朱丹紅 鄭輝哲 何斌杰

麻醉風險是指麻醉過程中所發(fā)生的患者生理功能遭受嚴重干擾而危及生命的事件，來自于麻醉并發(fā)癥和麻醉意外。麻醉并發(fā)癥是指由麻醉引起的、不希望發(fā)生的組織損傷或病態(tài)反應[1]。麻醉意外是難以預料的客觀特殊情況，但麻醉并發(fā)癥是能夠預料的。如果發(fā)現(xiàn)及時且處理得當，可不發(fā)生嚴重后果，否則將造成功能障礙、殘疾甚至死亡。目前麻醉風險主要由麻醉醫(yī)師依據臨床經驗判斷，受限于不同麻醉醫(yī)師的工作年限、技術水平等主觀因素，因此不同麻醉醫(yī)師做出的麻醉風險評估不盡相同[2]，給患者的麻醉風險增加了一些不確定因素，例如：年輕且臨床經驗不足的麻醉醫(yī)師可能對麻醉風險評估不夠準確；省市級大醫(yī)院的麻醉醫(yī)師由于處理過的病例多，臨床經驗足，通常比縣級醫(yī)院的麻醉醫(yī)師能夠做出更為精確的麻醉風險評估。

由于腫瘤患者病情兇險，且術前合并癥較多，因此麻醉和手術難度較大，麻醉風險較高[3]。為降低麻醉風險評估中的主觀因素，提升麻醉并發(fā)癥的預測準確度，本研究基于計算機智能輔助診斷技術，利用機器學習方法，提出基于BP神經網絡的腫瘤手術麻醉風險評估模型。針對腫瘤手術中常見的10類麻醉并發(fā)癥，設計包括輸入層、隱藏層、輸出層的三層BP神經網絡，建立計算機輔助診斷與預測。通過收集整理350條臨床麻醉患者數(shù)據，選取29個患病特征值，構建BP神經網絡模型進行訓練和測試，并對結果進行評價和討論。

1 材料與方法

1.1 一般資料從2016～2017年福建省腫瘤醫(yī)院的臨床病例中篩選具有代表性的病例350例，其中正常病例（無麻醉并發(fā)癥）140例，有麻醉并發(fā)癥病例210例，比例為2∶3，分為訓練組250例和測試組100例。其中，訓練組數(shù)據用于確定BP神經網絡的權重參數(shù)；測試組數(shù)據用于驗證模型的準確率。

根據臨床經驗，在腫瘤手術中麻醉風險程度與患者年齡、腫瘤類型、病情嚴重程度、術前身體狀況、潛在疾病等因素密切相關，其中，患者術前所患潛在疾病與術后產生的麻醉并發(fā)癥相關性很強，在圍術期死亡病例中大約有90%與患者的原有疾病和手術影響有直接關系[4]，例如：術前有肝膽病史的患者，術后患肝膽類麻醉并發(fā)癥的機率遠高于一般患者。因此，本研究的BP神經網絡模型構建所需的數(shù)據主要包括：①年齡、術前身體狀況評估（ASA分級）[5，6]、腫瘤類型、嚴重程度、潛在疾病作為模型的特征輸入，共包括29個特征值，具體如下：年齡、ASA分級、腫瘤類型、嚴重程度、牙周炎、潰瘍癥、氣道狹窄、氣道高敏反應、慢性阻塞性肺病、先天性肺大泡、哮喘、外傷性肋骨骨折、支氣管破裂、鎖骨下挫、心肺疾病、發(fā)熱、術前焦慮、甲亢、燒傷、低血壓、竇性心動過速、高鉀血癥、心肌梗死病史、胃腸道疾病、膽管痙攣病史、1個月內實施過氟烷麻醉、肝細胞病理損害、病毒感染、肝毒性藥物使用。②選取10個常見的麻醉并發(fā)癥，包括：牙齒損傷、氣管黏膜損傷、急性呼吸道梗阻、單肺通氣、氣胸、急性呼吸功能不全、心律失常、心肌缺血、胃腸道并發(fā)癥、肝膽并發(fā)癥，作為神經網絡模型的病癥預測目標輸出。

1.2 方法BP神經網絡是人工神經網絡的一種類型，它的結構簡單且易于實現(xiàn)[7]。在腫瘤手術的麻醉風險評估中，BP神經網絡可被看成二分類器，用以預測患者是否患有某種麻醉并發(fā)癥。

1.2.1 數(shù)據預處理 將350例臨床數(shù)據進行預處理，針對29個術前特征數(shù)據與10個被預測的并發(fā)癥進行離散化和歸一化處理，見表1。其中年齡項分為低齡（＜60歲）和高齡（≥60歲），ASA1～2級都屬于麻醉風險低的級別，因此歸為同一類，ASA6級為腦死亡，通常用于器官移植，本研究不考慮在內。

表1 特征數(shù)據量化表

1.2.2 構建BP神經網絡模型 本研究選取包括輸入層、隱藏層、輸出層的三層BP神經網絡模型來實現(xiàn)麻醉并發(fā)癥預測的二分類器。其中，隱藏層的節(jié)點決定了神經網絡的效能，隱藏層節(jié)點數(shù)目選擇取決于經驗公式代表隱藏層節(jié)點數(shù)，m和n分別代表輸入層節(jié)點數(shù)和輸出層節(jié)點數(shù)，a表示1～10之間的調節(jié)常數(shù)[8]。神經網絡的構建流程見圖1。

圖1 神經網絡構建流程圖

由此，本研究利用10個BP神經網絡分別用以預測10個麻醉并發(fā)癥，每個網絡的輸入節(jié)點個數(shù)m=29，表示術前特征取值，輸出節(jié)點個數(shù)為n=2，代表是否患有該并發(fā)癥的術后結果。

經過實驗，得到的神經網絡參數(shù)設置為神經網絡層數(shù)：3層，輸入層節(jié)點數(shù)：29個，隱藏層節(jié)點數(shù)：6個，輸出層節(jié)點數(shù)：2個（不患病或者患?。?，輸出層激活函數(shù)：Sigmoid，損失函數(shù)：計算交叉熵損失，反饋方法：梯度下降算法，學習率：0.05。結合神經網絡的相關參數(shù)，構建的神經網絡結構見圖2。w為各個節(jié)點的權值，b為各節(jié)點的偏置量，f（x）為輸出層激活函數(shù)Sigmoid。

圖2 麻醉風險評估的BP神經網絡模型

1.2.3 實驗開發(fā)環(huán)境 本研究采用Docker[9]與TensorFlow[10]搭建BP神經網絡麻醉風險評估模型的運行環(huán)境。Docker是一種開源的應用容器引擎，開發(fā)者可以將所開發(fā)的應用打包成Docker鏡像，Docker鏡像可以直接運行在裝有Docker虛擬環(huán)境的任意主機，而無需關心環(huán)境配置和依賴性問題。TensorFlow是一個基于數(shù)據流編程的符號數(shù)學系統(tǒng)，它提供了許多機器學習的相關函數(shù)接口（API），能夠高效實現(xiàn)和運行機器學習相關項目，目前被廣泛應用于各類機器學習算法的編程實現(xiàn)。在Docker平臺中運行TensorFlow的原始鏡像，并利用TensorFlow的相關神經網絡函數(shù)接口實現(xiàn)麻醉并發(fā)癥的預測模型，最后將程序打包成Docker鏡像，發(fā)布在云服務器上，可以被用戶直接下載運行使用。

2 結果

針對臨床采集的350條病例數(shù)據，選用250條訓練數(shù)據對神經網絡預測模型進行訓練，用100條測試數(shù)據對訓練好的模型進行測試。其中，每一組的正常病例個數(shù)與患有麻醉并發(fā)癥的病例個數(shù)的比例均為2∶3，神經網絡訓練步數(shù)為10000。

神經網絡中的Sigmoid函數(shù)可以把神經網絡的輸出轉化為概率值，因此模型的輸出結果為是否患上麻醉并發(fā)癥的概率。為了便于統(tǒng)計，設定患病概率大于50%則標記患病，不患病概率大于50%則標記為不患病。該BP神經網絡對麻醉并發(fā)癥的平均預測準確率達89.8%，準確率較高，其中牙齒損傷預測準確率為88%，氣管黏膜損傷為89%，急性呼吸道梗阻為83%，單肺通氣為93%，氣胸為87%，急性呼吸功能不全為88%，心律失常為89%，心肌缺血為95%，胃腸道并發(fā)癥為91%，肝膽并發(fā)癥為95%。除此之外，該BP神經網絡在實際應用過程中，可以給出患者患上某種麻醉并發(fā)癥的概率，有助于醫(yī)生判斷患者的麻醉風險程度。

3 討論

本研究提出了一種面向腫瘤手術麻醉風險評估的麻醉并發(fā)癥計算機智能預測模型。通過分析手術麻醉風險的相關因素，結合人工神經網絡相關知識，構建BP神經網絡模型，再利用Docker和TensorFlow平臺編程部署實現(xiàn)。通過實驗可以得出該模型對腫瘤手術麻醉風險預測的準確率達89.8%，并且可以給出患者患某種麻醉并發(fā)癥的風險概率。該模型能夠較好地為臨床麻醉醫(yī)師對麻醉風險評估提供客觀指導，減少因為醫(yī)院醫(yī)療水平、麻醉醫(yī)師醫(yī)技水平不足等主觀因素而產生的麻醉風險誤判的可能性。此外，該模型通過Docker鏡像發(fā)布，用戶可以直接下載Docker鏡像，便于模型應用。今后將收集更多、更豐富的病例數(shù)據，用以提升模型性能，為臨床治療提供更為準確的計算機智能輔助診斷與預測。