应用机器学习算法和可穿戴技术早期检测心胸手术后并发症的初步研究

作者：CardiothoracicSurgery
*仅供医学专业人士参考



文献标题：A Pilot Study Using Machine Learning Algorithms and Wearable Technology for the Early Detection of Postoperative Complications After Cardiothoracic Surgery

●

发表杂志：Annals of surgery

影响因子：10.1

发表时间：2024-03-14

摘 要
目的：评价机器学习算法(即NightSignal算法)在心胸手术后出现症状前检测术后并发症的可行性。

背景：需要能够早期发现心胸外科手术后并发症的方法。

方法：这是一项前瞻性观察性队列研究，于2021年7月至2023年2月在一家三级护理医院进行。计划接受心胸外科手术的患者年龄为18岁或以上。研究参与者在手术前连续佩戴Fitbit手表至少1周，术后持续佩戴90天。评估了NightSignal算法检测术后并发症的能力，该算法以前是为早期检测新冠肺炎而开发的。主要结果是用于术后事件检测的算法的敏感性和特异性。

结果：共有56名接受心胸手术的患者符合纳入标准，其中24名(42.9%)接受了胸部手术，32名(57.1%)接受了心脏手术。中位年龄62岁(IQR：51~68岁)，女性30例(53.6%)。NightSignal算法在症状出现前2天(IQR：1-3)检测到21例术后事件中的17例，敏感性为81%。该算法检测术后事件的特异度、阴性预测值和阳性预测值分别为75%、97%和28%。

结论：从可穿戴设备收集的生物统计数据的机器学习分析有可能在症状出现之前检测心胸手术后的并发症。

前言：

在美国，每年有超过500,000名患者接受心脏和肺部疾病的手术。心胸手术后，高达32%的患者出现术后并发症，这种并发症通常发生在离院期间，并导致计划外的再次住院。目前，患者出院后的监测存在很大差距，在此期间，患者与他们的医疗团队极少互动，直到第一次术后就诊。监测方面的这一差距可能导致对并发症的检测出现延误，从而导致更严重的并发症和计划外的再次住院。虽然一些干预措施，如远程医疗预约和家庭健康访问，已被探索为改善并发症的早期识别的战略，但这些干预措施收集的数据分辨率低，往往费用高昂，而且尚未被证明能降低并发症发生率。

在心胸手术后症状出现之前，需要准确和易于实施的方法来检测并发症。智能手表等可穿戴设备能够收集高分辨率的生理数据，并可用于术后期间的患者监护。我们之前的研究已经证明了可穿戴数据的机器学习分析在检测异常生理事件(通常在症状出现之前)的有效性，包括新冠肺炎和其他呼吸道疾病。通过分析从可穿戴设备获得的高分辨率生物识别数据，机器学习具有预测和更早识别术后并发症的潜力，可能会降低心胸手术后并发症的频率或严重程度。

这项初步研究的目的是评估机器学习算法是否可以扩展到心胸手术后术后并发症的早期检测。我们假设，通过可穿戴设备收集的患者静息心率(RHR)数据的机器学习分析可以用于在心胸手术后症状出现之前预测术后并发症。

方法

患者选择：

在2021年7月至2022年10月期间接受心胸手术的18岁或以上患者有资格参加这项研究。排除标准包括智力残疾和/或认知障碍的患者，这些人可能会妨碍对研究方案的充分了解或合作，怀孕的患者，以及既往严重不可逆性肺动脉高压、先天性心脏病、慢性肾功能不全和肝硬变的病史。此外，没有Android或iOS操作系统的智能手机或没有电子邮件地址的患者被排除在外。在获得口头同意后，患者被要求将Fitbit(Fitbit，Inc.)移动应用程序下载到他们的智能手机上，并获得Fitbit Charge 4/5。患者在手术前至少佩戴Fitbit设备一周，术后最多90天。

可穿戴数据的收集：

在开始研究之前，要求提供唯一的Fitbit应用程序标识，以访问Fitbit的开发者应用程序编程接口(API)。参与者被分配了一个与确定的Fitbit帐户相对应的唯一用户名和密码。从Fitbit API收集参与者数据，这些数据是通过用Python(Python Software Foundation，3.9.1版)编写的自动化脚本来实现的。确定身份的数据存储在凯斯西部储备大学高性能计算集群上的安全网络驱动器中。在目前的分析中，我们获得了从可穿戴设备上收集的原始心率数据，并应用我们之前开发的前处理流程来计算夜间静息心率。每周进行数据审计，以确保高质量的数据收集。

临床资料的收集：

参与者的人口统计数据以及手术前、围手术期和术后的数据从电子病历(EMR)中收集并安全地存储在Research Electronic Data Capture(RedCap)上。从电子病历收集的数据包括：年龄、性别、种族和民族、体重指数、吸烟史、过敏、药物、术前症状、接受化疗、免疫治疗或放射治疗、ASA分类、ECOG功能状况、肺功能测试数据、主要合并症、手术细节和术后数据(住院时间、胸管留置天数、常规门诊随访、术后事件、再入院)。

术后事件的定义：

为了这一分析，任何出院后术后并发症、急诊科就诊、意外再入院或死亡的临床记录都被定义为术后事件。患者报告的需要干预的症状在门诊、术后就诊或电话接触中记录下来，也被包括在术后事件中。出院前发生的术后并发症不被认为是术后事件。每个术后事件的日期被认为是与该术后事件相关的症状首次记录在EMR中的日期。

NightSignal机器学习算法：

在目前的研究中，我们测试了NightSignal算法是否可以扩展到心胸手术后事件的检测。NightSignal算法是一种机器学习算法，以前被证明可以识别Covid-19的生理异常。NightSignal算法的细节已经在以前的出版物中进行了深入的描述。简而言之，NightSignal 算法使用基于夜间 RHR 的确定性有限状态机 (FSM) 来检测 RHR 的异常增加。对于患者佩戴手表的每个晚上，计算患者在该晚上的平均RHR，并将其与患者之前佩戴手表的所有夜晚的RHR平均值的中位数(此处称为“基线RHR”)进行比较。如果患者当晚的平均RHR与他们的基线RHR相似(例如，在每分钟3次以内)，则该算法发出“绿色状态”。或者，如果患者当晚的平均RHR与他们的基线RHR相比足够高，则该算法发出“黄色状态”(如果RHR比他们的基线RHR每分钟高3次且<4次)或“红色状态”(如果RHR比他们的基线RHR每分钟高出4次以上)。如果算法发出两个连续的黄色状态或两个连续的红色状态，则分别触发黄色或红色警报。在本研究中，当红色警报被触发时，会检测到术后事件。

数据分析与统计分析：

使用连续数据的中位数和四分位数范围以及分类数据的频率来总结基线患者的人口统计数据。该算法被应用于一个数据集，该数据集包括患者在手术前和术后期间从Fitbit设备收集的夜间RHR数据。夜间RHR数据包括在12：00 AM至8：00 AM之间收集的RHR数据。为了避免包括患者在这些时间段内清醒时收集的RHR数据，我们排除了患者在行走时收集的所有RHR数据。出院前有术后并发症的患者不包括在该数据集中。为了评估算法检测术后事件的能力，我们使用下面描述的方法为每个患者定义了一个分析期。

分析期间的开始日期：

如果(1)患者在POD 10之后出院，或(2)患者在出院后至术后第10天(POD 10)之前经历了术后事件，则分析期的开始日期为出院日期。对于所有其他患者(包括在POD 10后经历过术后事件的患者和从未经历过术后事件的患者)，分析期的开始日期是POD 10。选择POD 10作为这些患者分析期的开始日期的原因是，在手术后的几天里，许多患者的RHR增加是由于手术带来的生理应激，而不是由于并发症。为了避免将这些红色警报归类为误报，我们选择POD 10作为分析期的开始日期。我们选择这个临界值是因为它可以让患者从手术的直接压力中恢复过来，同时仍然允许我们的算法分析通常发生术后并发症的大时间窗口(POD 10及以上)。事实上，我们队列中81%的出院后并发症发生在POD 10之后。

分析期间的结束日期：

对于经历术后事件的患者，分析期的结束时间是术后事件发生日期后7天。对于没有经历过术后事件的患者，分析期的结束要么是患者完成研究的日期，要么是患者经历以下事件之一的日期：额外的手术、已知会导致患者心率重大变化的药物变化，或其他与分析无关的事件。

定义分析期间中的间隔：

然后，我们将分析期间收集的患者生理数据分组为不同的间隔。在经历术后事件的患者中，数据从分析期开始到术后事件前7天，以14天为间隔进行分类;最后一个时间间隔结束日期到并发症发生日期之间的天数以及术后事件发生后的7天被分组为一个单独的时间间隔，作为该患者分析期的最后一个时间间隔。在未发生术后事件的患者中，从分析期开始到分析期结束，数据以14天为间隔进行分类。

术后事件检测算法的性能评价：

然后，我们通过将每个间隔分类为真阳性、真阴性、假阳性或假阴性来评估算法对术后事件的检测。真阳性(TP)被定义为患者经历术后事件并触发红色警报的时间间隔。真阴性(TN)被定义为患者没有经历术后事件并且没有触发红色警报的时间间隔。假阳性(FP)被定义为患者没有经历术后事件但在该时间间隔内触发了一个或多个红色警报的时间间隔。假阴性(FN)被定义为患者经历了术后事件但在该间隔内没有触发红色警报的时间间隔。基于这些定义，我们计算了该算法检测术后事件的灵敏度、特异度、阳性预测值和阴性预测值。

使用Wilcoxon Rank Sum检验分析了术后30天内发生术后事件的患者和未发生术后事件的患者之间红色警报比例的差异。所有统计分析使用R统计软件版本4.0.2(R Core Team)进行。统计学意义定义为双侧α小于0.05。

结果：

在299名符合条件的心胸外科患者中，195名患者(65.2%)参加了这项研究。在195名登记的患者中，4名患者(2.1%)没有接受手术，51名患者(26.2%)提前退出研究，11名患者(5.6%)术后随访数据少于90天。在129名接受手术并完成90天术后疗程的患者中，共有56名患者(43.1%)被纳入分析；73名患者(56.6%)被排除在分析之外，原因是他们在出院前经历了术后并发症(n=27)或因为他们没有足够的生物统计学数据来进行分析(n=46)(图1)。在46名因生物识别数据不足而被排除在分析之外的患者中，大多数人只在手术后间歇性佩戴手表。完成90天术后疗程并被纳入和排除在分析中的患者的基线特征显示在补充表1，补充数字内容1，http://links.lww.com/SLA/F40.

完成研究的患者的基线特征：

表1列出了患者特征。在研究队列中的56名患者中，24名患者(42.9%)接受了胸部手术，32名患者(57.1%)接受了心脏手术。中位年龄为62岁(IQR：51-68)，队列以女性为主(53.6%，n=30)。

胸外科手术以肺叶切除为主(54.2%，n=13)，心脏手术以瓣膜置换术最多(43.8%，n=14)。所有胸部手术患者均接受了微创手术(100%，n=24)，而心脏手术患者以开放手术为主(68.8%，n=22)。

NightSignal算法在术后事件检测中的性能：

在研究队列中的56名患者中，20名患者(35.7%)在术后90天内总共经历了21次术后事件。NightSignal算法检测到21例术后事件中的17例(81.0%)。图2A是接受二尖瓣微创修补术的患者的一个真正阳性的例子，他在POD 30(被认为是术后事件开始的日期)开始出现呼吸短促，然后在POD 33出现双侧肺血栓。在患者术后30天之前，POD 28显示黄色警报，POD 29显示红色警报。

图2B是接受电视胸腔镜右中叶切除术的患者的真实阴性的例子。患者在POD 2出院，没有任何住院问题。POD 2 之前的红色警报被认为是正常的术后恢复。从那时起，没有其他红色警报被认可。图表回顾中也没有记录在案的术后事件。

NightSignal算法对术后事件检测的敏感度为81%，特异度为75%，阴性预测值为97%，阳性预测值为28%(图3A)。与没有经历过术后事件的患者相比，确实经历过术后事件的患者在术后前30天通过NightSignal算法发出红色警报的比例显著更高(0.325比0.063；p<0.063)

NightSignal算法在出现症状之前检测到术后事件的中位数为2(IQR：1至3天)。在按手术类型(心脏与胸科)进行的亚组分析中，该算法在心脏和胸科患者中，分别在症状出现前2天(IQR：1至3.5)和1.5天(IQR：0.25至2.75)检测到术后事件(图3B)。在NightSignal算法检测到的17个术后事件中，15个(88.2%)是在记录的术后事件日期之前发现的，2个(11.8%)是在术后事件日期之后发现的(被认为是“延迟检测”)。值得注意的是，两名延迟发现术后事件的患者只在并发症周围的间隔时间间歇性佩戴手表，这降低了在该间隔期间收集的RHR数据的分辨率。

结论：

在这项对56名接受大型心胸手术的患者的初步研究中，我们发现，通过可穿戴设备被动收集的高分辨率RHR数据的机器学习分析可以检测出81%的术后事件，其中大部分是主要的术后并发症。重要的是，这些并发症中的大多数是在与该并发症相关的症状出现前几天发现的。这些结果强调了使用机器学习分析从可穿戴设备收集的高分辨率生物识别数据的可能性，以便在症状出现之前及早检测心胸手术后的术后并发症。





图2.术前和术后期间收集的患者静息心率时间序列。每组数据代表一名患者的静息心率。图2A是一例接受二尖瓣微创修补术的患者，于术后第7天出院。他报告3天的呼吸急促，在术后第33天出现双侧肺血栓。症状出现的日期由红色圆圈(POD 30)表示。NightSignal算法首先在POD 29检测到术后临床事件，如POD 29的红色警报所示。图表的灰色阴影区域表示术后天数被排除在分析之外，因为它们发生在术后事件日期之后的7天以上。图2B是接受电视胸腔镜右中叶切除术的患者的一个真实阴性的例子，患者在POD 2出院，并且没有术后事件。在图2A和2B中，POD 0表示手术日期。绿色、黄色和红色虚线表示NightSignal算法的不同阈值。实心黑色表示患者每天的平均静息心率。黄色和红色垂直实线对应于NightSignal算法发出的黄色和红色警报。术后即刻的红色警报被认为反映了手术后正常恢复的生理变化。



图3.术后事件检测的NightSignal算法的性能分析(A)以及NightSignal算法首次检测到术后事件的日期和记录的术后事件日期之间的时间。







END



长按二维码添加

关注我们 获取更多文献

点赞或分享   让我们共同成长



点击“阅读原文”看摘要原文