胡婷婷，張藝超，袁貞明，李建宏，盧中秋，朱曉玲

1.德陽市人民醫(yī)院，四川 德陽 618000；2.溫州醫(yī)科大學 護理學院，浙江 溫州 325035；3.杭州師范大學 醫(yī)學部，浙江 杭州 310000；4.溫州醫(yī)科大學附屬第二醫(yī)院 信息中心，浙江 溫州 325000；5.溫州醫(yī)科大學附屬第一醫(yī)院 急診科，浙江 溫州 325015

隨著我國全面二孩政策及醫(yī)療衛(wèi)生條件的提高，剖宮產(chǎn)術(shù)后陰道試產(chǎn)（vaginal birth after cesarean, VBAC）人數(shù)逐年增加[1]，VBAC人群使用縮宮素（oxytocin, OT）引產(chǎn)催產(chǎn)需求更為普遍。既往研究表明VBAC產(chǎn)婦在產(chǎn)程中使用OT加強宮縮是相對安全有效的[2]，但由于前次剖宮產(chǎn)破壞了子宮下段肌層的連續(xù)性，故VBAC產(chǎn)婦在輸注OT時相比普通產(chǎn)婦需更加謹慎。ADANIKIN等[3]認為OT用量是子宮破裂的獨立危險因素，若用藥不當將增加子宮破裂的風險，危及母兒健康。因此，對VBAC產(chǎn)婦實時精準有效的OT調(diào)控，是當下臨床實際所需。

目前臨床上產(chǎn)時OT靜脈輸注需助產(chǎn)士專人監(jiān)護，實時動態(tài)監(jiān)控子宮收縮及胎心等產(chǎn)時信息，并據(jù)此人工調(diào)節(jié)輸液泵輸注速度[4]。然而在分娩量激增和助產(chǎn)士短缺的現(xiàn)狀下，OT輸液速度時常無法得到及時合理的調(diào)整，且調(diào)控過程中易伴隨醫(yī)護人員的主觀誤差[5]。隨著大數(shù)據(jù)及人工智能技術(shù)的發(fā)展，智慧醫(yī)療服務體系已成為臨床工作的新趨勢[6]，因此本研究提出一種智能OT調(diào)控方法，以減輕人力成本，實現(xiàn)精準給藥，對產(chǎn)科臨床護理工作具有積極意義。

1 對象和方法

1.1 研究對象 收集2014年1月至2020年5月于溫州醫(yī)科大學附屬第一醫(yī)院產(chǎn)科分娩并在產(chǎn)程中使用OT的VBAC產(chǎn)婦的相關(guān)資料。納入標準：①產(chǎn)程中使用OT催產(chǎn)、引產(chǎn)；②孕婦及家屬了解VBAC的優(yōu)點及風險，有陰道試產(chǎn)的意愿并簽署知情同意書；③既往僅有1次子宮下段橫切口剖宮產(chǎn)史；④前次剖宮產(chǎn)術(shù)距本次分娩的間隔時間＞18個月，且前次剖宮產(chǎn)術(shù)的指征在此次妊娠中不存在；⑤超聲檢查子宮前壁下段肌層連續(xù)；⑥臨床資料完整。排除標準：①有陰道分娩禁忌證；②有OT使用禁忌證；③僅在第三產(chǎn)程使用OT；④持續(xù)靜脈滴注時間＜30 min；⑤分娩過程中使用影響胎心率的藥物；⑥引產(chǎn)指征為死胎；⑦靜滴OT同時聯(lián)合使用其他引產(chǎn)藥物。本研究已通過溫州醫(yī)科大學附屬第一醫(yī)院倫理委員會審批（編號：2019089）。

1.2 OT智能調(diào)控系統(tǒng) 本課題組前期建立了一種OT注射泵反饋系統(tǒng)[7]，該系統(tǒng)以互聯(lián)網(wǎng)技術(shù)為載體，將電子胎心監(jiān)護儀（electronic fetal monitor, EFM）、輸液泵（infusion pump, IP）、護士站信息系統(tǒng)（nurse information system, NIS）以及電子病歷系統(tǒng)（electronic medical record system, EMRS）相互連接；其中EFM選擇飛利浦胎心監(jiān)護儀（M2702A）監(jiān)測胎兒宮內(nèi)狀況，通過外部宮縮探頭和超聲多普勒探頭測量宮縮壓力和胎心率變化；由物聯(lián)網(wǎng)技術(shù)將EMRS的診療相關(guān)信息和EFM的產(chǎn)時信息傳輸至NIS進行匯總分析；最后由NIS發(fā)出調(diào)控指令控制產(chǎn)婦床旁輸液微泵，調(diào)控注射速度。本研究建立的OT調(diào)控模型可嵌入NIS，作為產(chǎn)時OT用藥的決策支持模塊，模型依據(jù)來自EMRS和EFM的建模因子，智能判別下一時刻OT滴速的調(diào)控方向，代替人工判斷產(chǎn)時信息，形成一套實時監(jiān)控產(chǎn)程進展、自動調(diào)節(jié)輸液速度的OT智能調(diào)控系統(tǒng)（見圖1）。

圖1 OT智能調(diào)控系統(tǒng)

1.3 OT智能調(diào)控模型的建立

1.3.1 電子病例數(shù)據(jù)：通過文獻分析和專家小組會議結(jié)果，從電子病歷系統(tǒng)獲取18個可能影響瘢痕子宮人群OT速度調(diào)節(jié)的因素，具體包括：年齡、體質(zhì)量指數(shù)（body mass index, BMI）、孕周、陰道分娩史、子宮下段厚度、前次剖宮產(chǎn)間隔時間、宮頸容受、宮口擴張、胎先露位置、胎膜狀態(tài)、宮高、產(chǎn)婦腹圍、分娩鎮(zhèn)痛、羊水指數(shù)、胎兒雙頂徑、頭圍、腹圍及股骨長，該部分資料采用多重線性回歸法篩選建模變量。

1.3.2 產(chǎn)時數(shù)據(jù)：通過訪問飛利浦胎心監(jiān)護儀數(shù)據(jù)端口獲取胎心宮縮圖（cardiotocogram, CTG）評估母胎狀況，臨床上通常每間隔15～20 min調(diào)整1次OT用藥，計算該時間段內(nèi)的產(chǎn)時變量，包括基線胎心、產(chǎn)婦心率、宮縮頻率、宮縮持續(xù)時間、宮腔壓力峰值。

胎心、產(chǎn)婦心率可通過胎心監(jiān)護儀以數(shù)值型變量（次/min）的形式輸出，其中產(chǎn)婦心率直接計算時間段內(nèi)的平均心率；基線胎心計算時間段內(nèi)胎心波動范圍在5次/min內(nèi)的平均胎心率，且基線必須在任何該時間段內(nèi)持續(xù)20%以上的圖形（可以不連續(xù)），若當前時間段基線胎心不確定，則以前一時間段的基線填補。

宮縮壓力信號反映宮縮情況，采集過程中易受壓力探頭放置位置、腹部皮下脂肪厚度、胎動、探頭綁縛的松緊等影響，首先采用Matlab軟件的Sym6小波包，對實測信號進行4尺度分解，將分解出的概貌系數(shù)做為去噪后的宮縮信號；其次進行宮縮特征提取，將峰值點的幅值作為宮腔壓力峰值，單位時間與峰值間隔的比值作為宮縮頻率，宮縮起始點和宮縮終止點的間隔作為宮縮持續(xù)時間（見圖2），最后統(tǒng)計各宮縮變量在該時間段內(nèi)的平均值。

圖2 宮縮信號的特征提取圖

1.3.3 構(gòu)建模型：基于Logistic回歸（logical regression, LR）、傳統(tǒng)決策樹（classification and regression trees, CART）和XGBoost算法構(gòu)建OT調(diào)控模型，以網(wǎng)格搜索法（GridsearchCV）調(diào)整最佳參數(shù)，XGBoost模型核心參數(shù)設(shè)置如下：損失函數(shù)選擇multi:softmax，迭代次數(shù)200，樹的最大深度為6，學習率為0.2；LR選擇lbfgs求解器，代價函數(shù)選擇L2，參數(shù)multi_class設(shè)為multinomial，迭代次數(shù)200；CART選擇gini衡量生成樹的純度，樹的最大深度為6，最小葉子節(jié)點數(shù)為6。

數(shù)據(jù)集按照8：2 的比例劃分為訓練集和測試集，并在5折交叉驗證下，采用準確率、查準率、召回率和F1值對模型的性能進行評價，采用混淆矩陣觀察模型在各個類別上的表現(xiàn)。

1.4 OT智能調(diào)控模型的驗證 將預測模型與低年資助產(chǎn)士人工調(diào)節(jié)及專家決策意見進行比較，以檢驗模型的預測效果。選取10例樣本，預測其10次的速度調(diào)節(jié)，其中人工調(diào)節(jié)由1位低年資助產(chǎn)士（工作年限＜5年，具有初級職稱）獨立判斷胎心、宮縮等情況實施OT滴速調(diào)控。決策意見由2名副高級以上專家對OT調(diào)控記錄逐條手動校正，并以此為金標準。若專家決策意見不同，則由其共同討論后給出決策意見，比較人工調(diào)節(jié)方式和預測模型決策結(jié)果與專家意見的差異性，以正確率（%）表示。

1.5 統(tǒng)計學處理方法 采用SPSS22.0統(tǒng)計軟件進行數(shù)據(jù)分析。呈正態(tài)分布的計量資料以±s表示，偏態(tài)分布的計量資料以M（P25，P75）表示，分類變量采用頻數(shù)（%）表示。將電子病歷資料與OT使用劑量進行單因素線性回歸分析，根據(jù)分析結(jié)果，將P＜0.1 的變量納入多重線性回歸模型中，采用逐步回歸法進行變量篩選，以P＜0.05為差異有統(tǒng)計學意義?；趐ython平臺的pytorch框架建立并驗證不同類型的機器學習算法。

2 結(jié)果

2.1 一般資料 本研究共納入124 例產(chǎn)婦，共計1 005條OT調(diào)節(jié)記錄，其中標簽為OT“滴速維持原速”的312條，“滴速加快”618條，“滴速變慢”75條。按照8:2分為訓練集804條和測試集201條。

2.2 單因素及多重線性回歸分析結(jié)果 電子病例數(shù)據(jù)單因素線性回歸分析結(jié)果顯示產(chǎn)婦BMI、前次剖宮產(chǎn)間隔時間、宮口擴張、產(chǎn)婦腹圍、順產(chǎn)史、分娩鎮(zhèn)痛與OT使用劑量差異有統(tǒng)計學意義（P＜0.05）；年齡、孕周、子宮下段厚度、宮頸容受、胎先露、胎兒雙頂徑、羊水指數(shù)、頭圍、腹圍、骨長、宮高與OT使用劑量差異無統(tǒng)計學意義（P＞0.05）；進而將有統(tǒng)計學意義的因素作為自變量行多重線性回歸分析，結(jié)果顯示產(chǎn)婦BMI、前次剖宮產(chǎn)間隔時間、順產(chǎn)史、分娩鎮(zhèn)痛是OT劑量差異的獨立影響因素，見表1。

表1 影響OT使用劑量的多重線性回歸分析結(jié)果

2.3 預測模型結(jié)果 5折交叉驗證下XGBoost模型對OT滴速調(diào)控的預測能力最佳，明顯優(yōu)于LR和CART方法，見表2。其中一組XGBoost交叉驗證的混淆矩陣如表3所示，模型識別“滴速減少”的準確率最高，“滴速增加”的準確率次之，“滴速維持原速”的準確率最弱，且誤差集中在“滴速增加”和“滴速維持原速”的錯分。

表2 不同模型預測產(chǎn)時OT滴速的精確率、查準率、召回率及F1值比較

表3 OT實際滴速調(diào)控情況與模型預測情況比較

XGBoost預測模型納入變量的重要性分布如圖3所示，宮縮持續(xù)時間、宮腔壓力、基線胎心、宮縮頻率是對模型貢獻度較大的變量。

圖3 XGBoost預測模型變量重要性排名

2.4 最佳產(chǎn)時縮宮素輸注速度預測模型的驗證 將性能最佳的XGBoost預測模型與低年資助產(chǎn)士人工調(diào)節(jié)及專家決策意見進行比較，結(jié)果表明，低年資助產(chǎn)士人工調(diào)節(jié)“滴速增加”“滴速維持原速”“滴速減少”的準確率分別為82.7%、77.7%、100%，模型預測的準確率分別為87%、80.7%、100%，與缺乏臨床經(jīng)驗的低年資助產(chǎn)士人工調(diào)節(jié)相比，本研究模型的實際臨床應用效果更佳，接近具有豐富臨床經(jīng)驗的專家決策水平。見表4。

表4 XGBoost預測模型的臨床效果驗證（%）

3 討論

3.1 基于VBAC人群的OT調(diào)控模型的優(yōu)勢 在數(shù)字化醫(yī)療健康背景下，基于計算機技術(shù)的智能藥物注輸系統(tǒng)應用成為新趨勢，常見于鎮(zhèn)痛泵、胰島素等輸注場景[8-9]。相比傳統(tǒng)人工調(diào)節(jié)輸液，智能藥物注輸系統(tǒng)通過分析實時診療數(shù)據(jù)，自動調(diào)節(jié)輸液滴速，保證藥液均勻、合理的輸入，兼顧用藥的準確性和安全性。目前已有OT輸液調(diào)控相關(guān)的系統(tǒng)應用研究，如鄭園園[10]（CN206434657U）設(shè)計的一種OT注射自動調(diào)節(jié)裝置，可對異常宮縮和胎心進行預警；韋曉昱[11]（CN203802891U）設(shè)計了一種產(chǎn)科用OT自動點滴調(diào)節(jié)裝置，根據(jù)宮縮頻率及強度調(diào)節(jié)OT滴速。但現(xiàn)有研究并未進行詳盡的產(chǎn)時數(shù)據(jù)分析，僅根據(jù)既定的預設(shè)規(guī)則做出判斷，起到簡單的預警作用。

本研究構(gòu)建的VBAC產(chǎn)婦OT調(diào)控模型是基于大量臨床OT真實用藥情況的訓練，模擬臨床用藥經(jīng)驗，使其更加接近專家決策水平。VBAC產(chǎn)婦對OT用量控制更加謹慎，與當前人工OT調(diào)控相比，本方法兼顧OT調(diào)控的實時性、精確性和安全性，可進一步保障該人群OT用藥安全。模型驗證表明，與低年資助產(chǎn)士人工調(diào)節(jié)及專家決策意見相比，本模型基本達到專業(yè)醫(yī)護人員的OT調(diào)控精度，可降低因醫(yī)務人員臨床經(jīng)驗帶來的人為誤差。同時，也降低了醫(yī)務人員的勞動強度。在今后研究中還可利用互聯(lián)網(wǎng)等信息技術(shù)實現(xiàn)OT用藥的遠程監(jiān)控和評估，替代助產(chǎn)士進行OT輸注，節(jié)省醫(yī)療資源，提高護理質(zhì)量水平。

3.2 影響VBAC產(chǎn)婦OT速度調(diào)控的因素 相比非瘢痕子宮產(chǎn)婦，前次剖宮產(chǎn)間隔時間在本研究中作為VBAC產(chǎn)婦特有的變量納入模型，研究表明VBAC產(chǎn)婦子宮宮腔壓力耐受程度遠低于非瘢痕子宮產(chǎn)婦[12]，因此在用藥調(diào)整、起始劑量、使用總量上與傳統(tǒng)輸注方案均有所差異。既往研究表明，距離上次剖宮產(chǎn)時間2～3年的低危妊娠產(chǎn)婦使用OT引產(chǎn)成功率較高，通?？筛鶕?jù)臨床實際需求增加OT用藥；而距離上次剖宮產(chǎn)術(shù)時間過長的孕婦，其瘢痕處組織機化增加了子宮破裂的風險，因此相比前者應更加嚴格限制OT用藥劑量[13]。本研究還發(fā)現(xiàn)順產(chǎn)史、BMI、分娩鎮(zhèn)痛是影響OT用藥的獨立因素，這與ADAMS等[14]和LIPSCHVETZ等[15]的研究結(jié)果一致，可能原因是肥胖、分娩鎮(zhèn)痛等因素抑制了子宮平滑肌的收縮能力，需增加外源性O(shè)T劑量與體內(nèi)OT受體結(jié)合，以達到增強宮縮的效果；而有順產(chǎn)史的產(chǎn)婦，前次妊娠時宮頸和陰道被充分擴張，此次分娩進展加快，因此OT使用量相對減少[16]。變量重要性分布是對納入變量在模型中貢獻程度的描述，圖2顯示宮縮持續(xù)時間、宮腔壓力、基線胎心、宮縮頻率和前次剖宮產(chǎn)間隔時間是對模型貢獻度最大的變量，這與臨床醫(yī)務人員進行OT調(diào)控及指南要求觀察的指標一致[3]，表明本研究建立的OT調(diào)控模型高度模擬臨床思維，建模結(jié)果具有較高的可信度。

3.3 XGBoost模型的預測效果分析 本研究結(jié)果表明基于XGBoost算法建立的產(chǎn)時OT調(diào)控模型其預測精確度達0.82，性能優(yōu)于LR、CART方法及低年資助產(chǎn)士OT調(diào)控。XGBoost是對回歸樹的并行構(gòu)建，并基于梯度提升優(yōu)化的改進提高模型訓練速度和預測精度，目前廣泛應用于分類、回歸等多種產(chǎn)科醫(yī)療數(shù)據(jù)分析的應用場景，如產(chǎn)后大出血預警[17]、新生兒出生體質(zhì)量的早期預測[18]。本研究納入變量較多、各變量間關(guān)系復雜，且對模型的響應和精度要求高，而XGBoost支持列抽樣計算和特征粒度并行優(yōu)化的特性，使其具有訓練速度快、結(jié)果精確高等優(yōu)點[19]，因此基于XGBoost建立OT調(diào)控模型更具優(yōu)勢。

本研究模型將因變量按實際用藥情況輸出為“滴速維持原速”“滴速減少”“滴速增加”，判斷下一時刻用藥的走向，原因是目前針對VBAC人群OT引產(chǎn)尚無統(tǒng)一的臨床用藥指南，僅以低劑量用藥方案為原則，但各大醫(yī)療機構(gòu)起始滴速、每次調(diào)整用藥滴速標準不一[12]。因此，考慮到實際用藥的差異性，本研究模型現(xiàn)僅對OT用藥的調(diào)控方向進行判斷，使其具有更好的適用性和拓展性。在這三種滴速調(diào)節(jié)情況中，模型對“滴速減慢”的精確度最高，符合臨床保障藥安全的實際需求，當VBAC產(chǎn)婦OT用藥出現(xiàn)胎心減速、宮縮過頻、過密等情況時，更需精準做出“滴速減慢”的決策，以降低胎兒窘迫、子宮破裂的風險。而誤差集中在“滴速加快”和“滴速維持”的預測，主要原因可能是臨床上對VBAC產(chǎn)婦“滴速加快”的決策較為保守，需謹慎控制OT用量以避免潛在的不良反應，此外產(chǎn)婦疼痛主訴、醫(yī)務人員性格及臨床經(jīng)驗、宮縮探頭綁縛松緊程度等均是造成誤差的原因[20-21]。

綜上所述，本研究基于XGBoost構(gòu)建了OT調(diào)控模型，其訓練速度快、模型精度高，外推性強，嵌入已有的智能OT注射反饋系統(tǒng)，可有效解決傳統(tǒng)輸注方案對個人經(jīng)驗的依賴和醫(yī)務人員人力資源短缺的矛盾。但本研究局限性為單中心的回顧性研究，樣本量較小，今后建議開展多中心、大樣本的前瞻性研究進一步驗證。