摘要

背景：术后谵妄不良后果众多，十分具挑战性。本研究的目的是:1)确定膝关节置换术后谵妄的术前危险因素，2)建立机器学习预测模型。

途径：本研究共纳入两家医院的3980例患者。该模型对其中一家医院的1931例进行开发和训练，并对另一家医院的2049例患者进行外部验证，使用电子病历系统收集20个术前变量，采用序列特征选择（SFS）方法，应用极限梯度增强算法模型对谵妄进行预测，曲线下十层面积作为变量选择和内部验证的度量。

结果：谵妄的发生率为4.9% (n = 196)。7个关键预测因素为年龄、血清白蛋白、术前催眠和镇静药物用量、术前用药总量(任何一种口服药物)、神经系统疾病、抑郁、跌倒风险。

结论：膝关节置换术后谵妄预测模型使用了具有七个术前变量的机器学习算法，可用于术前谵妄的预测和预防。

关键词：术后谵妄、膝关节置换、机器学习

背景

进行膝关节置换术的患者不断增多，普通人群达到2%-10%，80岁以上人群可达10.4%，但是6-9%的膝关节置换术患者术后出现并发症，如深静脉血栓形成、谵妄等，尤其是老年患者。其中术后谵妄可导致严重康复延迟、住院时间延长和死亡率增加等问题。

电子病例系统可收集大量患者数据，预测谵妄的机器学习模型应运而生。但是，这些模型并不针对膝关节置换术患者，年龄、性别等数据不可修改，也只能回顾性收集，并且收集的数据是单个医院的数据，未经外部认证。目前尚不清楚这些机器学习模型能否应用于临床实践。

本研究提出以下假设:1)膝关节置换术后患者可能出现谵妄高危因素，且住院时间较长;2)仅利用术前评估，就可以通过机器学习预测术后谵妄可能。因此，本研究的目标是:1)确定谵妄的术前危险因素;2)开发并验证用于预防谵妄的机器学习模型。

途径

研究人群：

本研究纳入了2016年1月至2019年9月在两家三级医院接受膝关节置换术的患者。一家医院的患者用来开发和训练，另一家医院的患者用于验证。排除标准为:1)年龄小于50岁，2)住院时已出现谵妄。共有4029例患者符合条件，应用排除标准后，来自A医院的1931例患者被分配到开发队列，来自B医院的2049例患者被分配到验证队列。在开发队列中，平均年龄为71.0岁，在验证队列中，平均年龄为71.3岁。

图1：研究人群。共有来自两所高等教育教学医院的1931名患者和2049名患者被纳入分析

手术方案：

两组患者均采用髌骨旁或股正中入路。无禁忌症下均给予1克关节内氨甲环酸。术前1天至术后1周使用塞来昔布200 mg bid，曲马多37.5 mg tid控制疼痛，术后3天静脉注射PCA (奈福泮 80mcg，芬太尼1000mcg)。术后1天采用持续被动运动。术后12小时允许下床活动。术后第1天给予关节周围药物注射(罗哌卡因225 mg +酮乐酸30 mg)。

结果：

使用电子病历系统回顾性地进行谵妄评估。首先收集提示谵妄存在的症状，包括注意力障碍、定向障碍和行为改变。其次收集术后精神科医生会诊和术后抗精神病药物使用情况。最终由一名精神科专家确诊。

若精神科医生缺席，谵妄的诊断更复杂。具体地说，这些症状包括“易怒增加，没有运动反应，没有言语反应，攻击性行为，妄想，不恰当的情绪反应，难以沟通，对时间、地点、人物失去方向感，注意力下降”。在电子病历系统中，医生和护士都要及时记录这些症状，即使不能直接诊断，也可以辅助判断患者当时是否神志不清。

预测变量：

人口统计学数据包括年龄、性别、BMI、是否吸烟和饮酒。从术前检查判断ASA分级、跌倒风险、视觉障碍、听力障碍和睡眠障碍。跌倒风险采用莫尔斯跌倒量表(MFS)来评估（如下表）。手术类型包括单侧膝关节置换术、全膝关节置换术、翻修全膝关节置换术。操作次数包括单边、同时双边、分阶段双边(间隔1周)。

血清实验室结果包括血尿素氮(BUN)、肌酐、BUN/Cr比值、eGFR、血红蛋白(Hb)、红细胞压积(Hct)、白细胞(WBC)、c反应蛋白(CRP)、红细胞沉降率(ESR)、总蛋白、白蛋白、凝血酶原时间(INR)、ALP、AST、ALT、总胆红素、总胆固醇、钠和钾(术前90天内的最新值)。尿实验室检查包括白蛋白水平(术前90天内的最新值)。

结果

在3980例患者中，196例(4.9%)在膝关节置换术后被诊断为谵妄。开发模型采用7个关键变量，包括4个连续变量(年龄、血清白蛋白水平、催眠和镇静药物的总用量和总药物数量)和3个类别变量(神经疾病、抑郁症和跌倒风险) ，特征F评分越高，对术后谵妄的预测影响越大(Fig 3)。

Fig 3. 模型各分类特征的权重

经内部验证，最终模型在开发队列中的AUC校准为0.80。模型的最佳阈值为0.085，灵敏度为0.85，特异度为0.69。对于验证队列，AUC评分为0.82，敏感性和特异性分别为0.72和0.73。模型自动计算术后谵妄的概率，并将值本身以及用户输入的每七个变量的权重和显著性层次可视化(Fig 4)。

Fig 4. 模型的AUROC和混淆表。左图从上到下分别为内部验证和外部验证的AUROC曲线。右图从上到下分别是内部验证和外部验证后的混淆表。  

讨论

在本研究中，使用机器学习算法基于术前电子病历系统数据预测术后谵妄风险。因此，该算法不仅可以用于筛查高危人群，还可以帮助骨科医生采取更积极主动的措施预防谵妄。即使当几个变量无法获得时，物理学家仍然可以将该模型与其他变量一起使用。谵妄组21例(10.7%)患者住院时间超过3周，治疗费用较高，提示术后发生谵妄与长时间住院可能相关，但是否直接相关，还有待进一步研究。

有研究使用机器学习来开发模型，但是这些模型没有通过外部队列验证。此外，过多的变量会损害外部验证。我们的机器学习模型只使用了七个关键变量，这些变量似乎是与谵妄相关的最重要因素。且所有变量在临床环境中可以得到验证。我们的模型不仅在内部进行了验证，而且还在独立机构的患者中进行了外部验证，证实了我们的模型没有过度填充。因此，此模型同样适用于外部机构。

我们模型中包含的关键术前特征已经在之前的研究中作为谵妄的危险因素进行了讨论。Inouye等人描述了年龄、跌倒风险、神经障碍、抑郁和使用药物是谵妄的危险因素。研究表明白蛋白水平较低和营养状况较差的人发生谵妄的风险要高得多。在我们的研究中，术前患者平均服用5.75种药物。多药组(总药物数量≥6)使用发生谵妄的比值比为2.38 。

此模型也有一定的局限性。首先，如何确诊谵妄，如简易精神状态检查(MMSE)、CAM-ICU和CERAD(建立阿尔茨海默病登记联盟)神经心理测试。当使用电子病历系统回顾性诊断谵妄时，可能会漏诊，导致谵妄患者比例降低。此外，由两名精神科医生审查病历确诊谵妄，提高准确性。其次，该算法是由一家医疗中心开发的，女性比例(80%)明显高于西方膝关节置换术患者人群(约60%)。第三，由膝关节置换术患者推广到普通患者时，这可能损害了模型的泛化性。第四，患者的“病名”仅被认定为疾病本身的名称，它未能传达患者的严重程度和功能损害。最后，模型中可修改变量(白蛋白水平、术前服用的药物数量)实际上并不能保证对这些变量的修改会降低谵妄的发生率。在真实的医院环境中，这些变量对术后谵妄的影响的临床证据尚未建立。此外，有研究将低白蛋白和使用药物描述为谵妄的潜在危险因素。因此，即使缺乏临床证据，当模型建议这样做时，医生也可以当做是一种预防措施。

结论

本研究通过使用电子病历系统发现，基于术前7个变量的机器学习算法能够实现膝关节置换术后谵妄预测。经过验证，该预测方法能够改善膝关节置换术患者的短期和长期预后。术后谵妄可能是延长住院时间的潜在相关因素，围术期应该尽量避免。

编译：李雪莹

审校：王增涛

原文链接：Jung JW, Hwang S, Ko S, J, et al. A machine-learning model to predict postoperative delirium following knee arthroplasty using electronic health records. BMC Psychiatry. 2022 Jun 27;22(1):436.

百度浏览   来源 : 古麻今醉   

版权声明：本网站所有注明来源“医微客”的文字、图片和音视频资料，版权均属于医微客所有，非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源：”医微客”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，转载仅作观点分享，版权归原作者所有。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。 本站拥有对此声明的最终解释权。