，在解释复杂不确定性方面有一定的优势。本研究拟利用围术期数据基于BN算法建立全膝关节置换术（Total knee replacement,TKR）后POCD的风险预测模型，并探讨模型的预测性能。同时，本课题组利用医疗领域常用的几种机器学习算法，包括极端梯度提升（eXtreme gradient boosting,XGBoost），随机森林(Random forest,RF)，支持向量机（Support vector machine,SVM），多层感知机（Multilayer perceptron,MLP）对数据进行建模，并验证其他机器学习算法在本研究数据集中的预测效果，以作为贝叶斯网络模型的补充方法，为临床医生及护理人员在早期发现POCD方面提供更多的参考。<br>　　方法：<br>　　1、采用病例-对照研究设计方案，选择陆军军医大学第一附属医院关节外科2017年1月至2021年12月行TKR的住院患者1260例。入院主要诊断为左/右膝关节重度骨性关节炎，其中男性240例（19.0%），女性1020例（81.0%）；年龄23~79岁，平均（66.73±8.46）岁；平均身体质量指数（BMI）为（24.75±5.75）kg/m2。将术后（手术结束至出院期间）发生POCD的患者（71例）按照7︰3随机分为A1组（70%）和B1组（30%），未发生POCD的患者（1189例）按照7∶3随机分为A2组（70%）和B2组（30%）。A1组与A2组共同构成A组（训练数据集），B1组与B2组则为B组（测试数据集），其中A组用于模型训练，B组用于模型测试。筛选TKR相关围术期麻醉决策、病情转归及住院时间等36项指标作为节点，利用BN算法建立各节点的概率分布模型图，预测POCD发生风险的概率，以期住院时间最短，促进最大化患者康复。<br>　　2、基于MLP建立的全膝关节置换术后认知功能障碍风险预测模型最终纳入研究的数据包括1260例TKR患者的医疗数据。将TKR后发生POCD的患者（71例）按照7︰3随机分为A1组（70%）和B1组（30%），未发生POCD的患者（1189例）按照7∶3随机分为A2组（70%）和B2组（30%）。A1组与A2组共同构成A组（训练数据集），B1组与B2组则为B组（测试数据集），其中A组用于模型训练，B组用于模型测试。采用SPSS23.0对训练集和测试集患者的性别分布、年龄、ASA分级、BMI等患者资料进行统计学分析，正态分布的计量资料使用均数和标准差表示，非正态分布的计量资料使用M（P25，P75）表示，计数资料使用例（%）表示。组间比较采用χ2检验、t检验、Fisher精确检验分析，Kruskal-Wallis检验。所有统计学检验为双侧，取P＜0.05为差异有统计学意义。<br>　　基于MLP算法建立TKR术后POCD发生风险的预测模型，预测POCD发生风险的概率。同时，利用医疗领域常用的几种机器学习算法，包括极端梯度提升（XGBoost），随机森林(RF)，支持向量机（SVM）对数据进行建模，并验证其他机器学习算法在本研究数据集中的预测效果。<br>　　结果：<br>　　1、试验最终纳入的患者数量为1260例，其中男性240例（19.0%），女性1020例（81.0%）；年龄23~79岁，平均（66.73±8.46）岁；平均BMI为（25.08±5.09）kg/m2；ASA分级为Ⅰ级的108例（8.6%），ASA分级为Ⅱ级的1152例（91.4%）。POCD组（71例）和非POCD组（1189例）患者的性别分布、ASA分级、BMI等资料比较，差异无统计学意义（P＞0.05），2组患者年龄比较，差异有统计学意义（P＜0.05）。<br>　　2、基于BN算法建立预测TKR后POCD发生风险模型，训练集的受试者工作曲线下面积（Area under the subject curve，AUC）值为0.9661（95%CI：0.9541~0.9784），敏感性、特异性分别为86.01%和97.02%，准确性为96.43%（95%CI：0.9511，0.9764）。测试集AUC值为0.8974（95%CI：0.8672，0.9285），敏感性、特异性分别为77.14%和95.53%，准确性为93.44%（95%CI：0.9092，0.9596）。<br>　　3、基于MLP算法建立预测TKR后POCD发生风险模型，训练集的AUC值为0.8715（95%CI：0.8189，0.9242），敏感性、特异性分别为74.01%和89.52%，准确性为96.15%（95%CI：0.9466，0.9732）。测试集AUC值为0.6819（95%CI：0.5673，0.7965），敏感性、特异性分别为70.76%和88.59%，准确性为83.44%（95%CI：0.8037，0.8556）。<br>　　结论：<br>　　1、基于贝叶斯网络算法建立预测全膝关节置换术后认知功能障碍发生风险模型的研究可行，该模型的预测性能较好且准确率较高。<br>　　2、基于多层感知机算法建立的模型预测全膝关节置换术后认知功能障碍发生风险的性能及准确率虽不及贝叶斯网络模型，但在临床研究与应用过程中可以作为贝叶斯网络模型的补充方法，为临床医生及护理人员在早期发现POCD方面提供更多的参考。