创伤性脑损伤患者医院获得性肺炎风险预测模型的构建.pdf

中国护理管理 2023 年 7 月 15 日 第 23 卷 第 7 期999论 著Research Papers 摘 要 目的：分析创伤性脑损伤患者发生医院获得性肺炎的危险因素，并基于机器学习算法构建风险预测模型，探讨模型的预测价值，以识别风险患者。方法：回顾性分析 2019 年 1月1日至 2021 年 7月31日在贵州省某三级甲等医院住院治疗的 596 例创伤性脑损伤患者的临床资料，建立风险预测指标集，运用 5 种机器学习算法：逻辑回归、朴素贝叶斯、支持向量机、K-最近邻算法、多层感知器构建风险预测模型，使用准确率、召回率、F1 值、AUC 值评价模型的预测价值，选择最优预测模型。结果：共纳入 596 例创伤性脑损伤患者，医院获得性肺炎发生率为 34.90%。基于筛选的变量指标构建了 5 种模型，其中多层感知器模型的准确率、召回率、F1 值、AUC 均较高。结论：构建的 5 种风险预测模型中，多层感知器风险预测模型效果较佳，适合用于创伤性脑损伤患者医院获得性肺炎早期预测，可为患者疾病的诊断、治疗和预防策略提供参考。关键词 创伤性脑损伤；医院获得性肺炎；影响因素；机器学习；预测模型中图分类号 R47；R197 DOI 10.3969/j.issn.1672-1756.2023.07.010Construction of risk prediction model of Hospital-Acquired Pneumonia in patients with Traumatic Brain Injury based on machine learning algorithm/XIANG Qianling,ZHANG Jiabi,JIANG Zhixia,HU Rujun,ZHANG Fang,LU Xin,XU Lu/Nursing Department,Kweichow Moutai Hospital,Renhuai,Guizhou province,564500,ChinaAbstract Objective:To analyze the risk factors of Hospital-Acquired Pneumonia in patients with Traumatic Brain Injury,and to construct a risk prediction model.Methods:The clinical data of 596 patients with Traumatic Brain Injury hospitalized in a tertiary grade A hospital in Guizhou province from January 1st,2019 to July 31st,2021 were analyzed retrospectively.Five machine learning algorithms were used to construct risk prediction models,including Logistics Regression,Naive Bayes,Support Vector Machine,Kashin Nearest Neighborg and Multi-layer Representation.The accuracy,recall,F1 value,AUC value were performed to evaluate and compare the model.Results:The incidence of Hospital-Acquired Pneumonia was 34.90%.Among the five models,Multi-layer Representation model had higher accuracy,recall,F1 value and AUC value.Conclusion:Multi-layer Representation model is effective and suitable for the early prediction of Hospital-Acquired Pneumonia in patients with Traumatic Brain Injury.It is expected to provide reference for diagnosis,treatment and prevention strategies for patients with Traumatic Brain Injury.Keywords Traumatic Brain Injury;Hospital-Acquired Pneumonia;influencing factor;machine learning;predictive model基金项目：贵州省教育厅青年科技人才成长项目基金（黔教合 KY 字2021213）作者单位：贵州茅台医院护理部，564500 贵州省仁怀市（向黔灵，张加碧）；贵州护理职业技术学院院办公室（江智霞，张芳）；遵义医科大学附属医院护理部（胡汝均，鲁鑫，胥露）第一作者：向黔灵，硕士，主管护师通信作者：张加碧，本科，副主任护师，护理部主任，E-mail:创伤性脑损伤患者医院获得性肺炎风险预测模型的构建向黔灵 张加碧 江智霞 胡汝均 张芳 鲁鑫 胥露 创伤性脑损伤（Traumatic Brain Injury，TBI）是指外力作用于头颅引起的损伤，包括头部软组织损伤、颅骨骨折和脑损伤。TBI 患者在诊治过程中，通常需要进行气管插管、气管切开术以及外科手术，另外，常使用激素、抗生素等药物，患者多伴有意识障碍、营养不良等生理因素，极易出现各种院内感染，医院获 得 性 肺 炎（Hospital-Acquired Pneumonia，HAP）是TBI 患者极易发生的呼吸系统并发症1。多项研究显示，TBI 患者住院期间肺炎发生率为 30%60%2-4，TBI 继发肺炎不仅影响疾病的恢复速度，延长患者的住院时间5，而且还会加重患者病情，严重者可造成呼吸衰竭和休克，增加患者病死率6。研究表明，HAP 可能会导致长期的病理炎症反应，与严重 TBI 患者伤后 5 年内预后不良相关7。由于影响 TBI 患者发生 HAP 的因素众多，若能早期准确识别其存在的危险因素，建立临床预测模型预防 HAP 发生，将能改善患者预后。目前已有几项相关的模型研究，对 TBI 患者发生 HAP 进行早期预警1,8-10，但以往模型纳入的影响因素较少、研究对象范围窄、临床样本量小等局限性影响模型预测效果。机器学习根据不同数据种类和结局指标，提出了不同的算法，有其各自的特点与优势，可以根据变量和临床特征建立预测模型，预测患者预后或并发症的发生情况。由于本研究预测结果为二分类变量，因此，选用适宜二分类的 5 种机器学习算法，结合患者的一般资料、临床资料、实验室检查指标探讨 TBI患者发生 HAP 的预测因素，构建风1000Chinese Nursing Management Vol.23,No.7,July 15,2023论 著Research Papers险预测模型，以期为临床早期发现和早期治疗提供参考依据。1 对象与方法1.1 HAP 诊断标准HAP 指患者入院时未处于潜伏期，且入院 48 h 后发生的肺炎，包括呼吸机相关性肺炎以及气管插管 4872 h 后发生的肺炎。由临床医生以 中国成人医院获得性肺炎与呼吸机相关性肺炎诊断和治疗指南（2018 年版）11中确定的肺部感染标准为主要评估依据，即胸部 X 线或 CT 显示新出现或进展性的浸润影、实变影或磨玻璃影，加上以下3 种临床症状中的 2 种或以上：体温38；有脓性气道分泌物；外周血白细胞计数10109/L 或 4109/L。1.2 研究对象本研究为回顾性研究，选择从2019 年 1月1日至 2021 年 7月31日在贵州省某三级甲等医院急诊创伤病房、急诊 ICU、神经外科、综合ICU 病区住院治疗的 596 例 TBI 患者为研究对象，其中 208 例患者为HAP 组，388 例为非 HAP 组。研究者根据资料收集表，从医院电子病历系统中查阅患者的诊疗信息，包括人口学资料、疾病相关资料、血清标志物、住院处置情况等数据。纳入标准：年龄18 岁；头部受外伤，符合 临床神经外科学相关诊断标准，经头部 CT、MRI 确诊为 TBI；符合本研究中HAP 的诊断标准；临床电子病历信息能够获取者。排除标准：因病情迅速恶化，入院后 48 h内死亡；入院前用药、治疗信息无法获取；住院时间 75%、IL-6 缺失 78%，故分析时删除这3 个变量指标。1.4 统计学方法采用 Excel 2019 进行数据预处理；SPSS 18.0 软件进行单因素分析以筛选影响因素；符合正态分布的计量资料以均数标准差进行统计描述；不符合正态分布的计量资料以中位数、四分位数间距进行统计描述，采用 Mann-Whitney U进行统计分析；计数资料以例数、百分比进行统计描述，两组间比较用2检验进行统计分析。以P0.05为差异有统计学意义。使用 Sklearn 将全部样本按照 82 分为模型构建集（n=477），并进行 4 折内部交叉验证，及外部验证集（n=119 例）。分别使用 LR、NB、SVM、KNN、MLP Classifier 模块构建风险预测模型；选择受试者工作特征曲线（Receiver Operator Characteristic Curve，ROC）下面积（Area Under Curve，AUC）值作为模型的评价指标。采用准确率、召回率、F1 值评估 5 种模型的预测性能。2 结果2.1 患者基本特征及单因素分析最终纳入患者 596 例，其中 208例发生 HAP，388 例未发生 HAP，TBI 患 者 HAP 发 生率为 34.90%，患者年龄为 50.00（39.25，62.00）岁。HAP 组和非 HAP 组患者的 GCS评 分 分 别 为 13.50（7.00，15.00）、15.00（14.00，15.00），两组评分比较，差异具有统计学意义（Z=-7.767,P0.001）；HAP 组和非 HAP 组患者的 ISS 评分分别为 18.00（14.00，27.00）分、14.00（11.00，19.00）分，两组评分比较，差异具有统计学意义（Z=-7.232,P0.001）；其他单因素分析结果详见表1。2.2 构建机器学习模型以是否发生 HAP 作为结局变量（未发生=0，发生=1），对单因素分析中差异有统计学意义的自变量进行赋值。GCS 评分与 ISS 评分原值代入；意识状态：昏迷=0，意识模糊=1，清醒=2；血糖值：正常=0，异常=1；多发伤：无=0，有=1；白细胞计数：正常=0，异常=1；血小板计数：正常=0，异常=1；氧疗：无=0，有=1；以无气管插管/切开为参照设置哑变量，X1=气管插管（0，1），X2=气管切开（0，1），X3=气管插管+气管切开（0，1）；伤后有无手术：无=0，有=1；机械通气时间：0 天=0，1 10 天=1，10 20 天=2，20 30 天=3；抗生素：无=0，有=1；糖皮质激素：无=0，有=1；鼻胃管：无=0，有=1；肠外营养：无=0，有=1；抑酸药：无=0，有=1；吸痰：无=0，有=1；胸 部 损 伤：无=0，有=1；住院天数：1 10 天=1，10 0.70，表明 5 种模型都有一定的预测价值；且 AUC 越高提示诊断价值越高，对比发现，MLP 的 AUC 较高，其预测价值相对较好。多种模型通过使用不同内核逻辑的算法16-17，多维度分析数据。由于本研究对 TBI 患者是否发生HAP 进行风险预测，以便后期采取措施预防患者发生 HAP，除了关注最重要的准确率外，为了尽可能在预测中避免遗漏，还需要关注召回率；除此之外，AUC 的大小能够反映模型的区分度，评价模型的判别区分能力，也是需要特别关注的一个重要指标。发现 MLP 模型能够较好地预测 TBI 患者发生 HAP 的风险，有助于临床尽早识别潜在高风险患者，更加精准地进行个体化预测，达到早发现、早诊断、早治疗的目的。4 小结本研究存在局限性，首先样本数据集具有一定的时限性和区域性，未进行临床多中心验证，在一定程度上影响模型的临床推广应用。其次本研究为回顾性病例对照研究，临床生化指标的收集受到限制，未能纳入临床生化指标，在一定程度上影响模型的预测效果。建议后期纳入更多的样本，开展预测模型的应用研究，进行多中心的临床验证，提高模型的预测效果，不断优化改进模型；建议进行前瞻性研究，综合考虑指标采集的经济和时间效益，有针对性地纳入与 HAP发生相关的临床生化指标、感染指标作为预测变量；下一步进行平台开发研究，以便数据的更新与展示，实时根据患者的临床数据预测 TBI患者的 HAP 发生风险，筛选高风险患者，辅助医生进行诊断，进行早期干预。参 考 文 献1 冯金周,刘发健,匡永勤,等.颅脑损伤院内获得性肺炎预测:一项基于机器学习的PCA-Logistic回归分析模型J.中国临床神经外科杂志,2019,24(1):35-38.2 王莉,曲鑫,王春亭,等.重型颅脑损伤患者气管切开术后肺部感染的危险因素分析J.中华医院感染学杂志,2015,25(20):4725-4727.3 ESNAULT P,NGUYEN C,BORDES J,et al.Early-onset Ventilator-Associated Pneumonia in patients with severe traumatic brain injury:incidence,risk factors,and consequences in cerebral oxygenation and outcome J.Neurocrit Care,2017,27(2):187-198.4 JOVANOVIC B,MILAN Z,MARKOVIC-DENIC L,et al.Risk factors for ventilator-associated pneumonia in patients with severe traumatic brain injury in a Serbian trauma centre J.Int J Infect Dis,2015,38(9):46-51.5 WANG L,LI X,YANG Z,et al.Semi-recumbent position versus supine position for the prevention of Ventilator-Associated Pneumonia in adults requiring mechanical ventilation J.Cochrane Database Syst Rev,2016,2016(1):CD009946.6 OSTI C,WOSTI D,PANDEY B,et al.Ventilator-Associated Pneumonia and role of nurses in its prevention J.JNMA J Nepal Med Assoc,2017,56(208):461-468.7 SHARMA R,SHULTZ S R,ROBINSON M J,et al.Infections after a traumatic brain injury:the complex interplay between the immune and neurological systems J.Brain Behav Immun,2019,79(7):63-74.8 符永华,王兰,陈翠云.重症颅脑损伤患者肺部感染的危险因素J.中国感染控制杂志,2018,17(9):783-787.9 陈晓艳,张燕萍,苏星,等.颅脑创伤住院并发肺部感染患者多指标联合预警诊断模型的建立J.中华医院感染学杂志,2020,30(18):2785-2789.10 陈斌,苏一家,朱光升,等.颅脑创伤术后继发肺部感染的危险因素分析及相关模型构建J.临床肺科杂志,2021,26(3):375-379.11 中华医学会呼吸病学分会感染学组.中国成人医院获得性肺炎与呼吸机相关性肺炎诊断和治疗指南(2018年版)J.中华结核和呼吸杂志,2018,41(4):255-280.12 高洪锋,浦怡,李芬,等.颅脑损伤早期并发肺部感染的危险因素分析J.中华临床感染病杂志,2011(4):245-246.13 袁前飞.基于支持向量机的癌症诊断研究D.重庆:重庆大学,2007.14 GOPINATH B,SHANTHI N.Computer-aided diagnosis system for classifying benign and malignant thyroid nodules in multi-stained FNAB cytological images J.Australas Phys Eng Sci Med,2013,36(2):219-230.15 徐园,朱丽筠,王钰,等.我国护理学者开展预测模型研究的现状和启示:一项范围综述J.中国护理管理,2022,22(5):744-749.16 XIAO J,DING R,XU X,et al.Comparison and development of machine learning tools in the prediction of chronic kidney disease progression J.J Transl Med,2019,17(1):119-131.17 LUO W,PHUNG D,TRAN T,et al.Guidelines for developing and reporting machine learning predictive models in biomedical research:a multidisciplinary view J.J Med Internet Res,2016,16,18(12):e323-e348.收稿日期：2022-12-19修回日期：2023-05-17(编辑：郑中燕英文编辑：林可可)