基于支持向量机算法的重症患者压力性损伤分级预测模型的构建及应用价值*

张 晶,王亚玲,梁泽平,解浪浪,简福霞,艾山木,商 璀

(1.中国人民解放军陆军特色医学中心血液科,重庆 400042;2.中国人民解放军陆军特色医学中心护理部,重庆 400042;3.重庆市九龙坡西区医院重症医学科,重庆 400052;4.陆军军医大学临床护理学教研室,重庆 400038;5.中国人民解放军陆军特色医学中心重症医学科,重庆 400042;6.重庆市急救医疗中心急诊科,重庆 400015)

压力性损伤(PI)是指皮肤或底层软组织的局部损伤,通常发生在骨隆突处,是医院护理工作质量控制的重要指标之一。重症监护病房(ICU)患者是PI的高风险人群,据不完全统计,PI在重症患者中的发生率为16.9%～23.8%[1],远高于平均水平的8.4%[2]。Waterlow、Braden、Norton等量表常被用于评估发生PI的风险,但此类评估工具受实施者及患者主观影响较大,且缺乏对PI分级的预测能力[3]。据文献报道,1期PI发生率最高,表现为皮肤红斑,压之不变色,但皮肤相对比较完整,因此,对患者的影响较轻[4]。但在临床工作中部分初期表现为1期PI的患者皮肤情况会逐渐恶化,据统计,在给予适当护理措施的条件下仍有10%、12%的患者会进展为2、3期PI,因此,1期PI患者逐渐成为医院监督和管理的重点对象[5-6]。

PI分级预测模型的构建具有重要意义。通常认为系统的评估和及时干预是预防PI的关键[7]。因此,多数研究将目光聚焦在PI的风险预测方面,旨在为制定早期的干预方案提供参考依据。近年来,逐渐有研究发现,对患者给予分级护理可有效降低PI发生风险、降低并发症发生率,以及避免病情进一步发展[8-9]。但目前缺乏对PI分级预测相关的研究,尤其是对较为严重的PI分级预测,如2期及以上的PI,针对患者分级护理的精准度尚有待于进一步提高。

高频超声(HFUS)在PI风险预测模型的研究中具有广泛应用。HFUS指频率在10 MHz以上的超声,其理论探测深度可达15～25 mm。有研究表明,PI的发生过程中涉及组织病理生理学变化,如皮肤温度[10]、组织血流灌注[11]、表皮下水分[12-13],以及局部组织血氧代谢情况[14]等对PI的风险预测具有潜在的量化价值,而这些病理生理学变化的初步迹象可被HFUS早期发现[15]。当HFUS透过病变组织时反射的回声与周围正常组织会有较为明显的差异,可在临床症状出现前显示出是否存在组织损伤或水肿,具有分辨率高、动态、实时、可重复等特点[16-17]。在HFUS下早期PI的影像学特征表现为层次结构不清、低回声病变、筋膜不连续、不均匀低回声4种经典类型,可作为早期PI筛查的指标[18],但对PI分级预测的能力尚有待于进一步研究。

机器学习算法在PI的分级预测中具有潜在价值。随着我国护理信息化平台的不断发展数量庞大的、结构复杂的数据利用与机器学习算法相结合已成为必然趋势[19]。临床PI管理中同样存在大量多重结构的数据,在机器学习算法的加持下已被广泛用于创面的测量和分析、PI风险预测模型的构建等方面,其中支持向量机(SVM)作为经典的机器学习算法之一,在处理PI管理中的分类任务时较其他算法表现出更高的性能[20]。PI的分级预测在本质上同样属于分类任务,但目前SVM对PI分级预测的准确率仍缺乏相应的文献报道。本研究采用SVM算法联合HFUS的影像学特征和临床结构化数据构建ICU患者PI分级预测模型,通过模型的内部验证及参数优化得到性能最佳的模型,旨在为PI的分级预测及早期的分级护理提供参考依据。

1 资料与方法

1.1资料

1.1.1研究对象 本研究为回顾性研究,收集2020年12月至2022年12月157例在重庆市某三级甲等医院重症医学科住院患者的临床资料。本研究经中国人民解放军陆军特色医学中心伦理委员会审批通过[医研伦审(2020)第188号]。

1.1.2纳入标准 (1)年龄大于或等于18岁;(2)住院期间发生过2期及以上PI;(3)入院24 h内有HFUS图像留存。

1.1.3排除标准 (1)入院时存在PI;(2)孕妇;(3)HFUS图像质量不佳,难以分辨其特征。

1.2方法

1.2.1样本量大小 目前,尚无标准的SVM样本量计算方法,为保证模型的精准度及稳定性参考HYUN等[21]基于功效分析计算最小样本量的方法。功效分析可在给定置信水平(α)、功效水平(1-β)及效应值的情况下计算该统计方法所需的最小样本量。本研究选取在单因素分析中差异有统计学意义的变量——年龄、血清清蛋白水平、急性生理和慢性健康状况Ⅱ评分(APACH-Ⅱ)、血糖水平、体重指数(BMI)、Braden评分、筋膜不连续、不均匀低回声、二便是否失禁和血清总蛋白水平,基于“pwr”包计算各变量在α=0.05、功效水平为90%时所需的最小样本量,结果显示,所需最小样本量的临界值为151,即在先验显著性水平为0.05、不低于90%的可能性断言以上变量,在单因素分析中的结果可信所需的最小样本量为151,低于157的实际样本量,因此,本研究纳入的样本量充足。

1.2.2PI分级标准 根据美国国家压疮咨询委员会2019年更新的指南将PI分为6期[22]:(1)1期患者皮肤变红,按压不褪色,但无皮损;(2)2期患者部分皮层受损,通常伴一定的皮损,如水泡等,真皮层也会出现一定的受损;(3)3期患者出现全层皮肤受损,疼痛情况相对较明显;(4)4期患者出现全层皮肤和组织缺失;(5)不可分期患者为全层皮肤和组织缺失,损伤程度被掩盖,不能明确判断分期;(6)深部组织损伤患者持续加压不变白,颜色为深红色、栗色或紫色。

1.2.3调查工具 在文献[23-24]回顾基础上对重症医学科1名主任医师及2名副主任护师进行咨询后自行设计ICU患者HFUS PI调查表,包括4部分、20个指标:(1)一般资料包括性别、年龄、入院时APACH-Ⅱ、PI分期等;(2)营养相关指标为BMI,以及血清清蛋白、血清前清蛋白、血清总蛋白、血糖水平等;(3)PI风险评估工具为Braden量表总分及6个维度得分;(4)HFUS图像特征为层次结构不清、低回声病变、筋膜不连续、不均匀低回声等。

1.2.4资料收集 参照文献[25]的方法对研究小组的HFUS图像特征辨识能力进行培训,通过考核的研究者对患者入院24 h内采集的HFUS图片的特征进行辨别,患者入院24 h内的一般资料、营养相关指标、PI风险评分、住院过程中是否发生PI通过医院电子病历系统收集。所有的数据由2名研究者独立完成,采用EpiData3.1软件进行双人录入,发现数据不一致后由第3名研究者核查并修改。

2 结 果

2.1一般资料 157例患者中男125例(79.62%),女32例(20.38%);年龄55(42,69)岁;APACH-Ⅱ 26(20,29)分;PI分级:2期组74例(47.13%),3期组32例(20.38%),4期组51例(32.48%)。

2.2单因素分析 3组患者二便是否失禁、年龄、APACH-Ⅱ、BMI、Braden评分、筋膜不连续及不均匀低回声,以及血清清蛋白、血清总蛋白、血糖水平比较,差异均有统计学意义(P<0.05)。见表1。

表1 单因素分析

2.3分级预测模型的建立 当gamma=0.1、cost=2.2时模型的性能最佳,此时准确率为95.41%,精确率为94.57%,召回率为93.69%,F1值为94.11%,AUC为0.996。

2.4分级预测模型的内部验证结果 验证组患者在模型中被正确分类39例,包括2期19例,3期7例,4期13例,准确率为81.25%,精确率为79.70%,召回率为80.30%,F1值为79.90%,AUC为0.939。分级预测模型对2期PI预测能力的精确率、召回率、F1值、AUC分别为82.61%、82.61%、82.61%和0.946;对3期PI预测能力的精确率、召回率、F1值、AUC分别为63.64%、58.33%、60.87%和0.927;对4期PI预测能力的精确率、召回率、F1值、AUC分别为92.86%、100.00%、96.30%和0.953。见表2、图1。

图1 验证组ICU患者分级预测模型的多分类受试者工作特征曲线

表2 基于验证组数据模型的性能评估

3 讨 论

3.1ICU患者PI分级的影响因素 本研究单因素分析结果显示,入院时存在二便失禁、高龄、高APACH-Ⅱ、低BMI、低清蛋白、低蛋白、高血糖、低Braden评分、筋膜不连续和不均匀低回声是导致PI分级较高的因素。有研究表明,二便失禁、高龄、低蛋白、高血糖、低Braden评分是PI的独立危险因素[26]。崔丽丽等[27]研究表明,BMI偏高是骨科俯卧位患者术中发生PI的独立风险因素,与本研究结论相反。本研究经多重Wilcoxon检验结果显示,2、3期PI患者BMI无差异,而二者与4期PI患者BMI比较,差异均有统计学意义(P<0.05)。既往研究表明,老年慢性阻塞性肺疾病患者入院时营养状态与PI分期呈明显负相关[28]。结合本研究结果表明,通常情况下肥胖(高BMI)会加重患者的受压面积及翻身的频率,导致增加PI发生的风险,但在一定范围内的低BMI会导致营养状态差,反而增加PI的发生风险及严重程度。一项回顾性对比研究发现,PI患者入院时APACH-Ⅱ明显高于未发生过PI者,差异有统计学意义(P<0.05)[29]。本研究结果显示,3组患者APACH-Ⅱ比较,差异有统计学意义(P<0.05),表明高APACH-Ⅱ既是发生PI的危险因素,同时与PI严重程度有关。

3.2分级预测模型性能较好 本研究采用准确率、精确率、召回率、F1值、AUC评估分级预测模型的预测性能。准确率即所有预测样本中预测准确的占比;精确率体现真正例在预测为正例的实例中的占比,即真阳性;召回率反映预测正确的例在正例总体中的比例,评估所有实际正例是否被预测出来的覆盖率占比多少,通常精确率和召回率呈负相关;F1值是精确率和召回率的加权调和平均数,准确率、精确率、召回率、F1值越大表示模型的性能越好[30]。AUC被广泛用于分类器的量化评估,AUC>0.900提示模型的准确率较高[31]。本研究构建的分级预测模型的精确率、召回率、F1值、AUC分别为79.70%、80.30%、79.90%、0.939,提示其性能较好。混淆矩阵结果显示,该模型预测准确率为81.25%,表示在验证组中预测对象中被该模型正确分类的例数占总例数的81.25%,说明模型正确率良好[32]。

3.3基于HFUS和SVM的PI分级预测模型对临床的意义和价值 HFUS在PI风险预测模型的研究中具有广泛的应用,在PI分级预测模型中的性能尚有待于进一步揭示。本研究结果显示,超声特征显示为筋膜不连续和不均匀低回声为2期PI向3、4期PI发展的危险因素,提示筋膜不连续和不均匀低回声是PI恶化的可量化指标,将其作为参数纳入基于机器学习的PI分期预测模型中内部验证的预测准确率达到81.25%,总模型的AUC为0.939,高于传统的机器学习算法,表明HFUS联合机器学习算法能更精准地预测ICU患者在住院期间发生PI的分期情况。此外将分级预测模型与电子病历系统相结合能更精准、及时地发现有PI恶化倾向的高危人群,避免传统PI评估耗时长、主观性强等缺点,减少临床护士工作压力,提高工作效率。

综上所述,基于HFUS的影像学特征和临床结构化数据、采用SVM算法构建ICU患者PI分级模型,通过五折交叉验证法进行模型参数优化,最终模型在内部验证中表现出良好的性能和准确率,可为临床医护人员制订ICU患者预防PI的分级护理干预方案提供参考依据。