決策樹(shù)模型在氣管插管困難預(yù)測(cè)中的應(yīng)用

重慶醫(yī)科大學(xué)附屬兒童醫(yī)院(40003) 張 姝 張 強(qiáng)

現(xiàn)代臨床麻醉實(shí)踐中，氣管插管困難是常見(jiàn)的呼吸相關(guān)的有害結(jié)果，在臨床實(shí)際工作中，氣管插管困難發(fā)生率大約是3% ～18%〔1，2〕，因嚴(yán)重的氣管插管困難處理失敗導(dǎo)致的死亡約占麻醉事故相關(guān)死亡病例30%〔3〕，且困難程度越高，腦損害或死亡的危險(xiǎn)性越大〔4〕。因此，如果醫(yī)生能事前預(yù)測(cè)困難氣道插管難度并做好充分的心理和設(shè)備準(zhǔn)備，可在一定程度上有效的防止困難氣道插管的有害結(jié)果及降低死亡率。

目前大多是應(yīng)用單一臨床指標(biāo)進(jìn)行氣管插管困難的預(yù)測(cè)，這些單指標(biāo)預(yù)測(cè)的方法均存在一定缺陷，很多臨床報(bào)道認(rèn)為單指標(biāo)預(yù)測(cè)結(jié)果并不可靠，假陽(yáng)性和假陰性率較高〔5〕。近年來(lái)，國(guó)外有作者對(duì)氣管插管困難的臨床及解剖相關(guān)因素以及應(yīng)用多項(xiàng)指標(biāo)預(yù)測(cè)氣管插管困難進(jìn)行了探討，但是尚沒(méi)有建立適當(dāng)?shù)亩嘀笜?biāo)綜合統(tǒng)計(jì)模型對(duì)氣管插管困難進(jìn)行預(yù)測(cè)的報(bào)道。另外，目前臨床上較為常用的預(yù)測(cè)方法其標(biāo)準(zhǔn)多是根據(jù)對(duì)外國(guó)人測(cè)量的結(jié)果制定的，這些預(yù)測(cè)方法的分類標(biāo)準(zhǔn)是否同樣適用于中國(guó)人群也尚待研究。

資料來(lái)源

測(cè)量指標(biāo)的確定由查閱相關(guān)專業(yè)文獻(xiàn)、通過(guò)麻醉專業(yè)專家討論之后，選取專業(yè)上認(rèn)為能夠反映可能造成氣管插管困難的相關(guān)因素的指標(biāo)，包括性別、年齡、身高、體重、改良的Mallampati口咽評(píng)級(jí)、上唇咬合實(shí)驗(yàn)評(píng)級(jí)、門(mén)齒間距、頭后仰角度、頦甲間距、下頜骨角度、下頜骨長(zhǎng)度、雙下頜間距、頸圍、頸長(zhǎng)度14個(gè)指標(biāo)，其中連續(xù)性變量11個(gè)，離散型變量3個(gè)。納入對(duì)象為擬行氣管插管擇期手術(shù)的全麻住院病人，排除對(duì)象為凡有能確診為患有可能造成困難氣管插管的疾病的患者，如面部畸形、頭頸部活動(dòng)度受限、氣道病理性改變等，從而排除了某些疾病對(duì)氣管插管難度分級(jí)的影響。納入病人共計(jì)826例。

方 法

隨著計(jì)算機(jī)技術(shù)的發(fā)展，基于決策樹(shù)的分類方法是數(shù)據(jù)挖掘中較為典型的分類預(yù)測(cè)的方法，一棵決策樹(shù)的內(nèi)部節(jié)點(diǎn)是屬性或者屬性的集合，葉節(jié)點(diǎn)是所要?jiǎng)澐值念?，它采用自頂向?Top-Down)的遞歸方式，在決策樹(shù)的內(nèi)部節(jié)點(diǎn)(internal node)進(jìn)行屬性的比較，并根據(jù)不同屬性判斷從該節(jié)點(diǎn)向下的分支，在決策樹(shù)的葉節(jié)點(diǎn)得到結(jié)論〔6－7〕。

CART(classification and regression tree)算法又稱BFOS算法，在1984年由美國(guó)加利福尼亞大學(xué)的 Leo Breiman和斯坦福大學(xué)的 Jerome H．Friedman提出，其應(yīng)變量主要是二值分類變量，也可以是多分類、有序變量及連續(xù)型變量，自變量可以是離散變量，也可以是連續(xù)型變量。構(gòu)造CART決策樹(shù)的思路為:在整體樣本數(shù)據(jù)的基礎(chǔ)上，生成一個(gè)層次多，葉節(jié)點(diǎn)多的大樹(shù)，以充分反映數(shù)據(jù)之間的聯(lián)系，然后對(duì)其進(jìn)行刪減，產(chǎn)生一系列子樹(shù)，從中選擇適當(dāng)大小的樹(shù)，用于對(duì)數(shù)據(jù)進(jìn)行分類。假設(shè)樣本空間T包含為兩類樣本A類、B類，CART算法按照一定的規(guī)則對(duì)其進(jìn)行分割，產(chǎn)生兩個(gè)節(jié)點(diǎn)，即子集 T1、T2，滿足 T=T1∪T2且 T1∩T2= ?，這個(gè)過(guò)程重復(fù)進(jìn)行，直到按照某種標(biāo)準(zhǔn)，節(jié)點(diǎn)無(wú)法再分，成為最終的葉節(jié)點(diǎn)。

CART決策樹(shù)生成的具體過(guò)程如下:

1.首先，認(rèn)為CART的評(píng)估值為樣本空間的常數(shù)，即為響應(yīng)變量(response variables)的平均值。當(dāng)響應(yīng)變量的觀測(cè)值發(fā)生變化時(shí)，CART的評(píng)估值可表示為:

其中，T是指樣本空間，IT(x)是T的指標(biāo)函數(shù)。

2.將樣本空間分成兩部分，選一個(gè)特定的變量Xj。如果Xj為一連續(xù)隨機(jī)變量，選擇一個(gè)指標(biāo)量a，并

且定義:

5.繼續(xù)對(duì)T1、T2按以上步驟進(jìn)行分割，直到觀測(cè)樣本數(shù)變得很少或者樣本冗余的平方和最小、所有葉節(jié)點(diǎn)的樣本數(shù)為1或者樣本屬于同一類、決策樹(shù)高度達(dá)到用戶設(shè)置的閾值或者無(wú)屬性變量可以用來(lái)進(jìn)行分支時(shí)停止建樹(shù)。

結(jié)果與分析

1．單指標(biāo)改良的Mallampati口咽評(píng)分法(M法)預(yù)測(cè)結(jié)果

用Mallampati口咽評(píng)分法預(yù)測(cè)氣管插管結(jié)果，兩者都為困難或者都為不困難的共573人，預(yù)測(cè)結(jié)果與實(shí)際結(jié)果不同的共253人，即預(yù)測(cè)氣管插管困難的總正確率為69.4%，其中，氣管插管不困難者預(yù)測(cè)的正確率為79.7%，氣管插管困難者預(yù)測(cè)的正確率為38.3%(表1)。

表1 氣管插管患者M(jìn)allampati口咽評(píng)級(jí)法預(yù)測(cè)結(jié)果

2．決策樹(shù)模型CART算法預(yù)測(cè)結(jié)果

模型設(shè)置:根據(jù)本研究樣本量情況，設(shè)定樹(shù)結(jié)構(gòu)最大層數(shù)為5，Gini系數(shù)的最小變化值須大于0.01〔8〕。CART算法采用最小代價(jià)－復(fù)雜度(cost-complexity pruning)修剪方法，該參數(shù)設(shè)定越大則得到的子樹(shù)結(jié)構(gòu)越簡(jiǎn)單，結(jié)合挖掘數(shù)據(jù)信息需要、預(yù)測(cè)準(zhǔn)確率及樹(shù)結(jié)構(gòu)的簡(jiǎn)化程度，最終將復(fù)雜度參數(shù)設(shè)為0.5。在交叉驗(yàn)證數(shù)據(jù)集拆分項(xiàng)中，考慮到樣本量不是很大的情況，選擇20次拆分的方法，即每次隨機(jī)選取95%的數(shù)據(jù)作為訓(xùn)練集，剩余5%的數(shù)據(jù)作為測(cè)試集，保證每個(gè)數(shù)據(jù)僅有一次進(jìn)入測(cè)試集〔9〕。

本研究建立的決策樹(shù)模型以所有數(shù)據(jù)為根節(jié)點(diǎn)，以頭后仰度差為第一分層變量，樹(shù)高共6層10個(gè)葉節(jié)點(diǎn)(圖1)。圖中每個(gè)節(jié)點(diǎn)矩形框中標(biāo)示了該節(jié)點(diǎn)包含的總?cè)藬?shù)、氣管插管容易及困難分別對(duì)應(yīng)的人數(shù)及構(gòu)成比，每個(gè)節(jié)點(diǎn)處以構(gòu)成比高的結(jié)果屬性標(biāo)記為該節(jié)點(diǎn)的類別，并以亮色長(zhǎng)條表示。根據(jù)該決策樹(shù)可以看到，最后進(jìn)入模型的變量有7個(gè)，分別為頭后仰度差、年齡、頸圍、性別、門(mén)齒間距、雙下頜間距和下頜骨角度，可以提取以下分類規(guī)則:

規(guī)則1:頭后仰度差≤13.5cm+年齡＞54歲;

規(guī)則2:頭后仰度差≤13.5cm+年齡≤54歲+性別=男;

規(guī)則3:頭后仰度差＞13.5cm+頸圍＞39.25cm+年齡＞48歲;

規(guī)則4:頭后仰度差＞13.5cm+頸圍＞39.25cm+年齡≤48歲+雙下頜角間距≤11.85cm;

規(guī)則5:頭后仰度差＞13.5cm+33.95＜頸圍≤39.25cm+下頜骨角度≤56.5°。

根據(jù)以上規(guī)則對(duì)氣管插管進(jìn)行分類預(yù)測(cè)，該模型分類的總正確率為82.1%，其中對(duì)氣管插管不困難者分類的正確率為82.4%，氣管插管困難者分類的正確率為81.1%。

表2 氣管插管患者CART算法模型分類結(jié)果

3．傳統(tǒng)單指標(biāo)預(yù)測(cè)結(jié)果與決策樹(shù)模型預(yù)測(cè)結(jié)果比較

以傳統(tǒng)的預(yù)測(cè)方法及決策樹(shù)模型分類后每個(gè)個(gè)體所得的預(yù)測(cè)概率擬合ROC曲線，計(jì)算曲線下面積(圖2)，采用單一指標(biāo)進(jìn)行預(yù)測(cè)的M口咽評(píng)級(jí)法曲線下面積為0.590，說(shuō)明分類效能不高，其曲線下面積與0.5比較，差別有統(tǒng)計(jì)學(xué)意義(P＜0.001)，可以認(rèn)為該方法所進(jìn)行的分類有效，但是效果不好;CART算法決策樹(shù)模型曲線下面積為0.879，其曲線下面積與0.5相比，差別有統(tǒng)計(jì)學(xué)意義(P＜0.001)，分類效果較好(表3)。

討 論

本研究建立的CART算法決策樹(shù)模型是既可以處理連續(xù)性變量又可以處理離散型變量的分類模型。決策樹(shù)模型的優(yōu)點(diǎn)在于樹(shù)的構(gòu)建過(guò)程不受變量間共線性的影響，并且可以提示變量間可能存在的交互作用，從而使模型輸出結(jié)果更易于解釋。由于本研究中沒(méi)有數(shù)據(jù)缺失值的情況存在，未能體現(xiàn)決策樹(shù)模型在數(shù)據(jù)存在缺失值的情況下使用的優(yōu)勢(shì)所在。傳統(tǒng)的統(tǒng)計(jì)模型一般自身不能進(jìn)行缺失值的有效處理，而缺失值是實(shí)踐中普遍存在的問(wèn)題〔10－12〕，傳統(tǒng)方法只能刪除缺失數(shù)據(jù)或者采用一定的方法先對(duì)數(shù)據(jù)進(jìn)行填補(bǔ)，而決策樹(shù)本身可以把缺失值的屬性當(dāng)作獨(dú)立于其他屬性值的類參與決策樹(shù)的構(gòu)建，而且可以利用其算法并經(jīng)過(guò)一定的修正有效處理缺失數(shù)據(jù)。

圖1 氣管插管困難CART算法決策樹(shù)結(jié)構(gòu)圖

圖2 單指標(biāo)預(yù)測(cè)與CART模型預(yù)測(cè)roc曲線比較

表3 氣管插管困難兩種預(yù)測(cè)方法ROC曲線下面積

從模型結(jié)果來(lái)看，用目前臨床上常用的單指標(biāo)預(yù)測(cè)方法Mallampati口咽評(píng)分法對(duì)氣管插管困難進(jìn)行了預(yù)測(cè)，本研究顯示雖然這種方法預(yù)測(cè)快速、方便，但是預(yù)測(cè)的準(zhǔn)確率僅為69.4%，特別是對(duì)臨床上非常重要的氣管插管困難者的預(yù)測(cè)準(zhǔn)確率更低，僅為38.3%，對(duì)于大部分患者無(wú)法進(jìn)行正確的預(yù)測(cè)。決策樹(shù)模型預(yù)測(cè)的準(zhǔn)確率為82.1%，預(yù)測(cè)效果較為理想。

從模型結(jié)果的表達(dá)方式及易用性來(lái)看，決策樹(shù)模型最后采用邏輯“是”、“非”的表達(dá)方式，結(jié)果更加直觀，不需進(jìn)行任何數(shù)學(xué)計(jì)算，在臨床使用方便。另外，從決策樹(shù)模型最終的輸出結(jié)果還可以看到，對(duì)于連續(xù)性變量，模型都給出了該變量用于分類時(shí)的最佳分割點(diǎn)，從而可以直觀的看到某個(gè)因素對(duì)最終結(jié)果影響的分界點(diǎn)。

總之，綜合運(yùn)用多指標(biāo)建立的氣管插管困難預(yù)測(cè)模型比單指標(biāo)預(yù)測(cè)方法預(yù)測(cè)效果更好，CART算法的主要優(yōu)點(diǎn)在于剪枝過(guò)程中采用了交叉驗(yàn)證(cross validation)的方法來(lái)尋找最優(yōu)樹(shù)，解決了在小樣本集上決策樹(shù)由于沒(méi)有獨(dú)立測(cè)試樣本集而造成的過(guò)度擬合問(wèn)題，這樣形成的全局決策樹(shù)在性能上非常近似于由包含所有樣本的原始訓(xùn)練樣本集得出的決策樹(shù)。與神經(jīng)網(wǎng)絡(luò)模型相比，決策樹(shù)分類結(jié)果更簡(jiǎn)單、明確，結(jié)構(gòu)直觀，能清楚顯示對(duì)分類或預(yù)測(cè)有意義的變量，更容易理解;與傳統(tǒng)統(tǒng)計(jì)方法相比，決策樹(shù)預(yù)測(cè)結(jié)果更簡(jiǎn)單、明了，并且能夠處理有缺失值的數(shù)據(jù)以及變量間的共線性問(wèn)題，有利于充分利用資料信息，得到分類預(yù)測(cè)準(zhǔn)確率更高，結(jié)果更直觀的預(yù)測(cè)模型。

1．薛富善主編．困難氣管插管技術(shù)．科學(xué)技術(shù)文獻(xiàn)出版社，2002．

2．Crosby ET，Cooper RM，Douglas MJ，et al．The unanticipated difficult airway with recommendations for management．Can J Anaesth，1998，45:757-776．

3．Andropoulos DB，Rowe RW，Betts JM．Anaesthetic and surgical airway management during tracheo-oesophageal fistula repair．Paediatric Anaesthesia［Paediatr Anaesth］，1998．

4．王世泉編著．麻醉與搶救中氣管插管學(xué)．人民軍醫(yī)出版社，2005．

5．Toshiya shiga，Zen'lchiro Wajiama，Tetsuo Inoue，et al．Predicting difficult intubation in apparently normal patients:a meta-analysis of bedside screening test performance．Anesthesiology，2005，103:429-437．

6．史忠植主編．知識(shí)發(fā)現(xiàn)．清華大學(xué)出版社，2002．

7．Peter Waiganjo Wagacha．Induction of Decision Trees．Foundations of Learning and Adaptive Systems，2003．

8．Stalans LJ，Yarnold PR，Seng M，et al．Identifying three types of violent offenders and predicting violent recidivism while on probation:a classification tree analysis．Law ＆ Human Behavior，2004，28(3):253-71．

9．孫微微，劉才興，田緒紅．訓(xùn)練集容量對(duì)決策樹(shù)分類錯(cuò)誤率影響的研究．計(jì)算機(jī)工程與應(yīng)用，2005，10:159-161．

10．Arnold Alice M，Kronmal Richard A．Multiple imputation of baseline data in the cardiovascular health study．American Journal of Epidemiology，2003，157(1):74-84．

11．曹陽(yáng)，張羅漫．運(yùn)用SAS對(duì)不完整數(shù)據(jù)集進(jìn)行多重填補(bǔ)--SAS9中的多重填補(bǔ)及其統(tǒng)計(jì)分析過(guò)程(一)．中國(guó)衛(wèi)生統(tǒng)計(jì)，2004，21(1):56-63．

12．Abraham，W Todd，Russell，et al．Missing data:a review of current methods and applications in epidemiology research．Current Options in Psychiatry，2004，17(4):315-321．