孫 琛，裴麗堅(jiān)，張?jiān)絺?，黃宇光

中國(guó)醫(yī)學(xué)科學(xué)院 北京協(xié)和醫(yī)學(xué)院 北京協(xié)和醫(yī)院麻醉科，北京 100730

醫(yī)療相關(guān)感染(healthcare-associated infection，HAI)是外科手術(shù)后常見(jiàn)且嚴(yán)重的并發(fā)癥，是指由某種感染性物質(zhì)或其產(chǎn)生的毒素介導(dǎo)的局部或全身感染狀態(tài)，而在治療前并無(wú)感染證據(jù)[1]，與二次手術(shù)、二次入院、永久性殘疾甚至死亡等不良預(yù)后密切相關(guān)[2]。HAI一直以來(lái)都是影響患者健康的重要問(wèn)題，各種預(yù)測(cè)模型層出不窮。目前大多數(shù)預(yù)測(cè)模型主要基于術(shù)前和術(shù)中危險(xiǎn)因素進(jìn)行構(gòu)建，主要包括患者自身因素(如基礎(chǔ)疾病、一般狀態(tài))和手術(shù)因素(如手術(shù)時(shí)間、手術(shù)種類)，采用的模型包括多因素Logistic回歸模型[3- 6]、隨機(jī)森林[7]、人工神經(jīng)網(wǎng)絡(luò)[8]等。然而這些預(yù)測(cè)模型往往較為單一，預(yù)測(cè)能力有限。近年來(lái)，越來(lái)越多的學(xué)者開(kāi)始關(guān)注基本生命體征(心率、血壓、核心體溫等)對(duì)術(shù)后HAI的影響，采用長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)模型等機(jī)器學(xué)習(xí)模型，充分利用生命體征隨時(shí)間變化的時(shí)序性特點(diǎn)[9]，取得了一定的預(yù)測(cè)效果。LSTM是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，其獨(dú)特的設(shè)計(jì)結(jié)構(gòu)適合處理時(shí)序性數(shù)據(jù)，以及預(yù)測(cè)時(shí)間序列中的重要事件。但這類模型只考慮了生命體征的影響，并未很好地融合其他傳統(tǒng)危險(xiǎn)因素，不能全面預(yù)測(cè)術(shù)后HAI的發(fā)生。因此，本研究擬融合傳統(tǒng)術(shù)前、術(shù)中危險(xiǎn)因素和術(shù)中基本生命體征(心率、血壓、核心體溫)，基于深度學(xué)習(xí)方法構(gòu)建術(shù)后HAI預(yù)測(cè)模型。希望利用深度學(xué)習(xí)方法，對(duì)多種可能危險(xiǎn)因素進(jìn)行深入分析，提高模型表現(xiàn)力，增強(qiáng)其臨床實(shí)用性，改善患者預(yù)后。

資料和方法

資料來(lái)源基于2項(xiàng)隨機(jī)對(duì)照試驗(yàn)(randomized controlled trial，RCT)(NCT02715076[10]和ChiCTR-IPR- 17011099 http：//www.chictr.org.cn/showproj.aspx?proj=18892)，回顧性分析2016年2月1日至2019年1月31日在北京協(xié)和醫(yī)院行擇期根治性切除術(shù)的進(jìn)展期消化系統(tǒng)腫瘤患者的臨床資料。納入和排除標(biāo)準(zhǔn)參照2項(xiàng)RCT。體重指數(shù)(body mass index，BMI)>30 kg/m2、術(shù)前4 d內(nèi)存在嚴(yán)重感染或腋下溫度>37.5 ℃、存在難以控制的胰島素依賴型糖尿病(術(shù)前血糖>250 mg/dl，1 mg/dl=1/18 mmol/L)、存在出凝血功能障礙性疾病、術(shù)前系統(tǒng)性應(yīng)用糖皮質(zhì)激素>6個(gè)月的患者均不納入本研究。

數(shù)據(jù)收集患者基線資料包括可能與術(shù)后HAI相關(guān)的術(shù)前和術(shù)中因素。術(shù)前因素包括：性別、年齡、BMI、吸煙史、美國(guó)麻醉醫(yī)師學(xué)會(huì)(American Society of Anesthesiologists，ASA)分級(jí)、合并基礎(chǔ)疾病史、新輔助放化療史、是否接受腸外營(yíng)養(yǎng)和術(shù)前最近一次實(shí)驗(yàn)室指標(biāo)。術(shù)中因素包括：手術(shù)入路、手術(shù)類別、術(shù)中失血量、術(shù)中異體紅細(xì)胞輸注情況、麻醉時(shí)間和術(shù)中間隔10 s的生命體征監(jiān)測(cè)值(心率、血壓、核心體溫)。因所有患者均采用全身麻醉，術(shù)中呼吸頻率和脈搏血氧飽和度幾乎保持不變，故不納入分析?；颊呔S訪至術(shù)后30 d，觀察記錄結(jié)局指標(biāo)的發(fā)生情況。

結(jié)局指標(biāo)主要結(jié)局指標(biāo)：術(shù)后30 d內(nèi)首次出現(xiàn)HAI。HAI診斷依據(jù)2008年美國(guó)疾病控制與預(yù)防中心(Centers for Disease Control and Prevention，CDC)提出的診斷標(biāo)準(zhǔn)[1]進(jìn)行判斷，出現(xiàn)該標(biāo)準(zhǔn)中規(guī)定的任意一種HAI均認(rèn)為出現(xiàn)主要轉(zhuǎn)歸。存疑病例由麻醉科、重癥醫(yī)學(xué)科、外科和感染科的高級(jí)職稱醫(yī)生組成的專家組討論后確定。次要結(jié)局指標(biāo)：非計(jì)劃二次手術(shù)、非計(jì)劃二次入院和住院天數(shù)。非計(jì)劃二次手術(shù)定義為患者術(shù)后30 d內(nèi)因各種原因?qū)е碌挠?jì)劃外二次手術(shù)。非計(jì)劃二次入院定義為患者術(shù)后30 d內(nèi)因各種原因?qū)е碌某鲈汉蠹痹\入院。

特征篩選傳統(tǒng)的術(shù)前、術(shù)中危險(xiǎn)因素采用單因素Logistic回歸分析進(jìn)行篩選，以術(shù)后HAI作為因變量，術(shù)前、術(shù)中因素作為自變量，選出其中P<0.1的變量。進(jìn)一步結(jié)合臨床經(jīng)驗(yàn)、既往研究、共線性診斷結(jié)果等，篩選出最終的危險(xiǎn)因素。共線性診斷采用相關(guān)系數(shù)、方差膨脹因子及特征根系統(tǒng)3種方法。術(shù)中基本生命體征采用基于迭代遮擋輸入的LSTM模型進(jìn)行篩選[11]。首先使用術(shù)中基本生命體征數(shù)據(jù)集訓(xùn)練LSTM預(yù)測(cè)模型，再分別對(duì)術(shù)中整個(gè)時(shí)段的各項(xiàng)生命體征(心率、血壓、核心體溫)進(jìn)行迭代遮擋，比較遮擋前后模型預(yù)測(cè)術(shù)后HAI的差別，計(jì)算出每個(gè)特征的顯著性分?jǐn)?shù)，并在所有患者中求平均值。顯著性分?jǐn)?shù)以|Sy-Sy’|表示， Sy代表遮擋前LSTM模型預(yù)測(cè)術(shù)后HAI的概率，Sy’代表遮擋后LSTM模型預(yù)測(cè)術(shù)后HAI的概率。

模型構(gòu)建與評(píng)估構(gòu)建融合術(shù)前、術(shù)中危險(xiǎn)因素和術(shù)中基本生命體征的術(shù)后HAI深度學(xué)習(xí)預(yù)測(cè)模型(簡(jiǎn)稱融合的術(shù)后HAI深度學(xué)習(xí)預(yù)測(cè)模型)。首先利用LSTM模型將術(shù)中基本生命體征(心率、血壓、核心體溫)序列進(jìn)行編碼，進(jìn)而將篩選出的術(shù)前、術(shù)中危險(xiǎn)因素和編碼后的術(shù)中基本生命體征融合在一起，使用全連接層對(duì)術(shù)后HAI進(jìn)行預(yù)測(cè)。受實(shí)際臨床數(shù)據(jù)集樣本量的限制，為了盡量減少劃分?jǐn)?shù)據(jù)集時(shí)對(duì)樣本分布造成的影響，采用5折交叉驗(yàn)證[12]，在每次驗(yàn)證中，以8∶1∶1劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集。模型訓(xùn)練時(shí)采用Cross-Entropy損失函數(shù)[13]，每個(gè)交叉驗(yàn)證中共進(jìn)行20個(gè)迭代訓(xùn)練。

同時(shí)，分別構(gòu)建僅納入術(shù)前、術(shù)中危險(xiǎn)因素的多因素Logistic回歸模型和隨機(jī)森林模型[14]，僅納入術(shù)中基本生命體征的LSTM模型。多因素Logistic回歸模型：將上述篩選得到的術(shù)前、術(shù)中危險(xiǎn)因素以向后選擇法(似然比檢驗(yàn))納入多因素Logistic回歸模型。隨機(jī)森林模型：采用上述篩選得到的術(shù)前、術(shù)中危險(xiǎn)因素，以100個(gè)樹(shù)構(gòu)成，使用基尼系數(shù)計(jì)算分叉標(biāo)準(zhǔn)[16]。LSTM模型：采用術(shù)中基本生命體征變化序列進(jìn)行模型訓(xùn)練，在LSTM最后一個(gè)輸出位置接全連接層，以輸出HAI發(fā)生率。模型訓(xùn)練采用Cross-Entropy損失函數(shù)，每個(gè)交叉驗(yàn)證中共進(jìn)行20個(gè)迭代訓(xùn)練。將上述各種模型性能進(jìn)行評(píng)估，評(píng)估指標(biāo)包括準(zhǔn)確率(accuracy，ACC)、F1值、受試者工作特征曲線下面積(area under the receiver operating characteristic curve，AU-ROC)[15]。ACC是指所有預(yù)測(cè)正確的樣本數(shù)(包含陽(yáng)性與陰性)與總樣本數(shù)之比；F1值是用來(lái)綜合評(píng)價(jià)精確率(precision，P)和召回率(recall，R)指標(biāo)，2/F1=1/P+1/R，P為正確預(yù)測(cè)為陽(yáng)性的樣本數(shù)與全部預(yù)測(cè)為陽(yáng)性的樣本數(shù)之比，R為正確預(yù)測(cè)為陽(yáng)性的樣本數(shù)與全部實(shí)際為陽(yáng)性的樣本數(shù)之比。

術(shù)中基本生命體征模擬調(diào)整采用模擬退火算法在基本生命體征數(shù)值上添加一個(gè)最優(yōu)干預(yù)，在有效范圍內(nèi)合理調(diào)整生命體征，使HAI發(fā)生率最大程度地降低。模擬退火算法關(guān)鍵評(píng)價(jià)函數(shù)采用融合的術(shù)后HAI深度學(xué)習(xí)預(yù)測(cè)模型計(jì)算術(shù)后HAI發(fā)生率。提取術(shù)后發(fā)生HAI患者的數(shù)據(jù)，分別設(shè)定3種不同模擬條件：不降低退火初始溫度且取手術(shù)進(jìn)程后10%、降低退火初始溫度且取手術(shù)進(jìn)程后10%、降低退火初始溫度且取手術(shù)進(jìn)程后20%。采用術(shù)后HAI發(fā)生率降低比例的平均值對(duì)調(diào)節(jié)效果進(jìn)行評(píng)價(jià)。

結(jié) 果

研究對(duì)象特征描述本研究共納入839例行擇期根治性切除術(shù)的進(jìn)展期消化系統(tǒng)腫瘤患者，其中男性575例(68.5%)，女性264例(31.5%)，平均年齡(62.9±10.8)歲(表1)。術(shù)后30 d內(nèi)出現(xiàn)HAI的患者112例(13.3%)，非計(jì)劃二次手術(shù)19例(2.3%)，非計(jì)劃二次入院13例(1.5%)，住院天數(shù)14(12，19)d。

HAI特征篩選結(jié)果術(shù)前、術(shù)中危險(xiǎn)因素的單因素Logistic回歸分析結(jié)果顯示，新輔助化療(OR=0.35，95%CI=0.11～1.15，P=0.083)、腸外營(yíng)養(yǎng)(OR=2.34，95%CI=1.32～4.13，P=0.003)、術(shù)前最近一次血紅蛋白(haemoglobin，Hb)(OR=0.99，95%CI=0.97～1.00，P=0.043)和血細(xì)胞比容(haematocrit，Hct)(OR=0.94，95%CI=0.89～0.99，P=0.024)、手術(shù)部位[食管(OR=0.11，95%CI=0.02～0.82，P=0.031)、胃(OR=1.77，95%CI=0.80～3.90，P=0.098)、結(jié)直腸(OR=1.56，95%CI=0.87～2.82，P=0.087)、胰十二指腸(OR=3.51，95%CI=1.92～6.41，P<0.001)、肝臟(OR=0.30，95%CI=0.13～0.71，P=0.006)]、術(shù)中失血量>500 ml(OR=2.55，95%CI=1.33～4.87，P=0.005)、術(shù)中輸入異體紅細(xì)胞>2 U(OR=1.92，95%CI=0.90～4.10，P=0.090)以及麻醉時(shí)間>4 h(OR=2.08，95%CI=1.15～3.80，P=0.016)會(huì)增加術(shù)后HAI的發(fā)生風(fēng)險(xiǎn)。結(jié)合臨床經(jīng)驗(yàn)，考慮到術(shù)前Hb和Hct值絕大多數(shù)在正常范圍內(nèi)，對(duì)術(shù)后HAI影響的臨床意義有限，因而剔除。共線性診斷發(fā)現(xiàn)術(shù)中失血量和術(shù)中輸入異體紅細(xì)胞之間存在較明顯的共線性，考慮患者術(shù)中輸血是大量失血后的主要治療措施，因此剔除術(shù)中輸入異體紅細(xì)胞>2 U。最終篩選得到9個(gè)術(shù)前、術(shù)中危險(xiǎn)因素，即新輔助化療、腸外營(yíng)養(yǎng)、手術(shù)部位(涉及食管、胃、結(jié)直腸、胰十二指腸、肝臟)、術(shù)中失血量>500 ml和麻醉時(shí)間>4 h。采用基于迭代遮擋輸入的LSTM模型對(duì)術(shù)中基本生命體征(心率、血壓、核心體溫)進(jìn)行篩選，計(jì)算得到心率、收縮壓、舒張壓和核心體溫的顯著性分?jǐn)?shù)分別是2.4891、0.0002、0.0000、0.0003，可見(jiàn)顯著性程度：心率>核心體溫>收縮壓>舒張壓。

HAI預(yù)測(cè)模型構(gòu)建與評(píng)估結(jié)果根據(jù)上述LSTM模型中各項(xiàng)基本生命體征的顯著性程度對(duì)其進(jìn)行排序編碼，進(jìn)而將其與9個(gè)術(shù)前、術(shù)中危險(xiǎn)因素融合，構(gòu)建融合的術(shù)后HAI深度學(xué)習(xí)預(yù)測(cè)模型。同時(shí)，將9個(gè)術(shù)前、術(shù)中危險(xiǎn)因素納入多因素Logistic回歸模型和隨機(jī)森林模型，將時(shí)序性的術(shù)中基本生命體征(心率、血壓、核心體溫)數(shù)據(jù)納入LSTM模型。4種模型性能評(píng)估比較結(jié)果顯示，融合的術(shù)后HAI深度學(xué)習(xí)預(yù)測(cè)模型表現(xiàn)最佳，擁有更好的區(qū)分度和校準(zhǔn)度(ACC=0.733，F(xiàn)1=0.237，AUC=0.728)(表2)。

術(shù)中基本生命體征模擬調(diào)整結(jié)果對(duì)發(fā)生HAI患者采用模擬退火算法進(jìn)行模擬調(diào)整，調(diào)整前HAI發(fā)生率為0.518，3種不同模擬條件(不降低退火初始溫度且取手術(shù)進(jìn)程后10%、降低退火初始溫度且取手術(shù)進(jìn)程后10%、降低退火初始溫度且取手術(shù)進(jìn)程后20%)調(diào)整后的HAI發(fā)生率分別是0.467、0.464、0.447，分別降低了0.051、0.054、0.071。3種模擬條件下模擬退火算法均可一定程度上降低術(shù)后HAI發(fā)生率。與不降低退火初始溫度相比，降低退火初始溫度可以更好地降低術(shù)后HAI發(fā)生率；與取手術(shù)進(jìn)程后10%相比，取手術(shù)進(jìn)程后20%可以更好地降低術(shù)后HAI發(fā)生率。

討 論

HAI是術(shù)后常見(jiàn)且嚴(yán)重的并發(fā)癥，每年有近百萬(wàn)患者因HAI而死亡，造成的經(jīng)濟(jì)損失高達(dá)350億美元[18]。為了降低術(shù)后HAI的發(fā)生率，越來(lái)越多的研究者們開(kāi)始探索HAI危險(xiǎn)因素及預(yù)測(cè)模型。已報(bào)道的危險(xiǎn)因素包括：高齡、糖尿病/圍手術(shù)期高血糖、肥胖、吸煙、術(shù)前低白蛋白(<35 g/L)、免疫抑制狀態(tài)等患者因素，以及急診手術(shù)、切口分級(jí)、手術(shù)時(shí)間過(guò)長(zhǎng)、大量輸血等手術(shù)因素，并基于這些危險(xiǎn)因素構(gòu)建了相應(yīng)的預(yù)測(cè)模型[3- 6]。然而這些研究大多采用Logistic回歸分析，雖簡(jiǎn)單易行，但模型較為單一，對(duì)于更復(fù)雜的臨床數(shù)據(jù)分析存在局限性。另一方面，針對(duì)術(shù)中因素，既往研究較少關(guān)注基本生命體征的影響，未能引起醫(yī)護(hù)人員對(duì)術(shù)中生命體征管理的足夠重視。針對(duì)這一問(wèn)題，部分研究者開(kāi)展了術(shù)中基本生命體征相關(guān)研究，發(fā)現(xiàn)術(shù)中核心體溫、血壓等與術(shù)后感染存在相關(guān)性[19- 23]。但是這些研究并未充分利用生命體征隨時(shí)間變化的特點(diǎn)，多將其進(jìn)行簡(jiǎn)單的統(tǒng)計(jì)學(xué)計(jì)算與分析，難以充分挖掘這些時(shí)序性變化數(shù)據(jù)的潛在信息。隨著數(shù)字化數(shù)據(jù)的獲取和人工智能在醫(yī)療領(lǐng)域的發(fā)展，研究者開(kāi)始將機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法用于疾病預(yù)測(cè)模型的建立，嘗試如何更有效地利用時(shí)序性生命體征的數(shù)據(jù)信息，例如基于支持向量機(jī)(support vector machine，SVM)[24]和LSTM[9]的敗血癥及感染性休克預(yù)測(cè)模型，基于梯度提升決策樹(shù)(gradient boosting decision tree，GBDT)的心力衰竭預(yù)測(cè)模型[25]。然而這些模型的預(yù)測(cè)能力較為有限，模型準(zhǔn)確性不高，可能與僅僅納入時(shí)序性生命體征數(shù)據(jù)，而沒(méi)有結(jié)合傳統(tǒng)的圍手術(shù)期危險(xiǎn)因素有關(guān)。

表2 4種模型性能評(píng)估比較

本研究針對(duì)術(shù)后HAI這一重要問(wèn)題，首先將術(shù)中基本生命體征作為模型預(yù)測(cè)的主要納入變量，這在術(shù)后HAI預(yù)測(cè)模型研究中并不多見(jiàn)，強(qiáng)調(diào)了術(shù)中生命體征管理對(duì)術(shù)后HAI的重要性。同時(shí)預(yù)測(cè)模型并不局限于生命體征，而是充分融合了傳統(tǒng)的術(shù)前、術(shù)中危險(xiǎn)因素和術(shù)中基本生命體征2類特征，并利用深度學(xué)習(xí)方法充分提取和分析納入變量的數(shù)據(jù)信息，既保證納入特征的全面性與模型預(yù)測(cè)的有效性，也提高了模型的臨床可干預(yù)性。

本研究構(gòu)建了融合的術(shù)后HAI深度學(xué)習(xí)預(yù)測(cè)模型、多因素Logistic回歸模型、隨機(jī)森林模型和LSTM模型，并對(duì)4種模型進(jìn)行了評(píng)估比較。多因素Logistic回歸模型是目前此類研究中最常用的預(yù)測(cè)模型，只納入傳統(tǒng)圍手術(shù)期危險(xiǎn)因素進(jìn)行建模；隨機(jī)森林模型是近幾年在醫(yī)學(xué)領(lǐng)域被廣泛應(yīng)用的早期機(jī)器學(xué)習(xí)模型，通常也只納入傳統(tǒng)圍手術(shù)期危險(xiǎn)因素進(jìn)行建模；LSTM模型是適用于處理時(shí)序性數(shù)據(jù)的一類模型，近年來(lái)逐漸應(yīng)用在生命體征與疾病預(yù)測(cè)的研究中。本研究結(jié)果發(fā)現(xiàn)，綜合ACC、F1值和AUC，融合的術(shù)后HAI深度學(xué)習(xí)預(yù)測(cè)模型表現(xiàn)最佳，模型性能最好；單純納入術(shù)前、術(shù)中危險(xiǎn)因素建模，機(jī)器學(xué)習(xí)模型(隨機(jī)森林)比多因素Logistic回歸模型在一定程度上表現(xiàn)出更強(qiáng)的擬合能力；單純納入術(shù)前、術(shù)中危險(xiǎn)因素建模比單純納入術(shù)中基本生命體征建模效果更好，提示在預(yù)測(cè)HAI方面，術(shù)前、術(shù)中危險(xiǎn)因素可能起著主導(dǎo)性作用，而在此基礎(chǔ)上融入時(shí)序性生命體征數(shù)據(jù)，可以提升模型的預(yù)測(cè)能力。

本研究結(jié)果顯示，術(shù)后30 d內(nèi)HAI發(fā)生率達(dá)13.3%，與既往研究一致[26]。術(shù)前、術(shù)中危險(xiǎn)因素中最終篩選出9個(gè)顯著性因素，即新輔助化療、腸外營(yíng)養(yǎng)、手術(shù)部位(涉及食管、胃、結(jié)直腸、胰十二指腸、肝臟)、術(shù)中失血量>500 ml和麻醉時(shí)間>4 h。術(shù)中基本生命體征顯著性排序表明，心率對(duì)術(shù)后HAI的影響較其他指標(biāo)更大。這些危險(xiǎn)因素篩選結(jié)果提示，除了患者自身的基礎(chǔ)疾病、營(yíng)養(yǎng)狀態(tài)等情況，手術(shù)創(chuàng)傷以及術(shù)中組織灌注對(duì)于術(shù)后HAI的發(fā)生也有著不可忽視的影響。多項(xiàng)研究表明，術(shù)中失血和輸血是HAI的獨(dú)立危險(xiǎn)因素[27- 28]，事實(shí)上，大多數(shù)術(shù)中輸血是作為大量失血后的一種治療手段，用于補(bǔ)充血容量、維持組織灌注，盡管異體輸血本身可造成輸血相關(guān)感染等不良后果[29]，但更重要的是大量失血后的低血容量、低灌注、低氧供狀態(tài)，造成機(jī)體免疫防御能力下降[30]。心率升高是低血容量的早期臨床征象之一，心率較其他生命體征對(duì)HAI影響更大也提示維持血容量、保證組織灌注對(duì)于降低術(shù)后HAI起著重要作用。

以往的HAI預(yù)測(cè)模型相關(guān)研究大多停留在建模，并未進(jìn)一步應(yīng)用建模結(jié)果改進(jìn)臨床方案和臨床轉(zhuǎn)歸。本研究充分利用術(shù)中基本生命體征干預(yù)性強(qiáng)這一優(yōu)勢(shì)，對(duì)其進(jìn)行模擬調(diào)整，嘗試探索了基于模擬退火算法的自動(dòng)調(diào)節(jié)系統(tǒng)，通過(guò)模擬退火算法尋找添加在基本生命體征上的最優(yōu)數(shù)值擾動(dòng)，在有效范圍內(nèi)合理調(diào)整生命體征，使得HAI發(fā)生率有一定程度的下降，初步形成了一個(gè)覆蓋特征篩選、預(yù)測(cè)、調(diào)整的完整系統(tǒng)。

本研究存在以下局限性：(1)數(shù)據(jù)來(lái)源于單中心RCT，樣本量有限，陽(yáng)性病例偏少，在一定程度上限制了模型的預(yù)測(cè)能力，未來(lái)還需要更大樣本量的數(shù)據(jù)以提升預(yù)測(cè)模型的準(zhǔn)確性，并在更廣泛的人群中對(duì)模型進(jìn)行外部驗(yàn)證。(2)術(shù)中基本生命體征只納入了心率、血壓(收縮壓和舒張壓)和核心體溫，維度較低，對(duì)模型預(yù)測(cè)能力的提升有限，未來(lái)可以挖掘更多可干預(yù)性強(qiáng)的時(shí)序性數(shù)據(jù)，豐富數(shù)據(jù)包含的信息，提高預(yù)測(cè)的準(zhǔn)確性和預(yù)測(cè)模型的可干預(yù)性。(3)由于模擬退火算法本身是一種基于隨機(jī)迭代的啟發(fā)性算法，波動(dòng)較大，在臨床實(shí)際情境中的應(yīng)用性較差，未來(lái)需要選取更適合真實(shí)臨床情境的自動(dòng)調(diào)節(jié)系統(tǒng)，生成更符合臨床實(shí)踐的調(diào)整策略。

綜上，本研究針對(duì)HAI這一外科手術(shù)后常見(jiàn)且嚴(yán)重的并發(fā)癥，基于深度學(xué)習(xí)方法，構(gòu)建了融合術(shù)前、術(shù)中危險(xiǎn)因素和術(shù)中基本生命體征的術(shù)后HAI預(yù)測(cè)模型，模型性能表現(xiàn)較好，并采用模擬退火算法探索術(shù)中基本生命體征的模擬調(diào)整，在一定程度上降低了術(shù)后HAI的發(fā)生率，為預(yù)防術(shù)后HAI提供了新思路，為圍手術(shù)期管理方案提供了參考。