祁海鸥,徐 欣,薛子豪
浙江大学医学院附属邵逸夫医院,浙江杭州 310016
机器学习算法是实现人工智能的关键技术。在医疗护理领域中,机器学习已被广泛应用于疾病预测与辅助诊断、医学影像识别、疾病预后评价和慢病健康管理等环节。随着医疗技术进步和医院规模扩张,手术室的运营与护理管理也迎来了新的挑战,借助机器学习算法实现手术室护理工作的智能化已成为发展趋势。当前,已有研究者在宏观层面提出手术室大数据系统框架用于优化手术室护理质量[1],但尚缺乏研究总结如何利用大数据实现手术室护理的智能化。本文通过总结机器学习算法在手术时长预测与手术资源规划、手术相关压力性损伤(surgery-related pressure injury,SRPI)预测与评估、手术部位感染(surgical site infection,SSI)与术中低体温风险预测中的应用,以期为提升手术室运营效率、优化手术患者的安全管理提供参考。
人工智能是通过机器模拟人类的方式,记录、积累、再现和运用知识的学科,本质是对人类意识与思维信息过程的模拟[2]。人工智能的主要技术体系包括机器学习、自然语言处理、计算机视觉、人机交互等。机器学习是实现人工智能最重要的分支之一,其本质在于通过算法解析数据之间的关系并从中学习,以实现预测和决策的功能。与传统统计分析方法不同,机器学习不需要人为决定预测因素的组合方式,算法自身将测试出最优交互项组合以优化目标函数。因此,机器学习相比于传统统计更侧重于提升数据分析的精确度以及算法效率。机器学习可分为监督学习、非监督学习、强化学习三类[3]。常用的机器学习算法包括支持向量机算法(support vector machines,SVM)、决策树算法(decision tree,DT)、随机森林算法(random forest,RF)、朴素贝叶斯算法(naive bayes)、梯度增强算法(gradient boosting)、神经网络算法(neural networks)、logistic回归等。
2.1 手术时长预测
提高手术室效率、优化手术室管理,是提升医院整体运行效率和效益的重要环节。准确预测手术时长,合理安排手术计划,提高手术效率并减少手术室资源浪费,是医院管理者关注的重点。考虑到外科手术有较强的不确定性,越来越多的学者借助机器学习算法对手术时间进行预测。Tuwatananurak等[4]基于15 000个手术案例构成的数据集,采用RF构建手术时长预测模型,模型纳入的预测因子包括患者因素、医务人员因素、设施设备因素、手术操作因素和前序事件要素共五大类。使用该模型对990例外科手术进行时长预测,实际时长和预测时长中位数的差异为20.0(9.0,39.8)min,该模型将预测准确率由31.2%提高至41.1%。研究[4]还将预测模型应用于手术排程,并在为期3个月的测试周期内累计为手术室节约了19 000 min手术时间。Bartek等[5]基于2014年至2017年华盛顿大学医学中心的5万余例手术数据,采用极端梯度算法(extreme gradient boosting,XGBoost)为医院内每个外科专科和每位外科医生创建了手术时长预测模型。以实际手术时长的10%为阈值,该模型可将预测准确率由32%提升至39%,其中特定医生手术时长的预测准确率可达50%以上。与前述研究者不同,Bodenstedt等[6]采用卷积神经网络算法(convolutional neural networks,CNN),利用腹腔镜手术的视频影像资料和手术设备的工作数据资料构建模型,以实现对手术剩余时长的实时预测。该模型预测时间的总体平均误差为37%,半程平均误差为28%,可为实现对手术排程的动态管理提供参考。在Zhao等[7]借助机器学习算法构建的机器人辅助手术时长预测模型中,采用增强回归树算法(boosted regression tree,BRT)构建的预测模型最优,与使用logistic回归的基线模型相比,BRT可将预测时长的均方根误差(root mean squared error,RMSE)由100.4 min降低至80.2 min。借助该算法在Zhao等[7]所在的医院制定手术计划,可将日均手术量由148台提升至219台。基于机器学习算法的手术时长预测模型可辅助手术室护理管理人员进行手术排程与调度,提升手术间利用率和手术人员的工作平衡度[5]。由于预测准确性的判断标准相对主观,比如以绝对时长或实际手术时长的固定比例为阈值,因此在一定程度上影响了模型预测结果的说服力,在后续研究中应结合相对客观的评价指标如RMSE、平均绝对误差(mean absolute error,MAE)等从多方面评价模型的预测准确性。
2.2 手术资源规划
手术资源合理规划是手术室管理的重点,而利用信息数据协同人工管理是提升手术室效率的重要手段。手术安排与手术调度通常由经验丰富的手术室护士进行规划,然而这一传统规划方式已不能适应现代化的手术室资源管理。Runarsson[8]构建了基于神经网络与概率约束的手术安排模型,为解决手术安排过程中涉及的各种不确定约束条件(如手术时长、接台间隔、外科医生手术列表、手术间占用情况、病房容量与预期手术患者人数等),该学者采用混合整数规划(mixed integer programming)模型制定手术排程的解决方案,从而计算手术间每日手术计划的最优方案。赵亮等[9]同样构建了手术安排与调度的数学优化模型,在应用该模型进行手术调度后,住院患者术前等候时间缩短、手术台次稳步上升、手术室资源利用率得到提升。前期研究中手术时长的常见预测因子包括:性别、年龄、体重指数、手术危险分级、疾病史等患者因素;进行手术的外科医生、麻醉师等医务人员因素;手术种类、手术方式、麻醉方式、手术日期与手术顺次、手术设备、手术接台时间等手术流程因素。其中外科医生相关的预测因素是导致预测时间变异的首要因素,了解预测因子的可解释性可为后续研究开发模型纳入变量提供参考。然而在前期研究的变量中,大多仅涉及手术过程相关的医、患、设施层面的因素,而未将手术过程与患者复苏及转运视为整体,从而忽略了麻醉复苏室、重症监护室等科室的床位及运转情况,若相关护理单元的床位不足将迫使手术患者在手术间内复苏,从而增加了患者离室周转和手术接台时间,进而影响对手术时长预测的准确性和手术间利用效率。因此,基于已有的预测变量,不断探索完善模型以提高手术时长预测的准确性是后续研究的重点。
2.3 SRPI预测与评估
2.3.1SRPI预测
SRPI是衡量护理质量的敏感指标之一。由于手术时间延长、体位安置、手术器械应用以及术中体温变化等因素,手术患者是SRPI的高发人群。一项meta分析[10]提示,术中获得性SRPI的发生率高达18%。如何预防SRPI是手术室护理人员的关注要点,当前已有数项研究借助机器学习算法,协助护理人员对手术患者发生SRPI的风险进行预测。Su等[11]以不同的数据分析算法构建了术中SRPI的风险预测模型,其中以马田系统(mahalanobis-taguchi system,MTS)模型具有最优的灵敏度(0.833)、特异度(0.928)和G-means值(0.879),其预测变量包括7个:性别、体重、手术种类、手术体位、手术开始与结束体温、电刀器械的使用数量,相比基于支持向量机、决策树算法和logistic回归所构建的预测模型,MTS模型具有相对简洁的预测因子和较为稳健的预测结果。Cai等[12]使用XGBoost算法,以手术时长、体重、年龄、体外循环持续时间和心脏疾病分类作为5个主要预测因子,构建了心血管外科手术的SRPI预测模型,通过对149例手术患者的测试,该模型的曲线下面积为0.806,提示具有较高的预测准确性。在SRPI预测模型的相关研究中,主要目的一是探索SRPI的危险因素,以便为手术室护士采取SRPI预防的干预措施提供依据;二是比较不同算法在构建预测模型中的性能,从而精简模型、优化计算过程。以上研究可为后续学者开发SRPI预测模型在变量设计与算法选择中提供参考。然而,上述研究在模型验证过程中多采用内部验证,缺少预测模型在多中心、前瞻性的外部验证过程可能影响模型的稳定性和可推广性,因此在后续研究中SRPI预测模型的外部验证将是研究重点。临床工作中,手术室护士往往通过Braden量表、Munro量表或通过经验实现对SRPI发生风险的评估。这一方法依赖于护士的专业能力以及对量表内容的熟悉程度,同时使用量表进行评估无法探究不同影响因素之间的交互作用。基于机器学习算法的SRPI预测模型可提取患者病历信息及监护数据,从而实现风险预测的自动化和便捷化,因此将相关模型应用于临床护理工作可为减少护士工作量、开展优质的手术护理提供有效工具。
2.3.2SRPI评估
除了对SRPI的预测之外,机器学习算法还应用于受损创面的测量与分析。Zahia等[13]基于卷积神经网络算法构建了端到端(end-to-end)的框架,通过输入创面的二维图像和三维成像信息,即可实现创面的检测和分割,从而完成创面面积、深度、体积及轴线长度的计算,该模型的精确度可达87%。此外,还有数项研究基于卷积神经网络算法和SVM算法构建了创面的测量模型,以实现对SRPI组织分类和创面面积与深度的评估[14-15]。以上研究可为手术室护理人员开展SRPI质量管理项目提供便捷高效的工具,通过受损部位图像数据的采集自动获得客观、精确的创面资料,以替代传统创面评估过程中通过经验或使用钢尺、探针等工具进行侵入性操作获得的粗略结果,并为SRPI在手术间与其他临床科室的无缝交接与延续管理提供基础资料。
2.4 SSI预测
SSI是外科手术最常见的并发症之一。SSI可导致各类并发症和死亡率增加、进行二次手术、住院时间延长以及医疗费用支出增加[16]。预防和监测SSI需经过医务人员的专业评估,这一过程需要耗费较高的医疗成本,基于人工智能的计算机技术可以为分析SSI提供高效便捷的方式并减少医疗资源的占用[17]。
2.4.1基于围手术期资料进行预测
爱荷华大学附属医疗机构使用基于电子健康病例的机器学习算法对手术患者发生SSI的概率进行预测,在手术即将结束时,巡回护士将激活程序并自动采集电子记录中的实时数据,从而计算SSI发生的风险概率,以提醒外科医生在关闭切口时采取必要措施降低感染风险[18]。人工智能分析程序的推进使得附属医疗机构在3年内减少了74%SSI的发生,并节约了120万美元的医疗成本[18]。SSI的预防和监测贯穿术前、术中和术后,其中手术室是发现和应对SSI最关键的环节,同时超过50%的SSI可应用循证策略进行预防[19]。因此开发SSI预测模型,在术中或术前阶段识别SSI高危人群并给予必要的干预措施。然而,当前多数机器学习预测模型侧重于在术后环节监测SSI的发生,其模型的应用不仅需要采集患者的术前资料,还依赖术中生命体征[20]、术中医疗设备应用情况[21]、手术时长[18,22-23]、切口情况[16,23]、术后引流情况[20]等手术因素作为变量,因此这类模型无法用于指导SSI的术前或术中干预。
2.4.2基于术前资料进行预测
Almamlook等[24]采用美国外科医师学会国家手术质量改进项目中288万例手术患者的资料构建了SSI预测模型。其中以深层神经网络(deep neural networks,DNN)为算法构建的模型相比于SVM、DT、RF等具有更优的预测性能,其曲线下面积、准确度、精确度、灵敏度和F1分数均>0.85。DNN模型中共包括28个预测变量且均为术前危险因素,其中急诊手术、手术危险分级为Ⅳ级、高体重指数、血管外科和普外科手术是该模型中预测SSI的重要因素。Yeo等[25]基于10 021例全膝关节置换术(total knee arthroplasty,TKA)患者的资料构建了TKA术后发生浅表或深部切口感染的预测模型。人工神经网络算法(artificial neural networks,ANN)构建的预测模型具有最佳性能(曲线下面积=0.84、校正曲线及决策分析曲线最优),预测因素包括人口统计学资料和疾病相关资料,其中最强预测因素是查尔森合并症指数(Charlson Comorbidity Index,CCI)、体重指数(>30 kg/m2)和吸烟。在上述两项研究中,预测模型构建均采用人口学信息、疾病史等术前资料,从而有助于医疗团队在术前估计SSI发生风险,进行健康教育指导高危患者充分进行术前准备,以及在手术过程中预防性使用抗生素、使用切口保护套、积极冲洗切口并进行引流等,从而减少外科手术感染的发生[26-27]。同时,上述模型也存在不足之处,如Almamlook等[24]开发的模型需要采集患者大量的病史信息,因此疾病资料不完善将可能降低预测准确性。后续研究仍需探索在确保预测准确性的同时如何精简预测变量数目。
2.5 术中低体温预测
由非计划或治疗外因素所致机体核心温度低于36℃被称为非计划术中低体温(inadvertent perioperative hypothermia,IPH)。IPH可引发心血管不良事件,增加术中出血风险、SSI等不良后果,并使麻醉复苏及住院时间延长[28]。尽管如此,当前患者术中核心体温及其并发症的监测尚未得到足够重视,IPH患者的院内死亡率接近40%[29]。因此,构建能够早期识别和预测IPH的风险模型较为重要。当前研究在方法学上集中于使用多因素线性回归或logistic回归进行IPH模型的构建,缺点在于其无法解决非线性问题、容易使结果产生过度拟合以及忽略各因素之间的交互作用,因此容易使模型预测的准确率降低。曹立源等[30]将RF、平衡遗传算法(equilibrium genetic algorithm,EGA)和XGBoost这3种机器学习算法进行组合,从而提升了术中低体温预测模型的预测性能。模型的预测因素共7个,分别是术前体温、体重指数、麻醉时间、年龄、术中补液量、出血量和是否冲洗。模型的准确率、精确度、召回率、F1值、曲线下面积分别为0.865 2、0.869 6、0.952 4、0.909 1和0.894 7,优于logistic回归及其他算法模型的预测性能。项海燕等[31]采用ANN算法构建了全身麻醉患者IPH预测模型,包括患者一般资料、手术相关资料(手术时长、麻醉时长、出血量、输液量、尿量、体位等)、麻醉复苏指标(复苏时长、插管时长)、围术期体温等20个预测变量,曲线下面积、灵敏度、特异度、准确率分别为0.724、0.516、0.823和0.795。尽管该模型在预测性能方面逊色于曹立源等[30]的研究,但除了预测术中阶段患者发生低体温的风险,还能在麻醉复苏阶段这一高危环节实现低体温的风险预测,应用范围相对更加广泛。越来越多的研究开始关注开发基于机器学习算法的IPH预测模型,这将能够使临床医务人员从借助经验实施IPH的干预策略转变到重视IPH的准确评估和计划性预防,从而针对性地采取外周和体腔保温措施,降低IPH的发生风险,提升手术患者安全。
机器学习算法为手术室管理与运营提供了新的研究方向,是实现人工智能的关键技术之一。应用基于机器学习算法的预测模型能够提高手术时长的预测准确率、增加手术台次安排、提升手术室资源利用效率,实现手术相关性SRPI风险的自动化预测和评估、减少手术室护士工作量,并对SSI和IPH风险进行预测和及时干预,从而保障患者安全。与此同时,机器学习算法在手术室中的应用仍存在局限性。一方面,临床预测模型的构建依赖于医疗大数据,如何构建结构丰富的数据库并整合多中心来源的数据资料,以及实现医疗设备与数据库的互联互通是亟待解决的问题;另一方面,模型的预测性能与可解释性仍有待提高,且尚缺乏外部验证的开展以提升模型在实际手术环节的可靠性和可推广性。
猜你喜欢机器手术室预测无可预测黄河之声(2022年10期)2022-09-27机器狗环球时报(2022-07-13)2022-07-13选修2-2期中考试预测卷（A卷）中学生数理化(高中版.高二数学)(2022年4期)2022-05-25选修2-2期中考试预测卷（B卷）中学生数理化(高中版.高二数学)(2022年4期)2022-05-25机器狗环球时报(2022-03-14)2022-03-14术前访视在手术室护理中的应用效果观察中华养生保健(2020年5期)2020-11-16未来机器城电影(2018年8期)2018-09-21不必预测未来，只需把握现在中学生数理化·八年级物理人教版(2017年11期)2017-04-18手术室专用颈肩保护罩的设计与应用天津护理(2016年3期)2016-12-01走进手术室的3D打印小学教学研究(2016年33期)2016-06-22
