基于机器学习的方法预测分析剖宫产手术中脊髓麻醉后低血压的发生

摘要

目的构建剖宫产手术中脊髓麻醉后低血压的预测模型并进行验证。方法回顾性收集2014年4月1日至2018年5月1日在华中科技大学同济医学院附属同济医院行剖宫产手术的所有施行脊髓麻醉的患者,其中满足纳入标准的病例为3100例。数据预处理后,通过Lasso回归交叉验证的方式选择构建模型的重要特征。利用上述特征和术中具有时间序列特征的生命体征向量,分别构建Logistic回归模型、支持向量机模型、随机森林模型、人工神经网络和Xgboost模型共5个模型。为了评估各种机器学习模型的预测准确性,绘制受试者工作特征(ROC)曲线并比较ROC曲线的曲线下面积(AUC)。针对最佳模型,本研究团队探索各个特征在该模型中的重要性。为研究模型的普适性和稳定性,研究人员对最佳模型进行十折交叉验证。结果共2113例患者纳入研究,其中出现脊髓麻醉后低血压的患者1005例。Lasso回归交叉验证选择了23个特征参与机器学习模型构建。Logistic回归模型、支持向量机模型、随机森林模型、人工神经网络和Xgboost模型的AUC值,分别为0.751(95%CI:0.721~0.780)、0.797(95%CI:0.770~0.824)、0.764(95%CI:0.735~0.792)、0.734(95%CI:0.704~0.764)和0.801(95%CI:0.775~0.827),其中Xgboost模型表现最佳。分析特征在模型中的重要性后发现,麻醉前生命体征的特点、年龄、身高等连续变量特征和昂丹司琼、硫酸镁、ASA分级、脊髓麻醉药物、双胎妊娠、先兆子痫和糖尿病等分类变量特征与脊髓麻醉后低血压的发生关系密切。Xgboost模型十折交叉验证中,该模型表现了良好的普适性和稳定性。结论利用多种数据构建Xgboost模型,其有着良好的预测表现和临床价值。