基于人工神经网络的老年单肺通气患者术后谵妄预警模型的构建与评价

王董焕 吴科伟 卓淑蕾 方平

术后谵妄（postoperative delirium，POD）是术后1周内（或出院前）发生的一种原因不明的急性、可逆性、广泛性、以神经认知功能受损为突出特征的急性脑病综合征，且与患者近、远期死亡率的增加呈正相关［1-3］。本项目前期研究揭示接受单肺通气（one-lung ventilation，OLV）的老年患者易发生POD，因此构建该类患者POD的风险预警模型尤为重要［4-6］。然而POD的发病机制复杂、导致POD原因的多样性以及各危险因素间也可能存在关联，而单一、传统的统计学方法在全面筛选危险因素以及疾病个体化预警方面具有一定的局限性。因此，本研究拟应用人工神经网络（artificial neural network，ANN）构建并验证老年OLV患者POD的风险预警模型以筛选临床高风险患者，为后续多模式的治疗奠定基础。

1 资料与方法

1.1 临床资料 收集2020年11月至2023年2月本院566例接受单肺通气的老年手术患者的临床资料。纳入标准：ASA分级Ⅰ～Ⅱ级；年龄≥65岁；全麻胸腔镜手术中行OLV的患者。排除标准：重要脏器严重受损者；已患精神类疾病或正在服用精神类药品者；脑血管疾病、颅脑外伤史以及存在视听力障碍等交流障碍者。剔除标准：临床资料缺失率≥30%的观察指标或病例。最终纳入542例。数据集按照7∶3随机划分为训练集和验证集，利用训练集分别构建老年OLV患者POD的ANN/Logistic回归早期风险预警模型，并在验证集中评估效能。本项目经医院伦理委员会批准。

1.2 变量收集 在前期研究、文献回顾和专家讨论的基础上，利用电子病例系统收集术前、术中和术后变量，共计23项，当临床资料缺失率＜30%的观察指标使用多重插补法填补数据。

1.3 样本量估算 本研究有23个自变量，根据本项目前期研究证实老年OLV患者POD发病率为35.2%以及每个自变量至少需5例样本进行验证的经验性建模样本量要求，假设5%样本丢失率，计算（23×5/0.352）/0.95后得出至少需要344例样本［7］。

1.4 苏醒期躁动和POD的诊断 回顾病历系统中患者的Riker镇静-躁动量表，如≥5为发生苏醒期躁动［8-9］；术后第1、3、5天中任一次的混淆评估评分≥20分提示发生POD［10］。

1.5 构建Logistic回归的风险预警模型 设置因变量为POD（0=否，1=是）依次将上述指标代入自变量进行单因素分析以筛选有统计学意义的变量后进行多因素非条件Logistic回归分析，采用逐步向前法进行变量筛选，分别设置进入方程水准=0.05、剔除水准=0.1并基于方程中的回归中系数构建Logistic回归风险预警模型。

1.6 构建ANN的风险预警模型 应用SPSS 24.0 神经网络模块的多层感知器，设置因变量为POD（0=否，1=是），将多因素非条件Logistic回归分析有统计学意义的项目代入因子或协变量，设置隐含层中的单元数量选择1～20个以及各层单位数选择自动计算，调整训练类型为批次且标度共轭梯度的优化算法，依次输入初始Lambda、初始Sigma、区间中心点、区间偏移量为0.0000005、0.00005、0、±0.5，将训练误差的最小变化量和训练误差的最小变化率调整为0.0001和0.001，隐含层/输出层激活函数为双曲正切和Softmax，当误差达到极小值时可提前终止训练。

1.7 统计学方法 采用SPSS 24.0统计软件。符合正态分布计量资料以（±s）表示，用独立样本t检验；偏态分布计量资料以M（IQR）表示，用或Mann-WhitneyU检验。计数资料以n（%）表示，用卡方检验。采用ROC-AUC和 Hosmer-Lemeshow拟合优度检验评价模型的区分度和校准度；采用配对卡方检验比较两风险预警模型间预警效能差异，以P＜0.05差异有统计学意义。

2 结果

2.1 训练集患者基线资料比较 见表1。

表1 训练集患者基线资料比较

2.2 老年单肺通气患者术后谵妄的单因素分析 见表2。

表2 两模型预警效能比较

表2 老年单肺通气患者术后谵妄的单因素分析

2.3 基于Logistic回归的老年OLV患者POD风险预警模型的构建 将上述单因素分析有意义的变量进行多因素非条件Logistic回归分析最终得出年龄（X1）、受教育年限（X2）、外周血氧饱和度（SpO2）＜90%时间（X3）、呼末二氧化碳（PetCO2）≤25 mmHg时间（X4）、平均动脉压（MAP）波动幅度（X5）、苏醒时间（X6）、苏醒期躁动（X7）7个变量有意义（P＜0.05）。构建基于Logistic回归的老年OLV患者POD风险预警模型为y=-29.816+0.253X1-0.066X2+0.572X3+0.111X4+0.16 X5+0.102X6+1.149X7。Hosmer and Lemeshow检验无统计学意义（χ2=5.807，P=0.669），提示模型拟合良好，见图1。

图1 老年单肺通气患者术后谵妄多因素分析

2.4 基于ANN模型的老年OLV患者POD风险预警模型的构建 将Logistic 回归分析中有意义的7个变量作为输入层节点，隐含层为1层5个节点，输出层为2个节点，构建ANN风险预警模型，经Hosmer and Lemeshow检验无统计学意义（χ2=8.011，P=0.433），提示模型拟合良好，模型中对不同预警变量的重要性排序见图2。

图2 ANN模型中自变量重要性排序

2.5 ANN风险预警模型与Logistic回归风险预警模型的效能比较 将两种模型代入验证集中进行内部验证并绘制ROC曲线（见图3）。ANN风险预警模型的曲线下面积、灵敏度、特异度、阴性预测值和净重新分类指数高于Logistic回归风险预警模型（P＜0.05）；ANN风险预警模型的约登指数、F1 score、阳性似然比、阴性似然比优于Logistic回归风险预警模型；两模型准确率和阳性预测值比较差异无统计学意义（P＞0.05），见表3。

图3 ANN与Logistic模型的ROC曲线比较

3 讨论

疾病的预警是一个具有挑战性的科学问题，目前仅有部分研究涉及心血管、骨科、神经外科手术患者POD的预警模型开发与验证，但针对胸科手术中最常应用的OLV技术，这一特殊、非生理性通气方式而导致POD风险预警模型的开发与验证却较少涉及［11-14］。POD的发生不仅与患者术前基础状态相关，更与术中管理、患者围术期实时状态密切相关。因此，本研究不仅纳入患者术前的基本信息、疾病史和实验室检查等指标，且着重结合患者在胸科术中、术后的状态以尽可能全面、客观梳理因OLV而导致POD的危险因素，最终筛选出：年龄、教育年限、外周SpO2＜90%时间、PetCO2≤25 mmHg时间、平均MAP波动范围、苏醒时间和苏醒期躁动七项指标，均为涵盖患者围术期内的重要变量［15-16］。上述变量中的年龄、教育年限、平均MAP波动范围、苏醒时间和苏醒期躁动均已被多项研究证实是POD的危险因素或已被其它手术种类POD预警模型纳入，而模型中SpO2＜90%时间和PetCO2≤25 mmHg时间这两个变量，却较少被其它模型采用，原因如下：（1）其它手术种类的患者在术中大多为常规双肺通气，如果术中管理得当，发生氧饱和度下降和/或PetCO2下降的几率较低；（2）即使其它手术种类POD预警模型的建模过程中纳入上述两个变量，在建模分析中也会因无统计学意义而被剔除；（3）患者实施OLV后，由于通气效率下降、侧卧位、氧供减少、肺内分流等因素较易发生脑氧供减少，在排除导管位置异常、痰液堵塞和加用呼气末正压通气等因素后，不得不通过增加分钟通气量予以弥补，但这同时也增加低碳酸血症的风险［17］。缺氧会导致脑血管反射性扩张，而过度通气和麻醉状态却削弱这种脑自我保护作用，出现脑氧供/需失衡导致POD的发生。ELENA等［18］揭示老年患者术中低氧/低碳酸血症与POD间呈现剂量依赖的结论，印证了本文中上述两个变量在预警OLV患者POD中的重要价值，也成为区别于其它手术类型POD预警模型的特征之一。

本研究分别采用ANN、Logistic回归构建风险预警模型，依次从真实性、可靠性和预测性三方面共12项指标以多维度、深度评估两模型间的预警效能差异。虽然两预警模型均取得令人满意的预警效能，但ANN风险预警模型的总体优势更加明显。一方面，ANN是在神经元与离散层的相互连接（深度模型），允许学习的数据传播基础上设计，这种动态算法与临床决策模式接近，对于提高临床决策能力具有重要意义［19］。另一方面，ANN风险预警模型是基于多因素非条件Logistic回归所筛选变量的基础上优化、微调各变量的权重，使得模型在验证集中预警效能优于传统的Logistic回归风险预警模型，更有利于临床医师准确做出个性化的预警和决策。

基于ANN的风险预警模型对老年OLV患者POD的预警效能优于Logistic回归风险预警模型。