重慶醫(yī)科大學附屬兒童醫(yī)院(40003) 張 姝 張 強

現(xiàn)代臨床麻醉實踐中，氣管插管困難是常見的呼吸相關的有害結(jié)果，在臨床實際工作中，氣管插管困難發(fā)生率大約是3% ～18%〔1，2〕，因嚴重的氣管插管困難處理失敗導致的死亡約占麻醉事故相關死亡病例30%〔3〕，且困難程度越高，腦損害或死亡的危險性越大〔4〕。因此，如果醫(yī)生能事前預測困難氣道插管難度并做好充分的心理和設備準備，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。

目前大多是應用單一臨床指標進行氣管插管困難的預測，這些單指標預測的方法均存在一定缺陷，很多臨床報道認為單指標預測結(jié)果并不可靠，假陽性和假陰性率較高〔5〕。近年來，國外有作者對氣管插管困難的臨床及解剖相關因素以及應用多項指標預測氣管插管困難進行了探討，但是尚沒有建立適當?shù)亩嘀笜司C合統(tǒng)計模型對氣管插管困難進行預測的報道。另外，目前臨床上較為常用的預測方法其標準多是根據(jù)對外國人測量的結(jié)果制定的，這些預測方法的分類標準是否同樣適用于中國人群也尚待研究。

資料來源

測量指標的確定由查閱相關專業(yè)文獻、通過麻醉專業(yè)專家討論之后，選取專業(yè)上認為能夠反映可能造成氣管插管困難的相關因素的指標，包括性別、年齡、身高、體重、改良的Mallampati口咽評級、上唇咬合實驗評級、門齒間距、頭后仰角度、頦甲間距、下頜骨角度、下頜骨長度、雙下頜間距、頸圍、頸長度14個指標，其中連續(xù)性變量11個，離散型變量3個。納入對象為擬行氣管插管擇期手術的全麻住院病人，排除對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、頭頸部活動度受限、氣道病理性改變等，從而排除了某些疾病對氣管插管難度分級的影響。納入病人共計826例。

方 法

隨著計算機技術的發(fā)展，基于決策樹的分類方法是數(shù)據(jù)挖掘中較為典型的分類預測的方法，一棵決策樹的內(nèi)部節(jié)點是屬性或者屬性的集合，葉節(jié)點是所要劃分的類，它采用自頂向下(Top-Down)的遞歸方式，在決策樹的內(nèi)部節(jié)點(internal node)進行屬性的比較，并根據(jù)不同屬性判斷從該節(jié)點向下的分支，在決策樹的葉節(jié)點得到結(jié)論〔6－7〕。

CART(classification and regression tree)算法又稱BFOS算法，在1984年由美國加利福尼亞大學的 Leo Breiman和斯坦福大學的 Jerome H．Friedman提出，其應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決策樹的思路為:在整體樣本數(shù)據(jù)的基礎上，生成一個層次多，葉節(jié)點多的大樹，以充分反映數(shù)據(jù)之間的聯(lián)系，然后對其進行刪減，產(chǎn)生一系列子樹，從中選擇適當大小的樹，用于對數(shù)據(jù)進行分類。假設樣本空間T包含為兩類樣本A類、B類，CART算法按照一定的規(guī)則對其進行分割，產(chǎn)生兩個節(jié)點，即子集 T1、T2，滿足 T=T1∪T2且 T1∩T2= ?，這個過程重復進行，直到按照某種標準，節(jié)點無法再分，成為最終的葉節(jié)點。

CART決策樹生成的具體過程如下:

1.首先，認為CART的評估值為樣本空間的常數(shù)，即為響應變量(response variables)的平均值。當響應變量的觀測值發(fā)生變化時，CART的評估值可表示為:

其中，T是指樣本空間，IT(x)是T的指標函數(shù)。

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

且定義:

5.繼續(xù)對T1、T2按以上步驟進行分割，直到觀測樣本數(shù)變得很少或者樣本冗余的平方和最小、所有葉節(jié)點的樣本數(shù)為1或者樣本屬于同一類、決策樹高度達到用戶設置的閾值或者無屬性變量可以用來進行分支時停止建樹。

結(jié)果與分析

1．單指標改良的Mallampati口咽評分法(M法)預測結(jié)果

用Mallampati口咽評分法預測氣管插管結(jié)果，兩者都為困難或者都為不困難的共573人，預測結(jié)果與實際結(jié)果不同的共253人，即預測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測的正確率為79.7%，氣管插管困難者預測的正確率為38.3%(表1)。

表1 氣管插管患者Mallampati口咽評級法預測結(jié)果

2．決策樹模型CART算法預測結(jié)果

模型設置:根據(jù)本研究樣本量情況，設定樹結(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－復雜度(cost-complexity pruning)修剪方法，該參數(shù)設定越大則得到的子樹結(jié)構(gòu)越簡單，結(jié)合挖掘數(shù)據(jù)信息需要、預測準確率及樹結(jié)構(gòu)的簡化程度，最終將復雜度參數(shù)設為0.5。在交叉驗證數(shù)據(jù)集拆分項中，考慮到樣本量不是很大的情況，選擇20次拆分的方法，即每次隨機選取95%的數(shù)據(jù)作為訓練集，剩余5%的數(shù)據(jù)作為測試集，保證每個數(shù)據(jù)僅有一次進入測試集〔9〕。

本研究建立的決策樹模型以所有數(shù)據(jù)為根節(jié)點，以頭后仰度差為第一分層變量，樹高共6層10個葉節(jié)點(圖1)。圖中每個節(jié)點矩形框中標示了該節(jié)點包含的總?cè)藬?shù)、氣管插管容易及困難分別對應的人數(shù)及構(gòu)成比，每個節(jié)點處以構(gòu)成比高的結(jié)果屬性標記為該節(jié)點的類別，并以亮色長條表示。根據(jù)該決策樹可以看到，最后進入模型的變量有7個，分別為頭后仰度差、年齡、頸圍、性別、門齒間距、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)則對氣管插管進行分類預測，該模型分類的總正確率為82.1%，其中對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)單指標預測結(jié)果與決策樹模型預測結(jié)果比較

以傳統(tǒng)的預測方法及決策樹模型分類后每個個體所得的預測概率擬合ROC曲線，計算曲線下面積(圖2)，采用單一指標進行預測的M口咽評級法曲線下面積為0.590，說明分類效能不高，其曲線下面積與0.5比較，差別有統(tǒng)計學意義(P＜0.001)，可以認為該方法所進行的分類有效，但是效果不好;CART算法決策樹模型曲線下面積為0.879，其曲線下面積與0.5相比，差別有統(tǒng)計學意義(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。決策樹模型的優(yōu)點在于樹的構(gòu)建過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。由于本研究中沒有數(shù)據(jù)缺失值的情況存在，未能體現(xiàn)決策樹模型在數(shù)據(jù)存在缺失值的情況下使用的優(yōu)勢所在。傳統(tǒng)的統(tǒng)計模型一般自身不能進行缺失值的有效處理，而缺失值是實踐中普遍存在的問題〔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數(shù)據(jù)進行填補，而決策樹本身可以把缺失值的屬性當作獨立于其他屬性值的類參與決策樹的構(gòu)建，而且可以利用其算法并經(jīng)過一定的修正有效處理缺失數(shù)據(jù)。

圖1 氣管插管困難CART算法決策樹結(jié)構(gòu)圖

圖2 單指標預測與CART模型預測roc曲線比較

表3 氣管插管困難兩種預測方法ROC曲線下面積

從模型結(jié)果來看，用目前臨床上常用的單指標預測方法Mallampati口咽評分法對氣管插管困難進行了預測，本研究顯示雖然這種方法預測快速、方便，但是預測的準確率僅為69.4%，特別是對臨床上非常重要的氣管插管困難者的預測準確率更低，僅為38.3%，對于大部分患者無法進行正確的預測。決策樹模型預測的準確率為82.1%，預測效果較為理想。

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

總之，綜合運用多指標建立的氣管插管困難預測模型比單指標預測方法預測效果更好，CART算法的主要優(yōu)點在于剪枝過程中采用了交叉驗證(cross validation)的方法來尋找最優(yōu)樹，解決了在小樣本集上決策樹由于沒有獨立測試樣本集而造成的過度擬合問題，這樣形成的全局決策樹在性能上非常近似于由包含所有樣本的原始訓練樣本集得出的決策樹。與神經(jīng)網(wǎng)絡模型相比，決策樹分類結(jié)果更簡單、明確，結(jié)構(gòu)直觀，能清楚顯示對分類或預測有意義的變量，更容易理解;與傳統(tǒng)統(tǒng)計方法相比，決策樹預測結(jié)果更簡單、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題，有利于充分利用資料信息，得到分類預測準確率更高，結(jié)果更直觀的預測模型。

1．薛富善主編．困難氣管插管技術．科學技術文獻出版社，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．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．知識發(fā)現(xiàn)．清華大學出版社，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．訓練集容量對決策樹分類錯誤率影響的研究．計算機工程與應用，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，張羅漫．運用SAS對不完整數(shù)據(jù)集進行多重填補--SAS9中的多重填補及其統(tǒng)計分析過程(一)．中國衛(wèi)生統(tǒng)計，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．