祁海鷗,徐 欣,薛子豪

浙江大學醫(yī)學院附屬邵逸夫醫(yī)院,浙江杭州 310016

機器學習算法是實現(xiàn)人工智能的關(guān)鍵技術(shù)。在醫(yī)療護理領(lǐng)域中,機器學習已被廣泛應用于疾病預測與輔助診斷、醫(yī)學影像識別、疾病預后評價和慢病健康管理等環(huán)節(jié)。隨著醫(yī)療技術(shù)進步和醫(yī)院規(guī)模擴張,手術(shù)室的運營與護理管理也迎來了新的挑戰(zhàn),借助機器學習算法實現(xiàn)手術(shù)室護理工作的智能化已成為發(fā)展趨勢。當前,已有研究者在宏觀層面提出手術(shù)室大數(shù)據(jù)系統(tǒng)框架用于優(yōu)化手術(shù)室護理質(zhì)量[1],但尚缺乏研究總結(jié)如何利用大數(shù)據(jù)實現(xiàn)手術(shù)室護理的智能化。本文通過總結(jié)機器學習算法在手術(shù)時長預測與手術(shù)資源規(guī)劃、手術(shù)相關(guān)壓力性損傷(surgery-related pressure injury,SRPI)預測與評估、手術(shù)部位感染(surgical site infection,SSI)與術(shù)中低體溫風險預測中的應用,以期為提升手術(shù)室運營效率、優(yōu)化手術(shù)患者的安全管理提供參考。

1 機器學習概述

人工智能是通過機器模擬人類的方式,記錄、積累、再現(xiàn)和運用知識的學科,本質(zhì)是對人類意識與思維信息過程的模擬[2]。人工智能的主要技術(shù)體系包括機器學習、自然語言處理、計算機視覺、人機交互等。機器學習是實現(xiàn)人工智能最重要的分支之一,其本質(zhì)在于通過算法解析數(shù)據(jù)之間的關(guān)系并從中學習,以實現(xiàn)預測和決策的功能。與傳統(tǒng)統(tǒng)計分析方法不同,機器學習不需要人為決定預測因素的組合方式,算法自身將測試出最優(yōu)交互項組合以優(yōu)化目標函數(shù)。因此,機器學習相比于傳統(tǒng)統(tǒng)計更側(cè)重于提升數(shù)據(jù)分析的精確度以及算法效率。機器學習可分為監(jiān)督學習、非監(jiān)督學習、強化學習三類[3]。常用的機器學習算法包括支持向量機算法(support vector machines,SVM)、決策樹算法(decision tree,DT)、隨機森林算法(random forest,RF)、樸素貝葉斯算法(naive bayes)、梯度增強算法(gradient boosting)、神經(jīng)網(wǎng)絡算法(neural networks)、logistic回歸等。

2 機器學習算法在手術(shù)室管理中的應用現(xiàn)狀

2.1 手術(shù)時長預測

提高手術(shù)室效率、優(yōu)化手術(shù)室管理,是提升醫(yī)院整體運行效率和效益的重要環(huán)節(jié)。準確預測手術(shù)時長,合理安排手術(shù)計劃,提高手術(shù)效率并減少手術(shù)室資源浪費,是醫(yī)院管理者關(guān)注的重點。考慮到外科手術(shù)有較強的不確定性,越來越多的學者借助機器學習算法對手術(shù)時間進行預測。Tuwatananurak等[4]基于15 000個手術(shù)案例構(gòu)成的數(shù)據(jù)集,采用RF構(gòu)建手術(shù)時長預測模型,模型納入的預測因子包括患者因素、醫(yī)務人員因素、設施設備因素、手術(shù)操作因素和前序事件要素共五大類。使用該模型對990例外科手術(shù)進行時長預測,實際時長和預測時長中位數(shù)的差異為20.0(9.0,39.8)min,該模型將預測準確率由31.2%提高至41.1%。研究[4]還將預測模型應用于手術(shù)排程,并在為期3個月的測試周期內(nèi)累計為手術(shù)室節(jié)約了19 000 min手術(shù)時間。Bartek等[5]基于2014年至2017年華盛頓大學醫(yī)學中心的5萬余例手術(shù)數(shù)據(jù),采用極端梯度算法(extreme gradient boosting,XGBoost)為醫(yī)院內(nèi)每個外科?？坪兔课煌饪漆t(yī)生創(chuàng)建了手術(shù)時長預測模型。以實際手術(shù)時長的10%為閾值,該模型可將預測準確率由32%提升至39%,其中特定醫(yī)生手術(shù)時長的預測準確率可達50%以上。與前述研究者不同,Bodenstedt等[6]采用卷積神經(jīng)網(wǎng)絡算法(convolutional neural networks,CNN),利用腹腔鏡手術(shù)的視頻影像資料和手術(shù)設備的工作數(shù)據(jù)資料構(gòu)建模型,以實現(xiàn)對手術(shù)剩余時長的實時預測。該模型預測時間的總體平均誤差為37%,半程平均誤差為28%,可為實現(xiàn)對手術(shù)排程的動態(tài)管理提供參考。在Zhao等[7]借助機器學習算法構(gòu)建的機器人輔助手術(shù)時長預測模型中,采用增強回歸樹算法(boosted regression tree,BRT)構(gòu)建的預測模型最優(yōu),與使用logistic回歸的基線模型相比,BRT可將預測時長的均方根誤差(root mean squared error,RMSE)由100.4 min降低至80.2 min。借助該算法在Zhao等[7]所在的醫(yī)院制定手術(shù)計劃,可將日均手術(shù)量由148臺提升至219臺。基于機器學習算法的手術(shù)時長預測模型可輔助手術(shù)室護理管理人員進行手術(shù)排程與調(diào)度,提升手術(shù)間利用率和手術(shù)人員的工作平衡度[5]。由于預測準確性的判斷標準相對主觀,比如以絕對時長或?qū)嶋H手術(shù)時長的固定比例為閾值,因此在一定程度上影響了模型預測結(jié)果的說服力,在后續(xù)研究中應結(jié)合相對客觀的評價指標如RMSE、平均絕對誤差(mean absolute error,MAE)等從多方面評價模型的預測準確性。

2.2 手術(shù)資源規(guī)劃

手術(shù)資源合理規(guī)劃是手術(shù)室管理的重點,而利用信息數(shù)據(jù)協(xié)同人工管理是提升手術(shù)室效率的重要手段。手術(shù)安排與手術(shù)調(diào)度通常由經(jīng)驗豐富的手術(shù)室護士進行規(guī)劃,然而這一傳統(tǒng)規(guī)劃方式已不能適應現(xiàn)代化的手術(shù)室資源管理。Runarsson[8]構(gòu)建了基于神經(jīng)網(wǎng)絡與概率約束的手術(shù)安排模型,為解決手術(shù)安排過程中涉及的各種不確定約束條件(如手術(shù)時長、接臺間隔、外科醫(yī)生手術(shù)列表、手術(shù)間占用情況、病房容量與預期手術(shù)患者人數(shù)等),該學者采用混合整數(shù)規(guī)劃(mixed integer programming)模型制定手術(shù)排程的解決方案,從而計算手術(shù)間每日手術(shù)計劃的最優(yōu)方案。趙亮等[9]同樣構(gòu)建了手術(shù)安排與調(diào)度的數(shù)學優(yōu)化模型,在應用該模型進行手術(shù)調(diào)度后,住院患者術(shù)前等候時間縮短、手術(shù)臺次穩(wěn)步上升、手術(shù)室資源利用率得到提升。前期研究中手術(shù)時長的常見預測因子包括:性別、年齡、體重指數(shù)、手術(shù)危險分級、疾病史等患者因素;進行手術(shù)的外科醫(yī)生、麻醉師等醫(yī)務人員因素;手術(shù)種類、手術(shù)方式、麻醉方式、手術(shù)日期與手術(shù)順次、手術(shù)設備、手術(shù)接臺時間等手術(shù)流程因素。其中外科醫(yī)生相關(guān)的預測因素是導致預測時間變異的首要因素,了解預測因子的可解釋性可為后續(xù)研究開發(fā)模型納入變量提供參考。然而在前期研究的變量中,大多僅涉及手術(shù)過程相關(guān)的醫(yī)、患、設施層面的因素,而未將手術(shù)過程與患者復蘇及轉(zhuǎn)運視為整體,從而忽略了麻醉復蘇室、重癥監(jiān)護室等科室的床位及運轉(zhuǎn)情況,若相關(guān)護理單元的床位不足將迫使手術(shù)患者在手術(shù)間內(nèi)復蘇,從而增加了患者離室周轉(zhuǎn)和手術(shù)接臺時間,進而影響對手術(shù)時長預測的準確性和手術(shù)間利用效率。因此,基于已有的預測變量,不斷探索完善模型以提高手術(shù)時長預測的準確性是后續(xù)研究的重點。

2.3 SRPI預測與評估

2.3.1SRPI預測

SRPI是衡量護理質(zhì)量的敏感指標之一。由于手術(shù)時間延長、體位安置、手術(shù)器械應用以及術(shù)中體溫變化等因素,手術(shù)患者是SRPI的高發(fā)人群。一項meta分析[10]提示,術(shù)中獲得性SRPI的發(fā)生率高達18%。如何預防SRPI是手術(shù)室護理人員的關(guān)注要點,當前已有數(shù)項研究借助機器學習算法,協(xié)助護理人員對手術(shù)患者發(fā)生SRPI的風險進行預測。Su等[11]以不同的數(shù)據(jù)分析算法構(gòu)建了術(shù)中SRPI的風險預測模型,其中以馬田系統(tǒng)(mahalanobis-taguchi system,MTS)模型具有最優(yōu)的靈敏度(0.833)、特異度(0.928)和G-means值(0.879),其預測變量包括7個:性別、體重、手術(shù)種類、手術(shù)體位、手術(shù)開始與結(jié)束體溫、電刀器械的使用數(shù)量,相比基于支持向量機、決策樹算法和logistic回歸所構(gòu)建的預測模型,MTS模型具有相對簡潔的預測因子和較為穩(wěn)健的預測結(jié)果。Cai等[12]使用XGBoost算法,以手術(shù)時長、體重、年齡、體外循環(huán)持續(xù)時間和心臟疾病分類作為5個主要預測因子,構(gòu)建了心血管外科手術(shù)的SRPI預測模型,通過對149例手術(shù)患者的測試,該模型的曲線下面積為0.806,提示具有較高的預測準確性。在SRPI預測模型的相關(guān)研究中,主要目的一是探索SRPI的危險因素,以便為手術(shù)室護士采取SRPI預防的干預措施提供依據(jù);二是比較不同算法在構(gòu)建預測模型中的性能,從而精簡模型、優(yōu)化計算過程。以上研究可為后續(xù)學者開發(fā)SRPI預測模型在變量設計與算法選擇中提供參考。然而,上述研究在模型驗證過程中多采用內(nèi)部驗證,缺少預測模型在多中心、前瞻性的外部驗證過程可能影響模型的穩(wěn)定性和可推廣性,因此在后續(xù)研究中SRPI預測模型的外部驗證將是研究重點。臨床工作中,手術(shù)室護士往往通過Braden量表、Munro量表或通過經(jīng)驗實現(xiàn)對SRPI發(fā)生風險的評估。這一方法依賴于護士的專業(yè)能力以及對量表內(nèi)容的熟悉程度,同時使用量表進行評估無法探究不同影響因素之間的交互作用。基于機器學習算法的SRPI預測模型可提取患者病歷信息及監(jiān)護數(shù)據(jù),從而實現(xiàn)風險預測的自動化和便捷化,因此將相關(guān)模型應用于臨床護理工作可為減少護士工作量、開展優(yōu)質(zhì)的手術(shù)護理提供有效工具。

2.3.2SRPI評估

除了對SRPI的預測之外,機器學習算法還應用于受損創(chuàng)面的測量與分析。Zahia等[13]基于卷積神經(jīng)網(wǎng)絡算法構(gòu)建了端到端(end-to-end)的框架,通過輸入創(chuàng)面的二維圖像和三維成像信息,即可實現(xiàn)創(chuàng)面的檢測和分割,從而完成創(chuàng)面面積、深度、體積及軸線長度的計算,該模型的精確度可達87%。此外,還有數(shù)項研究基于卷積神經(jīng)網(wǎng)絡算法和SVM算法構(gòu)建了創(chuàng)面的測量模型,以實現(xiàn)對SRPI組織分類和創(chuàng)面面積與深度的評估[14-15]。以上研究可為手術(shù)室護理人員開展SRPI質(zhì)量管理項目提供便捷高效的工具,通過受損部位圖像數(shù)據(jù)的采集自動獲得客觀、精確的創(chuàng)面資料,以替代傳統(tǒng)創(chuàng)面評估過程中通過經(jīng)驗或使用鋼尺、探針等工具進行侵入性操作獲得的粗略結(jié)果,并為SRPI在手術(shù)間與其他臨床科室的無縫交接與延續(xù)管理提供基礎資料。

2.4 SSI預測

SSI是外科手術(shù)最常見的并發(fā)癥之一。SSI可導致各類并發(fā)癥和死亡率增加、進行二次手術(shù)、住院時間延長以及醫(yī)療費用支出增加[16]。預防和監(jiān)測SSI需經(jīng)過醫(yī)務人員的專業(yè)評估,這一過程需要耗費較高的醫(yī)療成本,基于人工智能的計算機技術(shù)可以為分析SSI提供高效便捷的方式并減少醫(yī)療資源的占用[17]。

2.4.1基于圍手術(shù)期資料進行預測

愛荷華大學附屬醫(yī)療機構(gòu)使用基于電子健康病例的機器學習算法對手術(shù)患者發(fā)生SSI的概率進行預測,在手術(shù)即將結(jié)束時,巡回護士將激活程序并自動采集電子記錄中的實時數(shù)據(jù),從而計算SSI發(fā)生的風險概率,以提醒外科醫(yī)生在關(guān)閉切口時采取必要措施降低感染風險[18]。人工智能分析程序的推進使得附屬醫(yī)療機構(gòu)在3年內(nèi)減少了74%SSI的發(fā)生,并節(jié)約了120萬美元的醫(yī)療成本[18]。SSI的預防和監(jiān)測貫穿術(shù)前、術(shù)中和術(shù)后,其中手術(shù)室是發(fā)現(xiàn)和應對SSI最關(guān)鍵的環(huán)節(jié),同時超過50%的SSI可應用循證策略進行預防[19]。因此開發(fā)SSI預測模型,在術(shù)中或術(shù)前階段識別SSI高危人群并給予必要的干預措施。然而,當前多數(shù)機器學習預測模型側(cè)重于在術(shù)后環(huán)節(jié)監(jiān)測SSI的發(fā)生,其模型的應用不僅需要采集患者的術(shù)前資料,還依賴術(shù)中生命體征[20]、術(shù)中醫(yī)療設備應用情況[21]、手術(shù)時長[18,22-23]、切口情況[16,23]、術(shù)后引流情況[20]等手術(shù)因素作為變量,因此這類模型無法用于指導SSI的術(shù)前或術(shù)中干預。

2.4.2基于術(shù)前資料進行預測

Almamlook等[24]采用美國外科醫(yī)師學會國家手術(shù)質(zhì)量改進項目中288萬例手術(shù)患者的資料構(gòu)建了SSI預測模型。其中以深層神經(jīng)網(wǎng)絡(deep neural networks,DNN)為算法構(gòu)建的模型相比于SVM、DT、RF等具有更優(yōu)的預測性能,其曲線下面積、準確度、精確度、靈敏度和F1分數(shù)均>0.85。DNN模型中共包括28個預測變量且均為術(shù)前危險因素,其中急診手術(shù)、手術(shù)危險分級為Ⅳ級、高體重指數(shù)、血管外科和普外科手術(shù)是該模型中預測SSI的重要因素。Yeo等[25]基于10 021例全膝關(guān)節(jié)置換術(shù)(total knee arthroplasty,TKA)患者的資料構(gòu)建了TKA術(shù)后發(fā)生淺表或深部切口感染的預測模型。人工神經(jīng)網(wǎng)絡算法(artificial neural networks,ANN)構(gòu)建的預測模型具有最佳性能(曲線下面積=0.84、校正曲線及決策分析曲線最優(yōu)),預測因素包括人口統(tǒng)計學資料和疾病相關(guān)資料,其中最強預測因素是查爾森合并癥指數(shù)(Charlson Comorbidity Index,CCI)、體重指數(shù)(>30 kg/m2)和吸煙。在上述兩項研究中,預測模型構(gòu)建均采用人口學信息、疾病史等術(shù)前資料,從而有助于醫(yī)療團隊在術(shù)前估計SSI發(fā)生風險,進行健康教育指導高?；颊叱浞诌M行術(shù)前準備,以及在手術(shù)過程中預防性使用抗生素、使用切口保護套、積極沖洗切口并進行引流等,從而減少外科手術(shù)感染的發(fā)生[26-27]。同時,上述模型也存在不足之處,如Almamlook等[24]開發(fā)的模型需要采集患者大量的病史信息,因此疾病資料不完善將可能降低預測準確性。后續(xù)研究仍需探索在確保預測準確性的同時如何精簡預測變量數(shù)目。

2.5 術(shù)中低體溫預測

由非計劃或治療外因素所致機體核心溫度低于36℃被稱為非計劃術(shù)中低體溫(inadvertent perioperative hypothermia,IPH)。IPH可引發(fā)心血管不良事件,增加術(shù)中出血風險、SSI等不良后果,并使麻醉復蘇及住院時間延長[28]。盡管如此,當前患者術(shù)中核心體溫及其并發(fā)癥的監(jiān)測尚未得到足夠重視,IPH患者的院內(nèi)死亡率接近40%[29]。因此,構(gòu)建能夠早期識別和預測IPH的風險模型較為重要。當前研究在方法學上集中于使用多因素線性回歸或logistic回歸進行IPH模型的構(gòu)建,缺點在于其無法解決非線性問題、容易使結(jié)果產(chǎn)生過度擬合以及忽略各因素之間的交互作用,因此容易使模型預測的準確率降低。曹立源等[30]將RF、平衡遺傳算法(equilibrium genetic algorithm,EGA)和XGBoost這3種機器學習算法進行組合,從而提升了術(shù)中低體溫預測模型的預測性能。模型的預測因素共7個,分別是術(shù)前體溫、體重指數(shù)、麻醉時間、年齡、術(shù)中補液量、出血量和是否沖洗。模型的準確率、精確度、召回率、F1值、曲線下面積分別為0.865 2、0.869 6、0.952 4、0.909 1和0.894 7,優(yōu)于logistic回歸及其他算法模型的預測性能。項海燕等[31]采用ANN算法構(gòu)建了全身麻醉患者IPH預測模型,包括患者一般資料、手術(shù)相關(guān)資料(手術(shù)時長、麻醉時長、出血量、輸液量、尿量、體位等)、麻醉復蘇指標(復蘇時長、插管時長)、圍術(shù)期體溫等20個預測變量,曲線下面積、靈敏度、特異度、準確率分別為0.724、0.516、0.823和0.795。盡管該模型在預測性能方面遜色于曹立源等[30]的研究,但除了預測術(shù)中階段患者發(fā)生低體溫的風險,還能在麻醉復蘇階段這一高危環(huán)節(jié)實現(xiàn)低體溫的風險預測,應用范圍相對更加廣泛。越來越多的研究開始關(guān)注開發(fā)基于機器學習算法的IPH預測模型,這將能夠使臨床醫(yī)務人員從借助經(jīng)驗實施IPH的干預策略轉(zhuǎn)變到重視IPH的準確評估和計劃性預防,從而針對性地采取外周和體腔保溫措施,降低IPH的發(fā)生風險,提升手術(shù)患者安全。

3 結(jié)語

機器學習算法為手術(shù)室管理與運營提供了新的研究方向,是實現(xiàn)人工智能的關(guān)鍵技術(shù)之一。應用基于機器學習算法的預測模型能夠提高手術(shù)時長的預測準確率、增加手術(shù)臺次安排、提升手術(shù)室資源利用效率,實現(xiàn)手術(shù)相關(guān)性SRPI風險的自動化預測和評估、減少手術(shù)室護士工作量,并對SSI和IPH風險進行預測和及時干預,從而保障患者安全。與此同時,機器學習算法在手術(shù)室中的應用仍存在局限性。一方面,臨床預測模型的構(gòu)建依賴于醫(yī)療大數(shù)據(jù),如何構(gòu)建結(jié)構(gòu)豐富的數(shù)據(jù)庫并整合多中心來源的數(shù)據(jù)資料,以及實現(xiàn)醫(yī)療設備與數(shù)據(jù)庫的互聯(lián)互通是亟待解決的問題;另一方面,模型的預測性能與可解釋性仍有待提高,且尚缺乏外部驗證的開展以提升模型在實際手術(shù)環(huán)節(jié)的可靠性和可推廣性。