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。
1.1 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。
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。
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。