黃菩臣，練作為，陶敏，楊永強(qiáng)，杜江，趙蘊(yùn)龍

1. 南京航空航天大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211106；

2. 上海交通大學(xué)附屬上海市第一人民醫(yī)院，上海 201620

引言

伴隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展及國(guó)家對(duì)醫(yī)療領(lǐng)域的日漸重視，計(jì)算機(jī)技術(shù)和醫(yī)療領(lǐng)域相結(jié)合日益受到社會(huì)重視。在此背景下，臨床醫(yī)療數(shù)據(jù)挖掘正逐漸成為熱點(diǎn)研究領(lǐng)域。

其中，關(guān)于ICU患者結(jié)局預(yù)測(cè)的研究一直是該領(lǐng)域研究的熱點(diǎn)，該方向的研究主要是利用計(jì)算機(jī)或數(shù)學(xué)建模方法，使用數(shù)據(jù)庫(kù)數(shù)據(jù)對(duì)患者進(jìn)行死亡率的預(yù)測(cè)。馬京杭等[1]通過(guò)收集妊娠合并SLE患者的臨床資料，訓(xùn)練并建立預(yù)測(cè)妊娠結(jié)局的神經(jīng)網(wǎng)絡(luò)模型，并驗(yàn)證具有較高的準(zhǔn)確性。甘惠玲等[2]通過(guò)對(duì)機(jī)械通氣患者的臨床資料進(jìn)行APACHE II評(píng)分，預(yù)測(cè)重癥肺炎致急性肺損傷患者的撤機(jī)結(jié)局。Basic等[3]使用加拿大衰老臨床脆弱量表的數(shù)據(jù)，通過(guò)建立數(shù)學(xué)模型預(yù)測(cè)患者結(jié)局，幫助醫(yī)生進(jìn)行診斷篩查。

另外，關(guān)于MIMIC-III數(shù)據(jù)庫(kù)的研究主要集中于預(yù)測(cè)某種特定疾病對(duì)患者的病情影響。Mengling等[4]使用MIMIC-III數(shù)據(jù)庫(kù)鑒別使用TTE和未使用TTE對(duì)患有敗血癥的重癥患者的影響，具有重要的參考意義。張英凱[5]在國(guó)內(nèi)首次使用MIMIC-III數(shù)據(jù)庫(kù)在對(duì)患者結(jié)局進(jìn)行預(yù)測(cè)，但其僅適用于肝臟系統(tǒng)功能障礙相關(guān)病患，受眾人數(shù)較小。

本文利用機(jī)器學(xué)習(xí)手段，使用MIMIC-III數(shù)據(jù)庫(kù)來(lái)對(duì)ICU患者結(jié)局進(jìn)行預(yù)測(cè)。本研究期望通過(guò)機(jī)器學(xué)習(xí)算法建立預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)重癥監(jiān)護(hù)數(shù)據(jù)庫(kù)患者結(jié)局的預(yù)測(cè)，以此來(lái)輔助診斷。同時(shí)，對(duì)樣本集關(guān)鍵特征進(jìn)行分析，以判斷關(guān)鍵樣本特征對(duì)重癥監(jiān)護(hù)數(shù)據(jù)庫(kù)結(jié)局的影響。

1 材料與方法討論

1.1 MIMIC-III 數(shù)據(jù)庫(kù)介紹

MIMIC-III：MIT麻省理工大學(xué)下屬管理的一個(gè)公共臨床數(shù)據(jù)庫(kù)，全稱為Medical Information Mart for Intensive Care，對(duì)公眾免費(fèi)開(kāi)放，收集了2001年到2016年之間來(lái)自于BIDMC醫(yī)學(xué)中心的ICU房病人數(shù)據(jù)超過(guò)5萬(wàn)例。包含了病人人口統(tǒng)計(jì)特征、基本體征記錄、醫(yī)療干預(yù)記錄、護(hù)理記錄、影像學(xué)檢測(cè)結(jié)果與出院記錄等諸多醫(yī)療數(shù)據(jù)[6-7]。

1.2 樣本特征

在相關(guān)醫(yī)療專家的指導(dǎo)下，梳理MIMIC-III數(shù)據(jù)庫(kù)中的多個(gè)重要特征。選取得到的特征有血壓、呼吸頻率、體溫、心率、血氧飽和度、動(dòng)脈血氧飽和度、氧分壓等。它們都用一個(gè)ITEM來(lái)表示（后文記為ITEM特征）。

在綜合考慮重要程度、數(shù)據(jù)復(fù)雜性、數(shù)據(jù)缺失程度等多方面因素后，篩選出十七個(gè)關(guān)鍵特征：葡萄糖含量、乳酸含量、心率、無(wú)創(chuàng)血壓-收縮壓、呼吸頻率、血氧飽和度、體溫、動(dòng)脈血氧飽和度、無(wú)創(chuàng)血壓-舒張壓、血紅蛋白、鈉含量（全血）、白蛋白、血肌酐、鉀含量、鈉含量、血紅蛋白凝血酶原時(shí)間和血小板數(shù)量。其對(duì)應(yīng)的ITEM標(biāo)號(hào)如表1所示。

表1 ITEM標(biāo)號(hào)對(duì)應(yīng)的關(guān)鍵特征

1.3 方法討論

對(duì)患者結(jié)局的預(yù)測(cè)只有死亡或存活兩類。本研究的目的在于找到最適合的算法進(jìn)行分析。

在當(dāng)前最流行的深度學(xué)習(xí)[8-9]、邏輯回歸等七類分類算法中，我們選定了邏輯回歸算法和支持向量機(jī)中的線性SVM算法進(jìn)行探究，原因在于以下兩個(gè)方面。

（1）邏輯回歸運(yùn)算速度快，簡(jiǎn)單易于理解。動(dòng)態(tài)改變各個(gè)特征的權(quán)重，能容易地更新模型，吸收新的數(shù)據(jù)，可以動(dòng)態(tài)調(diào)整分類域值[10]。聶競(jìng)飛等[11]通過(guò)Logistic回歸分析得到自變量的權(quán)重，從而可以了解哪些要素是能夠引發(fā)疾病的危險(xiǎn)因素。Zhang[12]通過(guò)進(jìn)行似然比檢驗(yàn)的方法進(jìn)行邏輯回歸模型構(gòu)建，從而提高模型的擬合優(yōu)度。De Caigny等[13]提出一種基于邏輯回歸和決策樹(shù)的混合算法，以便進(jìn)行數(shù)據(jù)分類。

（2）SVM可以解決小樣本下機(jī)器學(xué)習(xí)的問(wèn)題，提高泛化性能，解決高維、非線性問(wèn)題，避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小的問(wèn)題。Harris[14]使用聚類支持向量機(jī)進(jìn)行信用評(píng)分，提高了分類性能水平。湯榮志等[15]對(duì)支持向量機(jī)必須的數(shù)據(jù)預(yù)處理過(guò)程的數(shù)據(jù)歸一化提供了科學(xué)依據(jù)。劉忠寶等[16]提出基于分類超平面的非線性集成學(xué)習(xí)機(jī)NALM，其方法能以較少的支持向量來(lái)解決大規(guī)模樣本分類問(wèn)題。趙長(zhǎng)春等[17]采用支持向量機(jī)序列最小優(yōu)化算法，具有比原始算法更快的訓(xùn)練速度和穩(wěn)定的訓(xùn)練結(jié)果。

圖1為本文的研究流程，研究流程分為主題選定、數(shù)據(jù)預(yù)處理、數(shù)據(jù)可視化、實(shí)驗(yàn)驗(yàn)證、得出結(jié)論。

圖1 研究流程

2 實(shí)驗(yàn)研究

首先，對(duì)MIMIC-III 數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行預(yù)處理，得到最終數(shù)據(jù)集。其次，通過(guò)機(jī)器學(xué)習(xí)算法（邏輯回歸和線性SVM）進(jìn)行ICU病房患者結(jié)局預(yù)測(cè)（存活/死亡）研究。最后，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行總結(jié)。

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)清洗過(guò)程從以下幾方面進(jìn)行。

（1）數(shù)據(jù)清洗。MIMIC-III數(shù)據(jù)庫(kù)中ICU病房記錄特征值比較多。在該研究中，需要剔除歷史較久遠(yuǎn)、參考價(jià)值不高、缺失較多的數(shù)據(jù)。數(shù)據(jù)清洗的目標(biāo)，是得到有效的、可以直接使用的數(shù)據(jù)。

（2）特征選擇。選取前文中篩選出的十七個(gè)關(guān)鍵特征作為研究特征。

（3）數(shù)據(jù)提取。使用SQL數(shù)據(jù)庫(kù)語(yǔ)言進(jìn)行數(shù)據(jù)提取。在進(jìn)行篩選時(shí)，為防止由于存活和死亡數(shù)據(jù)量差異過(guò)大，選擇患者最后一次入院記錄。此外，對(duì)清洗后每一條數(shù)據(jù)追加存活判斷符，零表示存活，非零表示死亡。

（4）數(shù)據(jù)整合。整理結(jié)果得到含有1400條數(shù)據(jù)的數(shù)據(jù)集（后文記為1400樣本集，表2）。

表2 數(shù)據(jù)集內(nèi)容

2.2 基于邏輯回歸的結(jié)局預(yù)測(cè)

2.2.1 算法執(zhí)行

算法過(guò)程按以下幾個(gè)方面執(zhí)行。

（1）數(shù)據(jù)初始化。通過(guò)識(shí)別換行符和空格符，對(duì)數(shù)據(jù)進(jìn)行分割，得到每條數(shù)據(jù)的各項(xiàng)指標(biāo)值。將處理好的數(shù)據(jù)放入一個(gè)二維數(shù)組中存儲(chǔ)。

（2）數(shù)據(jù)歸一化。指標(biāo)的數(shù)量較多，且某些數(shù)據(jù)值的極差很大，容易對(duì)最終結(jié)果產(chǎn)生影響。進(jìn)行數(shù)據(jù)歸一化之后，所有的數(shù)據(jù)都規(guī)約到[0，1]區(qū)間，可以避免極差過(guò)大的影響。

（3）調(diào)節(jié)置信概率。置信概率是一個(gè)與數(shù)據(jù)和算法無(wú)關(guān)的常量，但對(duì)預(yù)測(cè)結(jié)果有直接影響。在算法執(zhí)行過(guò)程中，需要多次手動(dòng)調(diào)節(jié)其值，以達(dá)到最佳結(jié)果。

（4）執(zhí)行邏輯回歸算法。將經(jīng)過(guò)（1）、（2）步驟的測(cè)試集輸入模型迭代，執(zhí)行得到最優(yōu)法向量w和截距b，進(jìn)而求出測(cè)試集的正確率。

（5）輸出，每進(jìn)行一次調(diào)參，即運(yùn)行一次模型，記錄得到的當(dāng)前參數(shù)對(duì)應(yīng)的預(yù)測(cè)結(jié)果。

2.2.2 輸出結(jié)果及分析

輸入條件為1400樣本集、置信概率prob（變動(dòng)范圍為[0.05，0.2]）。其中對(duì)樣本集進(jìn)行了分割，轉(zhuǎn)化處理為規(guī)范數(shù)據(jù)。輸出時(shí)，每進(jìn)行一次調(diào)參，即運(yùn)行一次模型，記錄得到的當(dāng)前參數(shù)對(duì)應(yīng)的預(yù)測(cè)結(jié)果。通過(guò)多次調(diào)參，得到一系列的預(yù)測(cè)結(jié)果數(shù)據(jù)（表3）。

表3 1400樣本集預(yù)測(cè)結(jié)果

其中“置信概率prob＞x”表示“當(dāng)輸出結(jié)果y大于置信概率時(shí)判定為存活，否則為死亡”；“預(yù)測(cè)存活正確率”和“預(yù)測(cè)死亡正確率”分別為對(duì)預(yù)測(cè)集中存活和死亡結(jié)果判斷的正確率。

將結(jié)果集繪制成圖2的折線圖效果，其中每條線表示各自正確率隨置信概率的變化情況。當(dāng)置信概率調(diào)整到合適值時(shí)，預(yù)測(cè)存活和死亡正確率相等，能達(dá)到0.7左右。

圖2 樣本集預(yù)測(cè)結(jié)果

2.3 基于支持向量機(jī)的結(jié)局預(yù)測(cè)

2.3.1 算法執(zhí)行

算法過(guò)程從以下幾個(gè)方面執(zhí)行。

數(shù)據(jù)初始化。將數(shù)據(jù)按行分割，每行分為17個(gè)指標(biāo)值和一個(gè)存活判斷值，重新組合為二維數(shù)組。

調(diào)節(jié)超參數(shù)。內(nèi)容包括：① 松弛變量C代表了模型對(duì)離群點(diǎn)的重視程度，C越大代表模型對(duì)離群點(diǎn)越重視；② 容錯(cuò)率toler表示模型允許錯(cuò)誤判斷占總數(shù)的百分比；③ 迭代輪數(shù)設(shè)置了算法執(zhí)行時(shí)，對(duì)中間變量alpha的迭代次數(shù)。通過(guò)調(diào)節(jié)松弛變量和容錯(cuò)率等超參數(shù)，實(shí)現(xiàn)對(duì)預(yù)測(cè)結(jié)果的調(diào)節(jié)，最終影響正確率。

執(zhí)行SVM算法。輸入數(shù)據(jù)集和標(biāo)簽集，執(zhí)行SVM算法，并在指定迭代輪數(shù)后，求得對(duì)應(yīng)的截距b和中間變量alpha的值。然后用alpha求得法向量w。

計(jì)算正確率。通過(guò)用截距b和法向量w求得的超平面，對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，并求得測(cè)試集正確率。

最后進(jìn)行輸出，每進(jìn)行一次調(diào)參，就運(yùn)行一次模型，得到當(dāng)前參數(shù)對(duì)應(yīng)的預(yù)測(cè)結(jié)果，包括存活正確率和死亡正確率。

2.3.2 輸出結(jié)果及分析

輸入條件為1400樣本集、松弛變量C（變動(dòng)范圍為[0.1，0.9]）、容錯(cuò)率toler（變動(dòng)范圍為[0.1，0.4]）。通過(guò)不斷人工調(diào)節(jié)C和toler的值，得到預(yù)測(cè)正確率的變化曲線。輸出時(shí)，每進(jìn)行一次調(diào)參，就運(yùn)行一次模型，得到當(dāng)前參數(shù)對(duì)應(yīng)的預(yù)測(cè)結(jié)果，包括存活正確率和死亡正確率。經(jīng)過(guò)多次調(diào)參，得到一系列線性SVM預(yù)測(cè)結(jié)果值，再進(jìn)行匯總和歸納后得到樣本集預(yù)測(cè)結(jié)果（表4）。

表格中C為松弛變量，toler為容錯(cuò)率，“x/y”：x表示測(cè)試集存活正確率，y表示測(cè)試集死亡正確率。

由上表得到，當(dāng)C在0.2～0.6之間時(shí)，未出現(xiàn)極端情況，因此選取松弛變量C=0.4，測(cè)試此時(shí)集正確率隨容錯(cuò)率的變化（圖3）。

由線性SVM的結(jié)果可知，當(dāng)容錯(cuò)率為0.17或0.4時(shí)，二者正確率相等，都為0.5左右。顯然，線性SVM也能處理判斷死亡率的問(wèn)題，但限制于數(shù)據(jù)本身的問(wèn)題，雖然也能對(duì)數(shù)據(jù)進(jìn)行分類預(yù)測(cè)，卻不能達(dá)到令人滿意的效果，最終準(zhǔn)確率只能達(dá)到50%。

表4 1400樣本集預(yù)測(cè)結(jié)果

圖3 基于支持向量機(jī)的集正確率隨容錯(cuò)率的變化

2.4 結(jié)果

通過(guò)對(duì)以上兩種算法進(jìn)行實(shí)驗(yàn)和比較，我們可以得出以下結(jié)果。

對(duì)比分析時(shí)間，邏輯回歸花費(fèi)的時(shí)間最少，大約在30 s左右；線性SVM最慢，運(yùn)行一次運(yùn)算需要5 min。從處理速度上考慮，邏輯回歸較好。

分析準(zhǔn)確率，邏輯回歸能達(dá)到70%左右的準(zhǔn)確率；線性SVM只有50%?？梢?jiàn)，從處理準(zhǔn)確度上來(lái)講，邏輯回歸也較好。

綜上，邏輯回歸在時(shí)間和準(zhǔn)確率上都占有很大的優(yōu)勢(shì)，能很好地實(shí)現(xiàn)對(duì)患者結(jié)局的預(yù)測(cè)。

3 可視化研究

數(shù)據(jù)可視化研究部分基于ECharts開(kāi)源可視化庫(kù)實(shí)現(xiàn)。共分為兩個(gè)部分，第一部分為MIMIC-III數(shù)據(jù)庫(kù)整體特征進(jìn)行可視化，第二部分為特征元素可視化。

3.1 整體特征

3.1.1 存活死亡情況

根據(jù)MIMIC-III總體數(shù)據(jù)的存活死亡情況，可知存活比例占66.12%，死亡比例占33.88%（圖4）。

3.1.2 男女比例情況

MIMIC-III總體數(shù)據(jù)的男女比例情況表明男性比例占43.85%，女性比例占56.15%（圖5）。

圖4 MIMIC-II數(shù)據(jù)庫(kù)存活死亡情況

圖5 MIMIC-II男女比例情況

3.2 ITEM特征

3.2.1 血小板

血小板的功能是穩(wěn)定內(nèi)皮細(xì)胞，防止內(nèi)皮細(xì)胞被不同形式的氧化組織損傷。血小板減少是危重病患者最常見(jiàn)的異常指標(biāo)之一[18]。

在[0，100]區(qū)間內(nèi)，病死者的比例比存活者的比例高，而[100，500]區(qū)間存活者的比例較病死者的比例高（圖6）。由此可知，病死者的血小板數(shù)量比存活者的血小板數(shù)量明顯降低。

圖6 血小板含量與存活/死亡人數(shù)的關(guān)系（1400樣本集）

3.2.2 乳酸

血乳酸水平是反映危重患者組織氧供需平衡的重要指標(biāo)。在危重病患者中，由于各種原因?qū)е陆M織缺血缺氧，組織無(wú)氧代謝增加，進(jìn)而機(jī)體組織清除乳酸能力下降，會(huì)使血乳酸水平明顯升高。

乳酸含量在1～3 mmol/L區(qū)間的存活者的比例較高，乳酸含量在4 mmol/L以上的區(qū)間，病死者的比例比存活者的比例高（圖7）。由此可見(jiàn)，病死者的乳酸含量比存活者的乳酸含量明顯升高。

圖7 乳酸含量與存活/死亡人數(shù)的關(guān)系（1400樣本集）

3.2.3 血肌酐

血肌酐[19-20]含量在[0.6，1.5]區(qū)間的存活者的比例較病死者的比例高，血肌酐含量在[0.1，0.5]以及1.6以上區(qū)間的病死者的比例較存活者的比例高。以2800樣本集為研究對(duì)象，分析血肌酐含量與存活/死亡人數(shù)（圖8）。

圖8 血肌酐含量與存活/死亡人數(shù)關(guān)系（2800樣本集）

4 討論與展望

本文基于MIMIC-III數(shù)據(jù)庫(kù)，提取出與ICU患者結(jié)局相關(guān)的十七個(gè)關(guān)鍵特征?；颊呓Y(jié)局預(yù)測(cè)模型使用了兩類算法：邏輯回歸和線性SVM。研究結(jié)果顯示，邏輯回歸算法較優(yōu)，準(zhǔn)確率可達(dá)70%，且耗時(shí)短、實(shí)用性較高。同時(shí)，對(duì)提取出的關(guān)鍵樣本特征進(jìn)行可視化研究的結(jié)果顯示，血小板、乳酸、血肌酐等的含量與患者結(jié)局之間具有關(guān)聯(lián)性。目前模型仍存在樣本量小、數(shù)據(jù)缺失等問(wèn)題，建議使用更大的數(shù)據(jù)庫(kù)獲取大樣本集，以彌補(bǔ)這方面的缺陷?；颊呓Y(jié)局預(yù)測(cè)模型雖然存在一定的不足，但基本上實(shí)現(xiàn)了對(duì)結(jié)局的初步分析以及對(duì)各種指標(biāo)影響力的判斷，有一定的準(zhǔn)確性和信服力。