基于人工神經網絡的老年單肺通氣患者術后譫妄預警模型的構建與評價

王董煥 吳科偉 卓淑蕾 方平

術后譫妄（postoperative delirium，POD）是術后1周內（或出院前）發生的一種原因不明的急性、可逆性、廣泛性、以神經認知功能受損為突出特征的急性腦病綜合征，且與患者近、遠期死亡率的增加呈正相關［1-3］。本項目前期研究揭示接受單肺通氣（one-lung ventilation，OLV）的老年患者易發生POD，因此構建該類患者POD的風險預警模型尤為重要［4-6］。然而POD的發病機制復雜、導致POD原因的多樣性以及各危險因素間也可能存在關聯，而單一、傳統的統計學方法在全面篩選危險因素以及疾病個體化預警方面具有一定的局限性。因此，本研究擬應用人工神經網絡（artificial neural network，ANN）構建并驗證老年OLV患者POD的風險預警模型以篩選臨床高風險患者，為后續多模式的治療奠定基礎。

1 資料與方法

1.1 臨床資料 收集2020年11月至2023年2月本院566例接受單肺通氣的老年手術患者的臨床資料。納入標準：ASA分級Ⅰ～Ⅱ級；年齡≥65歲；全麻胸腔鏡手術中行OLV的患者。排除標準：重要臟器嚴重受損者；已患精神類疾病或正在服用精神類藥品者；腦血管疾病、顱腦外傷史以及存在視聽力障礙等交流障礙者。剔除標準：臨床資料缺失率≥30%的觀察指標或病例。最終納入542例。數據集按照7∶3隨機劃分為訓練集和驗證集，利用訓練集分別構建老年OLV患者POD的ANN/Logistic回歸早期風險預警模型，并在驗證集中評估效能。本項目經醫院倫理委員會批準。

1.2 變量收集 在前期研究、文獻回顧和專家討論的基礎上，利用電子病例系統收集術前、術中和術后變量，共計23項，當臨床資料缺失率＜30%的觀察指標使用多重插補法填補數據。

1.3 樣本量估算 本研究有23個自變量，根據本項目前期研究證實老年OLV患者POD發病率為35.2%以及每個自變量至少需5例樣本進行驗證的經驗性建模樣本量要求，假設5%樣本丟失率，計算（23×5/0.352）/0.95后得出至少需要344例樣本［7］。

1.4 蘇醒期躁動和POD的診斷 回顧病歷系統中患者的Riker鎮靜-躁動量表，如≥5為發生蘇醒期躁動［8-9］；術后第1、3、5天中任一次的混淆評估評分≥20分提示發生POD［10］。

1.5 構建Logistic回歸的風險預警模型 設置因變量為POD（0=否，1=是）依次將上述指標代入自變量進行單因素分析以篩選有統計學意義的變量后進行多因素非條件Logistic回歸分析，采用逐步向前法進行變量篩選，分別設置進入方程水準=0.05、剔除水準=0.1并基于方程中的回歸中系數構建Logistic回歸風險預警模型。

1.6 構建ANN的風險預警模型 應用SPSS 24.0 神經網絡模塊的多層感知器，設置因變量為POD（0=否，1=是），將多因素非條件Logistic回歸分析有統計學意義的項目代入因子或協變量，設置隱含層中的單元數量選擇1～20個以及各層單位數選擇自動計算，調整訓練類型為批次且標度共軛梯度的優化算法，依次輸入初始Lambda、初始Sigma、區間中心點、區間偏移量為0.0000005、0.00005、0、±0.5，將訓練誤差的最小變化量和訓練誤差的最小變化率調整為0.0001和0.001，隱含層/輸出層激活函數為雙曲正切和Softmax，當誤差達到極小值時可提前終止訓練。

1.7 統計學方法 采用SPSS 24.0統計軟件。符合正態分布計量資料以（±s）表示，用獨立樣本t檢驗；偏態分布計量資料以M（IQR）表示，用或Mann-WhitneyU檢驗。計數資料以n（%）表示，用卡方檢驗。采用ROC-AUC和 Hosmer-Lemeshow擬合優度檢驗評價模型的區分度和校準度；采用配對卡方檢驗比較兩風險預警模型間預警效能差異，以P＜0.05差異有統計學意義。

2 結果

2.1 訓練集患者基線資料比較 見表1。

表1 訓練集患者基線資料比較

2.2 老年單肺通氣患者術后譫妄的單因素分析 見表2。

表2 兩模型預警效能比較

表2 老年單肺通氣患者術后譫妄的單因素分析

2.3 基于Logistic回歸的老年OLV患者POD風險預警模型的構建 將上述單因素分析有意義的變量進行多因素非條件Logistic回歸分析最終得出年齡（X1）、受教育年限（X2）、外周血氧飽和度（SpO2）＜90%時間（X3）、呼末二氧化碳（PetCO2）≤25 mmHg時間（X4）、平均動脈壓（MAP）波動幅度（X5）、蘇醒時間（X6）、蘇醒期躁動（X7）7個變量有意義（P＜0.05）。構建基于Logistic回歸的老年OLV患者POD風險預警模型為y=-29.816+0.253X1-0.066X2+0.572X3+0.111X4+0.16 X5+0.102X6+1.149X7。Hosmer and Lemeshow檢驗無統計學意義（χ2=5.807，P=0.669），提示模型擬合良好，見圖1。

圖1 老年單肺通氣患者術后譫妄多因素分析

2.4 基于ANN模型的老年OLV患者POD風險預警模型的構建 將Logistic 回歸分析中有意義的7個變量作為輸入層節點，隱含層為1層5個節點，輸出層為2個節點，構建ANN風險預警模型，經Hosmer and Lemeshow檢驗無統計學意義（χ2=8.011，P=0.433），提示模型擬合良好，模型中對不同預警變量的重要性排序見圖2。

圖2 ANN模型中自變量重要性排序

2.5 ANN風險預警模型與Logistic回歸風險預警模型的效能比較 將兩種模型代入驗證集中進行內部驗證并繪制ROC曲線（見圖3）。ANN風險預警模型的曲線下面積、靈敏度、特異度、陰性預測值和凈重新分類指數高于Logistic回歸風險預警模型（P＜0.05）；ANN風險預警模型的約登指數、F1 score、陽性似然比、陰性似然比優于Logistic回歸風險預警模型；兩模型準確率和陽性預測值比較差異無統計學意義（P＞0.05），見表3。

圖3 ANN與Logistic模型的ROC曲線比較

3 討論

疾病的預警是一個具有挑戰性的科學問題，目前僅有部分研究涉及心血管、骨科、神經外科手術患者POD的預警模型開發與驗證，但針對胸科手術中最常應用的OLV技術，這一特殊、非生理性通氣方式而導致POD風險預警模型的開發與驗證卻較少涉及［11-14］。POD的發生不僅與患者術前基礎狀態相關，更與術中管理、患者圍術期實時狀態密切相關。因此，本研究不僅納入患者術前的基本信息、疾病史和實驗室檢查等指標，且著重結合患者在胸科術中、術后的狀態以盡可能全面、客觀梳理因OLV而導致POD的危險因素，最終篩選出：年齡、教育年限、外周SpO2＜90%時間、PetCO2≤25 mmHg時間、平均MAP波動范圍、蘇醒時間和蘇醒期躁動七項指標，均為涵蓋患者圍術期內的重要變量［15-16］。上述變量中的年齡、教育年限、平均MAP波動范圍、蘇醒時間和蘇醒期躁動均已被多項研究證實是POD的危險因素或已被其它手術種類POD預警模型納入，而模型中SpO2＜90%時間和PetCO2≤25 mmHg時間這兩個變量，卻較少被其它模型采用，原因如下：（1）其它手術種類的患者在術中大多為常規雙肺通氣，如果術中管理得當，發生氧飽和度下降和/或PetCO2下降的幾率較低；（2）即使其它手術種類POD預警模型的建模過程中納入上述兩個變量，在建模分析中也會因無統計學意義而被剔除；（3）患者實施OLV后，由于通氣效率下降、側臥位、氧供減少、肺內分流等因素較易發生腦氧供減少，在排除導管位置異常、痰液堵塞和加用呼氣末正壓通氣等因素后，不得不通過增加分鐘通氣量予以彌補，但這同時也增加低碳酸血癥的風險［17］。缺氧會導致腦血管反射性擴張，而過度通氣和麻醉狀態卻削弱這種腦自我保護作用，出現腦氧供/需失衡導致POD的發生。ELENA等［18］揭示老年患者術中低氧/低碳酸血癥與POD間呈現劑量依賴的結論，印證了本文中上述兩個變量在預警OLV患者POD中的重要價值，也成為區別于其它手術類型POD預警模型的特征之一。

本研究分別采用ANN、Logistic回歸構建風險預警模型，依次從真實性、可靠性和預測性三方面共12項指標以多維度、深度評估兩模型間的預警效能差異。雖然兩預警模型均取得令人滿意的預警效能，但ANN風險預警模型的總體優勢更加明顯。一方面，ANN是在神經元與離散層的相互連接（深度模型），允許學習的數據傳播基礎上設計，這種動態算法與臨床決策模式接近，對于提高臨床決策能力具有重要意義［19］。另一方面，ANN風險預警模型是基于多因素非條件Logistic回歸所篩選變量的基礎上優化、微調各變量的權重，使得模型在驗證集中預警效能優于傳統的Logistic回歸風險預警模型，更有利于臨床醫師準確做出個性化的預警和決策。

基于ANN的風險預警模型對老年OLV患者POD的預警效能優于Logistic回歸風險預警模型。