鄔金鳴 孫海霞 王嘉陽 錢 慶

(1.中國(guó)醫(yī)學(xué)科學(xué)院/北京協(xié)和醫(yī)學(xué)院醫(yī)學(xué)信息研究所醫(yī)學(xué)數(shù)據(jù)共享研究室，北京 100020; 2.中國(guó)醫(yī)學(xué)科學(xué)院/北京協(xié)和醫(yī)學(xué)院醫(yī)學(xué)信息研究所醫(yī)學(xué)智能計(jì)算研究室，北京 100020;3.中國(guó)醫(yī)學(xué)科學(xué)院/北京協(xié)和醫(yī)學(xué)院醫(yī)學(xué)信息研究所，北京 100020)

急性腎損傷(acute kidney injury, AKI)是一種發(fā)病率高、病死率高、臨床不良事件發(fā)生率高的危急重病癥[1]，在重癥監(jiān)護(hù)病房(intensive care unit，ICU)中全球發(fā)病率為5.7%～67%[2]，病死率高達(dá)50%[3]。AKI發(fā)病群體日趨老齡化，隨年齡增長(zhǎng), 人體腎臟結(jié)構(gòu)和功能老化, AKI發(fā)生率也顯著增加[4]。國(guó)內(nèi)一項(xiàng)調(diào)查[5]顯示, 60歲以上AKI患者占院內(nèi)AKI總數(shù)的52.2%。

急性腎損傷臨床實(shí)踐指南(kidney disease improving global outcomes，KDIGO)[6]指出，相較于確診AKI后再治療，事先識(shí)別高風(fēng)險(xiǎn)患者，提前干預(yù)將優(yōu)化預(yù)后結(jié)果。特別對(duì)于重癥患者，進(jìn)入ICU的最初幾個(gè)小時(shí)是AKI診療的黃金時(shí)間，這段時(shí)間的診斷和用藥可以影響AKI的發(fā)生和發(fā)展[7]，早期干預(yù)可縮短ICU住院時(shí)間，降低病死率。理想情況下應(yīng)實(shí)時(shí)檢測(cè)和監(jiān)控患者腎功能，以便發(fā)生AKI時(shí)即刻診斷，及時(shí)調(diào)整藥物劑量和臨床治療。目前，AKI的診斷主要基于血清肌酐(serum creatinine，Scr)的上升或尿量的下降，但兩者皆具有明顯局限性，老年患者尿量常受利尿劑、尿路梗阻等因素影響，Scr也并非反映腎功能變化的敏感指標(biāo)，因此可能導(dǎo)致延遲診斷[8]。

近年來，隨著醫(yī)院信息系統(tǒng)的快速發(fā)展，大量蘊(yùn)含高價(jià)值信息的電子病歷數(shù)據(jù)得以累積，機(jī)器學(xué)習(xí)等數(shù)據(jù)挖掘技術(shù)也愈發(fā)成熟，這為基于數(shù)據(jù)驅(qū)動(dòng)的方法預(yù)測(cè)患者AKI風(fēng)險(xiǎn)提供了可能。AKI風(fēng)險(xiǎn)預(yù)測(cè)是指預(yù)測(cè)個(gè)體在未來某個(gè)時(shí)期發(fā)生發(fā)展AKI(或相關(guān)事件)的風(fēng)險(xiǎn)概率，即根據(jù)某個(gè)人群定義，例如ICU老年人群，針對(duì)某個(gè)預(yù)測(cè)目標(biāo)，如AKI發(fā)病，設(shè)定特定的時(shí)間窗口，包括數(shù)據(jù)采集時(shí)間窗和預(yù)測(cè)時(shí)間窗，預(yù)測(cè)目標(biāo)的發(fā)生概率。依此識(shí)別出高風(fēng)險(xiǎn)患者，可更好地對(duì)患者提供干預(yù)和護(hù)理，進(jìn)而改善患者預(yù)后，特別是若在AKI的早期可逆轉(zhuǎn)階段能夠及時(shí)發(fā)現(xiàn)，從而可預(yù)防其進(jìn)展為腎衰竭以及避免后期需要的透析治療[6]。

因此，本研究旨在基于電子病歷，面向重癥老年患者進(jìn)行AKI連續(xù)風(fēng)險(xiǎn)預(yù)測(cè)，探索符合臨床應(yīng)用場(chǎng)景的早期連續(xù)動(dòng)態(tài)預(yù)測(cè)框架的可行性，識(shí)別最早有效預(yù)測(cè)時(shí)間窗和數(shù)據(jù)采集策略，以促進(jìn)機(jī)器學(xué)習(xí)在臨床決策支持中的應(yīng)用。具體為每隔6 h采集患者入ICU后的電子病歷數(shù)據(jù)，分別基于當(dāng)前單位時(shí)間數(shù)據(jù)和累積數(shù)據(jù)，利用邏輯回歸(Logistic regression，LR)、隨機(jī)森林(random forest, RF)、支持向量機(jī)(support vector machines，SVM)和輕量梯度提升機(jī)(light gradient boosting machine，LightGBM)4種經(jīng)典機(jī)器方法建模連續(xù)預(yù)測(cè)重癥老年患者未來48 h的AKI發(fā)病風(fēng)險(xiǎn)。

1 資料與方法

1.1 相關(guān)研究背景資料

1.1.1 面向不同人群的AKI預(yù)測(cè)研究

為識(shí)別患者AKI發(fā)病風(fēng)險(xiǎn)以指導(dǎo)臨床決策，諸多研究面向不同人群基于電子病歷數(shù)據(jù)構(gòu)建AKI預(yù)測(cè)模型。如Kristovic等[9]應(yīng)用邏輯回歸方法構(gòu)建了心臟手術(shù)后患者AKI預(yù)測(cè)模型，且基于KDIGO標(biāo)準(zhǔn)[6]對(duì)不同AKI分期進(jìn)行了預(yù)測(cè)，模型曲線下面積(area under curve，AUC)達(dá)到0.78；Lee等[10]應(yīng)用7種機(jī)器學(xué)習(xí)方法與邏輯回歸方法構(gòu)建肝移植后AKI預(yù)測(cè)模型，對(duì)比發(fā)現(xiàn)梯度提升機(jī)(gradient boosting machine，GBM)實(shí)現(xiàn)最佳預(yù)測(cè)性能；Kate等[11]應(yīng)用邏輯回歸、支持向量機(jī)、決策樹和樸素貝葉斯方法構(gòu)建住院老年患者的AKI預(yù)測(cè)模型，發(fā)現(xiàn)邏輯回歸效果最好，但AUC僅為0.66；Flechet等[12]應(yīng)用隨機(jī)森林方法開發(fā)面向成人ICU患者的在線AKI預(yù)測(cè)模型。

1.1.2 不同預(yù)測(cè)策略的AKI預(yù)測(cè)研究

現(xiàn)有研究的預(yù)測(cè)時(shí)間點(diǎn)多設(shè)置在AKI發(fā)病前n天，如Mohamadlou等[13]應(yīng)用提升樹(boosted ensembles of decision trees)方法在AKI發(fā)病前12、24、48、72 h進(jìn)行預(yù)測(cè)。但該建模過程確定評(píng)估測(cè)試集時(shí)應(yīng)用了未知的發(fā)病時(shí)間，不可避免地導(dǎo)致實(shí)驗(yàn)結(jié)果優(yōu)于臨床應(yīng)用。相比之下將患者入院第n天作為預(yù)測(cè)節(jié)點(diǎn)較能符合臨床應(yīng)用場(chǎng)景，如Sanchez-Pinto等[14]應(yīng)用重癥兒童患者入ICU后的前12 h的數(shù)據(jù)進(jìn)行AKI早期預(yù)測(cè)，Zimmerman等[15]、Sun等[16]、Li等[17]應(yīng)用成年患者入ICU后的前24 h的數(shù)據(jù)預(yù)測(cè)未來48 h AKI發(fā)病風(fēng)險(xiǎn)。然而，更為符合臨床應(yīng)用需求的是不拘泥于固定時(shí)間點(diǎn)的連續(xù)動(dòng)態(tài)預(yù)測(cè)，即指運(yùn)用患者入院期間隨時(shí)間更新的生命體征和實(shí)驗(yàn)室值等來連續(xù)預(yù)測(cè)患者AKI風(fēng)險(xiǎn)，如Chiofolo等[18]使用隨機(jī)森林開發(fā)了AKI預(yù)測(cè)模型，用于輸出ICU患者從入院到出院的連續(xù)AKI風(fēng)險(xiǎn)評(píng)分分?jǐn)?shù), 將應(yīng)用視角轉(zhuǎn)向了連續(xù)預(yù)測(cè)，當(dāng)前該方面研究尚處于起步階段。

1.1.3 現(xiàn)狀分析

當(dāng)前AKI預(yù)測(cè)研究具有以下兩個(gè)特點(diǎn)：①現(xiàn)有研究與及時(shí)識(shí)別重癥老年患者AKI風(fēng)險(xiǎn)的需求之間存在差距?，F(xiàn)有研究[8,19-22]多集中在心臟手術(shù)患者，其他大型手術(shù)后患者[23-24](例如肝移植[25])、腎毒性藥物患者[26-28]、妊娠后患者[29]等人群。目前心臟手術(shù)或腎毒性藥物引起的AKI預(yù)測(cè)研究相對(duì)較多，重點(diǎn)關(guān)注ICU內(nèi)特定年齡段的早期AKI風(fēng)險(xiǎn)預(yù)測(cè)的研究不足。盡管ICU人群特別是ICU老年患者具有較高AKI風(fēng)險(xiǎn)，但面向該人群的預(yù)測(cè)研究卻較少，而且因?yàn)槿巳禾禺愋裕嫦蚱渌巳旱腁KI預(yù)測(cè)模型并不完全適用于ICU老年患者群體。②現(xiàn)有研究與不拘泥于固定時(shí)間點(diǎn)的連續(xù)動(dòng)態(tài)預(yù)測(cè)需求之間存在差距?，F(xiàn)有研究多關(guān)注模型預(yù)測(cè)性能的提高，未深入探討其預(yù)測(cè)策略是否充分考慮臨床需求。少有AKI預(yù)測(cè)研究重點(diǎn)關(guān)注隨著時(shí)間推移和患者體征變化的AKI連續(xù)動(dòng)態(tài)預(yù)測(cè)。不管是從臨床應(yīng)用角度還是實(shí)際病情變化追蹤角度，隨著患者病情體征變化的連續(xù)動(dòng)態(tài)預(yù)測(cè)更符合實(shí)際臨床應(yīng)用的需求，也更符合預(yù)測(cè)邏輯。此外，根據(jù)KDIGO[6]的指導(dǎo)，大多數(shù)研究將預(yù)測(cè)時(shí)間節(jié)點(diǎn)設(shè)定于進(jìn)入ICU后的48 h，并不能滿足AKI臨床診斷的早期預(yù)測(cè)需求。

1.2 研究資料

本研究采用重癥監(jiān)護(hù)醫(yī)學(xué)信息數(shù)據(jù)庫(Medical Information Mart for Intensive Care，MIMIC)-Ⅲ 數(shù)據(jù)[30]，MIMIC-Ⅲ數(shù)據(jù)庫是由麻省理工學(xué)院計(jì)算生理學(xué)實(shí)驗(yàn)室、哈佛醫(yī)學(xué)院貝斯以色列女執(zhí)事醫(yī)學(xué)中心和飛利浦醫(yī)療聯(lián)合開發(fā)的多參數(shù)重癥監(jiān)護(hù)數(shù)據(jù)庫，包含了2001年至2012年來自貝斯以色列女執(zhí)事醫(yī)學(xué)中心46 000多位ICU患者的近6萬份臨床數(shù)據(jù)，包括患者詳細(xì)人口學(xué)信息、生理生化檢查、診斷信息、醫(yī)療干預(yù)記錄等。MIMIC-Ⅲ結(jié)構(gòu)規(guī)范，數(shù)據(jù)記錄較為全面，具有開放性，已廣泛應(yīng)用于ICU相關(guān)疾病研究[31]。本研究應(yīng)用2016年發(fā)布的MIMIC-Ⅲ v1.4版本。

數(shù)據(jù)納入標(biāo)準(zhǔn)：① 年齡≥60歲；② 入ICU初始血清肌酐測(cè)量值<4 mg/dL；③ ICU入住時(shí)間≥72 h；④入ICU診斷中沒有終末期腎病。本研究利用的研究信息不含有使受試者的身份被直接識(shí)別或通過與其相關(guān)的識(shí)別物識(shí)別的信息，屬于免除倫理審查。作為歷史性研究可免除研究對(duì)象知情同意。

1.3 數(shù)據(jù)采集

本研究設(shè)計(jì)3個(gè)實(shí)驗(yàn)?zāi)繕?biāo)：① 探索以6 h為單位預(yù)測(cè)重癥老年患者在未來48 h的AKI發(fā)病風(fēng)險(xiǎn)；② 探索現(xiàn)有模型可實(shí)現(xiàn)何種程度的早期預(yù)測(cè)；③ 比較各預(yù)測(cè)模型基于當(dāng)前單位時(shí)間窗內(nèi)數(shù)據(jù)和歷史累積數(shù)據(jù)的AKI預(yù)測(cè)效果。

針對(duì)實(shí)驗(yàn)?zāi)繕?biāo)①和②，以Toma?ev等[32]基于美國(guó)老兵數(shù)據(jù)庫的AKI連續(xù)預(yù)測(cè)研究為參考，將1 d以6 h為單位進(jìn)行劃分，預(yù)測(cè)任務(wù)的數(shù)據(jù)采集窗設(shè)置為[0, 6 h]、[6 h, 12 h]、[12 h, 18 h]、[18 h, 24 h]……其中0是指入ICU時(shí)間。提前48至72 h預(yù)測(cè)AKI事件[33]，本研究將預(yù)測(cè)時(shí)間窗設(shè)為預(yù)測(cè)點(diǎn)之后的48 h，并以6 h為單位應(yīng)用移動(dòng)滑窗法持續(xù)推進(jìn)，如圖1所示。

圖1 第1種數(shù)據(jù)采集時(shí)間窗：當(dāng)前數(shù)據(jù)Fig.1 The first data collection window: current data

針對(duì)實(shí)驗(yàn)?zāi)繕?biāo)③，對(duì)比既有數(shù)據(jù)采集時(shí)間窗[6 n h, 6(n+1) h](n≥0)，另設(shè)數(shù)據(jù)采集時(shí)間窗[0, 6(n+1) h]，如[0, 6 h]、[0, 12 h]、[0, 18 h]、[0, 24 h] (n≥0)，如圖2所示。比較相同模型在n取值相同的情況下(如[6 h, 12 h]和[0, 12 h])的預(yù)測(cè)效果差異。

圖2 第2種數(shù)據(jù)采集時(shí)間窗：累積數(shù)據(jù)Fig.2 The second method of data collection window: accumulated data

1.4 AKI定義

當(dāng)前，KDIGO[6]被用作國(guó)際急性腎損傷判斷共識(shí)，本研究遵循該標(biāo)準(zhǔn)將AKI定義為以下任一情況：①Scr 48 h內(nèi)升高達(dá)≥ 0.3 mg/dL (>26.5 μmol/L)；②Scr在7 d內(nèi)升高基礎(chǔ)值的≥1.5倍；③尿量<0.5 mL·kg-1·h-1，持續(xù)6 h。本研究定義結(jié)局指標(biāo)時(shí)，將當(dāng)前單位時(shí)間內(nèi)的患者Scr最小值作為基線數(shù)值，判斷未來48 h之內(nèi)Scr最大值與基線值之差是否≥ 0.3 mg/dL (> 26.5 μmol/L)，或是否大于基線值的1.5倍。鑒于每個(gè)患者可能多次出入ICU，但并不一定每次都發(fā)生AKI，本研究將ICU病程記錄分為AKI組和非AKI組，而非直接對(duì)患者分組[15]。

1.5 預(yù)測(cè)變量

依據(jù)KDIGO標(biāo)準(zhǔn)[6]及研究同類，本研究選取31個(gè)預(yù)測(cè)變量，包括：①人口學(xué)信息：包括年齡、性別；②生理指標(biāo)：包括心率平均值/最大值(min-1)、收縮壓最小值/平均值(mmHg，1 mmHg=0.133 kPa)、舒張壓平均值/最大值(mmHg)、體溫最大值(℃)、血氧飽和度最小值/平均值(%)、尿量平均值(mL)；③常用的實(shí)驗(yàn)室檢查：包括白細(xì)胞計(jì)數(shù)最大值/最小值(μL-1)、血清肌酐最小值/最大值(mg/dL)、血紅蛋白最小值/最大值(g/dL)、血小板計(jì)數(shù)最小值(μL-1)、碳酸氫鹽最大值/最小值(mg/dL)、血清鈣最小值(mg/dL)、血清鉀最大值(mg/dL)、尿素氮最大值(mg/dL) 、血糖最大值(mg/dL)、凝血酶原時(shí)間最小值/最大值(s)、腎小球?yàn)V過率估算值(estimated glomerular filtration rate,eGFR)、國(guó)際標(biāo)準(zhǔn)化比值最小值/最大值(international normalized ratio，INR)；④相關(guān)干預(yù)：是否進(jìn)行機(jī)械通氣。

本研究選擇預(yù)測(cè)變量時(shí)未考慮慢性合并癥(如糖尿病)，因?yàn)閷?duì)于患有多種病癥的重癥患者，當(dāng)前的實(shí)驗(yàn)室檢測(cè)或生命體征值相比慢性病對(duì)預(yù)測(cè)AKI的作用更明顯[11]。此外，Ataei等[34]指出中性粒細(xì)胞明膠酶相關(guān)脂質(zhì)運(yùn)載蛋白(neutrophil gelatinase-associated lipocalin, NGAL)和胱抑素C(cystatin C)是AKI的早期預(yù)測(cè)指標(biāo)，且支持更準(zhǔn)確、敏感的預(yù)測(cè)，因MIMIC-Ⅲ數(shù)據(jù)中暫無相關(guān)記錄，故未采用。

1.6 數(shù)據(jù)處理

1.6.1 缺失值處理

由于Scr值和尿量是判斷AKI最重要的指標(biāo)，本研究首先排除Scr值和尿量缺失的所有數(shù)據(jù)。若一條信息中，各項(xiàng)指標(biāo)的缺失項(xiàng)大于50%，則認(rèn)為本條數(shù)據(jù)信息量不足，進(jìn)行刪除?；颊邤?shù)據(jù)是基于不定期測(cè)量，一天中并非每6 h都有新測(cè)值，但預(yù)測(cè)模型以固定的6 h間隔持續(xù)推進(jìn)。未有新測(cè)量值的變量取前一單位時(shí)間窗中的對(duì)應(yīng)值，若仍缺失，則應(yīng)用基于鏈?zhǔn)椒匠痰亩嘀夭逖a(bǔ)(multivariate imputation by chained equations，MICE)方法處理。本研究?jī)?yōu)先選擇前值填充，是因醫(yī)學(xué)數(shù)據(jù)缺失值一般為非隨機(jī)缺失，當(dāng)患者某些指標(biāo)正?；蜈呌诜€(wěn)定時(shí)便不再測(cè)量，因而前值更能代表當(dāng)前狀態(tài)。

1.6.2 數(shù)據(jù)轉(zhuǎn)換

將文本類型數(shù)據(jù)轉(zhuǎn)換成數(shù)值類型，如女性、男性分別用1、2表示。在數(shù)值類型數(shù)據(jù)中，不同的生理生化指標(biāo)的范圍跨度不同，建模前對(duì)其進(jìn)行歸一化處理，加快運(yùn)算速度，提高模型表現(xiàn)。電子病歷是含有時(shí)間屬性的時(shí)態(tài)數(shù)據(jù)，本研究采用最近值(most recent)方法處理連續(xù)型時(shí)態(tài)數(shù)據(jù)，即取數(shù)據(jù)采集時(shí)間窗中離預(yù)測(cè)點(diǎn)最近的值作為特征取值；采用匯聚[35](aggregated)方法處理離散型時(shí)態(tài)數(shù)據(jù)，即如表示機(jī)械通氣與否的二分類變量中，在數(shù)據(jù)采集窗口中的任何一個(gè)時(shí)間段進(jìn)行了機(jī)械通氣，該變量取為1，否則取為0。

1.6.3 平衡性處理

本數(shù)據(jù)的自然特性決定了非AKI患者的比例要高于AKI患者的比例，在不同的時(shí)間窗采集數(shù)據(jù)集中，AKI和非AKI的比例約為1∶3。嚴(yán)重失衡的樣本會(huì)導(dǎo)致機(jī)器學(xué)習(xí)過程中采集到更多非AKI的特性，并在最終預(yù)測(cè)時(shí)傾向于將AKI預(yù)測(cè)為非AKI患者。為了避免樣本失衡導(dǎo)致的誤分類，本實(shí)驗(yàn)采用訓(xùn)練集劃分模型集成方法解決數(shù)據(jù)不平衡問題，即將訓(xùn)練集中非AKI組樣本有放回抽樣為3份，每一份與所有AKI樣本組合成3個(gè)新平衡訓(xùn)練集，將其分別用于訓(xùn)練不同分類算法。最后每種分類算法相應(yīng)得到3個(gè)訓(xùn)練模型，其結(jié)果由3個(gè)模型的平均加權(quán)確定。

1.7 預(yù)測(cè)建模

盡管有研究[27]利用了許多不同的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法進(jìn)行AKI預(yù)測(cè)研究，深度學(xué)習(xí)在預(yù)測(cè)能力方面并未展示出絕對(duì)優(yōu)勢(shì)。因此本研究選用了3個(gè)AKI預(yù)測(cè)研究中常見且預(yù)測(cè)能力優(yōu)秀、魯棒性高的機(jī)器學(xué)習(xí)模型， LR、RF、SVM，以及一個(gè)新型基于樹形結(jié)構(gòu)的梯度提升框架LightGBM[36]。

(1)LR：一種對(duì)數(shù)線性模型。多元Logistic 回歸中一個(gè)事件發(fā)生的對(duì)數(shù)概率為：log[p(x)/1-p(x)]=β0+β1X1+…+βpXp，則事件發(fā)生的概率為：p(X)=eβ0+β1X1+···+βpXp/(1+eβ0+β1X1+···+βpXp)[37]。

(2)SVM：一種二分類模型，基本模型是定義在特征空間上的間隔最大的線性分類器。支持向量機(jī)可以形式化為一個(gè)求解凸二次規(guī)劃的問題，也等價(jià)于正則化的合頁損失函數(shù)的最小化問題，支持向量機(jī)的學(xué)習(xí)算法是求解凸二次規(guī)劃的最優(yōu)化算法[38]。

(3)RF：是一個(gè)樹型分類器{h(x，βk)，k=1…}的集合。其中基分類器h(x，βx)是用分類與回歸樹(classification and regression tree，CART)算法構(gòu)建的未剪枝的分類回歸樹, 輸出采用簡(jiǎn)單多數(shù)投票法[39]。

(4)LightGBM：其思想是利用弱分類器迭代訓(xùn)練得到最優(yōu)模型，并采用梯度提升算法減少結(jié)構(gòu)分?jǐn)?shù)的計(jì)算量，在此基礎(chǔ)上，采用基于直方圖的算法選擇分割點(diǎn)，并且使用leaf-wise 策略替代level-wise 分裂子節(jié)點(diǎn)，可簡(jiǎn)化計(jì)算并提高準(zhǔn)確率[37]。

LR、SVM和RF模型采用Python工具包Scikit-learn運(yùn)算，LightGBM應(yīng)用LightGBM 工具包建模預(yù)測(cè)。不同時(shí)間窗設(shè)定收集的數(shù)據(jù)都被隨機(jī)拆分成80%的訓(xùn)練集和20%的測(cè)試集。為保證數(shù)據(jù)可靠性，采用五折交叉驗(yàn)證評(píng)價(jià)模型性能，評(píng)價(jià)指標(biāo)選擇AUC、精確性(precision)、召回率(recall)，評(píng)價(jià)指標(biāo)值越大，表征模型的預(yù)測(cè)性能越好。

2 結(jié)果

2.1 納入數(shù)據(jù)

共1 1261條ICU診療記錄符合納入標(biāo)準(zhǔn)。本實(shí)驗(yàn)數(shù)據(jù)中，患者人口統(tǒng)計(jì)學(xué)信息完整，而某些生理指標(biāo)和實(shí)驗(yàn)室檢查記錄存在缺失。在患者進(jìn)入ICU前期，各項(xiàng)指標(biāo)都會(huì)被密切監(jiān)測(cè)，患者體征平穩(wěn)之后醫(yī)生會(huì)根據(jù)患者情況篩選某些重要指標(biāo)繼續(xù)監(jiān)測(cè)或?qū)δ承┲笜?biāo)的測(cè)量逐漸稀疏甚至停止監(jiān)控與病情相關(guān)性低的指標(biāo)，因此隨著時(shí)間推移，數(shù)據(jù)中會(huì)出現(xiàn)越來越多的缺失值。故在不同數(shù)據(jù)采集時(shí)間窗中，數(shù)據(jù)缺失情況不同。本研究刪除了缺失值50%以上的診療記錄，最終不同數(shù)據(jù)窗下訓(xùn)練模型所用的記錄數(shù)不同。對(duì)于每個(gè)數(shù)據(jù)采集時(shí)間窗內(nèi)采集的ICU診療記錄，依據(jù)患者在未來48 h內(nèi)是否會(huì)發(fā)生AKI分為AKI組以及非AKI組，詳見表1。

表1 不同數(shù)據(jù)采集窗中診療記錄數(shù)Tab. 1 Number of medical records in different data collection windows

2.2 預(yù)測(cè)結(jié)果

表2和表3分別展示了[6n h, 6(n+1) h](n=0,1,2,3)數(shù)據(jù)采集窗下，4種預(yù)測(cè)模型的AUC值以及精確度/召回率值。表4和表5分別展示了[0, 6(n+1) h] (n=0,1,2,3)數(shù)據(jù)采集窗下，各預(yù)測(cè)模型的性能評(píng)價(jià)指標(biāo)。為了更直觀地對(duì)比不同數(shù)據(jù)采集窗下的各模型預(yù)測(cè)效果，本研究選擇受試者工作特征(receiver operating characteristic，ROC)曲線進(jìn)行可視化展示，直觀評(píng)估分類器預(yù)測(cè)能力。AUC即為ROC曲線到x軸之間的面積，ROC曲線下面包含的面積越大則表明預(yù)測(cè)效果越好。圖3～6分別對(duì)比了LightGBM、RF、SVM和LR中應(yīng)用當(dāng)前單位時(shí)間數(shù)據(jù)與應(yīng)用累積數(shù)據(jù)進(jìn)行預(yù)測(cè)的性能差異。藍(lán)色曲線代表模型基于當(dāng)前6 h數(shù)據(jù)的預(yù)測(cè)效果，橙色曲線代表模型使用累積前6n h數(shù)據(jù)的預(yù)測(cè)效果。

圖3 LR在6個(gè)不同數(shù)據(jù)采集窗下的ROC曲線Fig.3 ROC curve of LR models in 6 different data collection windows

表2 [6n h, 6(n+1) h]數(shù)據(jù)采集窗下預(yù)測(cè)模型AUC值Tab. 2 AUC values of predictive models using data in time window [6n h, 6(n+1) h]

表3 [6n h, 6(n+1) h]數(shù)據(jù)采集窗下預(yù)測(cè)模型精確度/召回率值Tab. 3 Precision/recall values of predictive models using data in time window [6n h, 6(n+1) h]

表4 [0, 6(n+1) h]數(shù)據(jù)采集窗下預(yù)測(cè)模型AUC值Tab. 4 AUC values of predictive models using data in time window [0, 6(n+1) h]

表5 [0, 6(n+1) h]數(shù)據(jù)采集窗下預(yù)測(cè)模型精確度/召回率值Tab. 5 Precision/recall values of predictive models using data in time window [0, 6(n+1) h]

針對(duì)實(shí)驗(yàn)?zāi)繕?biāo)①，即以6 h為單位預(yù)測(cè)重癥老年患者在未來48 h的AKI發(fā)病風(fēng)險(xiǎn)，本研究應(yīng)用LR、SVM、RF和LightGBM建模實(shí)現(xiàn)。在應(yīng)用當(dāng)前數(shù)據(jù)、累積數(shù)據(jù)的不同預(yù)測(cè)策略中，通過ROC曲線可以看出，LightGBM的預(yù)測(cè)效果明顯優(yōu)于另外3個(gè)模型，且性能良好，AUC值都達(dá)到了0.845以上，精確度和召回率分別達(dá)到了0.820、0.803以上。在基于當(dāng)前數(shù)據(jù)預(yù)測(cè)時(shí)，即[6n h, 6(n+1)h]，隨時(shí)間窗的推移，LightGBM的預(yù)測(cè)效果持續(xù)提升，在[18 h,24 h]數(shù)據(jù)采集窗下得到最優(yōu)預(yù)測(cè)效果，即在精確度/召回率為0.899/0.953的情況下AUC達(dá)0.925。實(shí)驗(yàn)結(jié)果表明應(yīng)用LightGBM面向老年重癥患者進(jìn)行AKI連續(xù)風(fēng)險(xiǎn)預(yù)測(cè)具有一定可行性。在兩種預(yù)測(cè)策略中，RF、SVM、LR的AUC在0.645～0.716之間，雖然隨時(shí)間推移預(yù)測(cè)效果有所提升，但最好效果只是RF在精確度/召回率為0.725/0.699情況下AUC達(dá)到0.716，它們顯示出了一定的預(yù)測(cè)能力但尚未達(dá)到在真實(shí)場(chǎng)景中應(yīng)用的水平。此外，分析隨時(shí)間推移模型預(yù)測(cè)效果有所提升的情況，可能潛在AKI患者的病情隨時(shí)間推進(jìn)愈發(fā)累積，此時(shí)生理指標(biāo)或?qū)嶒?yàn)室檢查值的預(yù)測(cè)性能增強(qiáng)。

圖4 SVM在6個(gè)不同數(shù)據(jù)采集窗下的ROC曲線Fig.4 ROC curve of SVM models in 6 different data collection windowsSVM: support vector machines;ROC:receiver operating characteristic.

圖5 RF在6個(gè)不同數(shù)據(jù)采集窗下的ROC曲線Fig.5 ROC curve of RF models in 6 different data collection windows RF： random forest;ROC:receiver operating characteristic.

圖6 LightGBM 在6個(gè)不同數(shù)據(jù)采集窗下的ROC曲線Fig.6 ROC curve of LightGBM models in 6 different data collection windows LightGBM：light gradient boosting machine；ROC:receiver operating characteristic.

針對(duì)實(shí)驗(yàn)?zāi)繕?biāo)②，即探索現(xiàn)有模型可實(shí)現(xiàn)何種程度的早期預(yù)測(cè)。實(shí)驗(yàn)顯示僅用患者入ICU后的第1個(gè)6 h數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，LightGBM依然在精確度/召回率為0.849/0.837的情況下達(dá)到了0.845的AUC，即LightGBM的預(yù)測(cè)能力和準(zhǔn)確度在此場(chǎng)景下表現(xiàn)較好，甚至高于其應(yīng)用[0, 12 h]、[0, 18 h]、[0, 24 h]數(shù)據(jù)所獲得的AUC。ICU老年患者發(fā)生AKI非常普遍，越早預(yù)測(cè)越能為臨床醫(yī)師爭(zhēng)取寶貴時(shí)間及時(shí)進(jìn)行臨床干預(yù)，本研究表明利用患者入ICU后的前6 h數(shù)據(jù)進(jìn)行AKI早期預(yù)測(cè)切實(shí)可行，而當(dāng)前研究多采用入ICU后的前24 h數(shù)據(jù)進(jìn)行預(yù)測(cè)且AUC為0.57～0.92[15-17]，利用LightGBM可以將觀察時(shí)間窗縮減為原來的四分之一就可以達(dá)到0.845的AUC。

針對(duì)實(shí)驗(yàn)?zāi)繕?biāo)③，比較各預(yù)測(cè)模型基于當(dāng)前數(shù)據(jù)和累積數(shù)據(jù)的AKI預(yù)測(cè)效果。LightGBM預(yù)測(cè)模型，基于累積數(shù)據(jù)預(yù)測(cè)結(jié)果的AUC值、準(zhǔn)確率、精確度等評(píng)估指標(biāo)均低于基于當(dāng)前數(shù)據(jù)預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，并非收集數(shù)據(jù)越多越好，可能當(dāng)前單位時(shí)間內(nèi)的測(cè)量值更能代表或預(yù)示患者的狀態(tài)，而加入歷史累積數(shù)據(jù)可能產(chǎn)生預(yù)測(cè)噪聲。但在RF、SVM、LR模型中，基于累積數(shù)據(jù)預(yù)測(cè)結(jié)果比應(yīng)用當(dāng)前數(shù)據(jù)的預(yù)測(cè)效果好，AUC、精確度和召回率均有所提升。這提示不同模型對(duì)數(shù)據(jù)的接收能力和適用性不同，在選擇模型分析數(shù)據(jù)時(shí)應(yīng)考慮此差異性。

3 討論

在數(shù)據(jù)收集方面，選取了6 h作為數(shù)據(jù)收集的變化時(shí)間窗，但I(xiàn)CU患者的各項(xiàng)生理指標(biāo)會(huì)隨著時(shí)間的推移和病情的發(fā)展不斷地變化。針對(duì)實(shí)驗(yàn)?zāi)繕?biāo)①，下一步工作將探索實(shí)現(xiàn)更小時(shí)間間隔的連續(xù)預(yù)測(cè)，同樣每次采集6 h數(shù)據(jù)，但以更短時(shí)間間隔移動(dòng)滑窗推進(jìn)，如每隔3 h、1 h、15 min進(jìn)行1次預(yù)測(cè)，甚至探索實(shí)時(shí)計(jì)算預(yù)測(cè)以更好支持臨床決策。針對(duì)實(shí)驗(yàn)?zāi)繕?biāo)②，在[6n h, 6(n+1) h]數(shù)據(jù)采集窗下，LightGBM、SVM及LR均表明隨移動(dòng)滑窗推進(jìn)，預(yù)測(cè)效果越好，且各模型的AUC在[18 h,24 h]數(shù)據(jù)采集窗中表現(xiàn)最高。本研究中數(shù)據(jù)采集窗的設(shè)置局限于入ICU第1天，可能一些重要指標(biāo)的測(cè)量會(huì)放置在一天中最后1個(gè)單位時(shí)間里，導(dǎo)致[18 h,24 h]窗口預(yù)測(cè)效果最好。筆者將在下步研究中探索模型在 [24 h, 30 h]、[30 h, 36 h]、 [36 h,42 h]等窗口中的預(yù)測(cè)性能。未來工作也將向前壓縮數(shù)據(jù)采集窗，如探索ICU前3個(gè)小時(shí)、前1個(gè)小時(shí)數(shù)據(jù)是否勝任AKI早期預(yù)測(cè)任務(wù)。

患者在ICU期間的用藥、手術(shù)等事件也會(huì)對(duì)AKI的發(fā)生和預(yù)測(cè)產(chǎn)生影響，本實(shí)驗(yàn)中并未做深入研究。由于未使用非結(jié)構(gòu)化數(shù)據(jù)，預(yù)測(cè)變量里沒有考慮患者其他慢性病或者診療手段帶來的影響。MIMIC-Ⅲ的時(shí)間跨度為12年，12年間診療方法和記錄習(xí)慣都可能產(chǎn)生變化，利用大時(shí)間跨度的數(shù)據(jù)擁有大數(shù)據(jù)量?jī)?yōu)勢(shì)的同時(shí)可能會(huì)導(dǎo)致數(shù)據(jù)缺乏時(shí)間維度上的一致性。

本研究應(yīng)用最近值、匯聚方法處理電子病歷中時(shí)態(tài)數(shù)據(jù)，本質(zhì)上采用了單一值形式，即將單個(gè)特征值作為含有時(shí)間信息的特征的取值，并未將時(shí)態(tài)信息納入到風(fēng)險(xiǎn)決策中，未考慮時(shí)間的前后聯(lián)系。下步工作將考慮基于時(shí)序(temporal)方法[35]處理時(shí)序數(shù)據(jù)，即通過堆疊多個(gè)測(cè)量點(diǎn)值，或通過模型將前后時(shí)間的狀態(tài)關(guān)聯(lián)起來。另外，循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)模型是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，不同于前饋神經(jīng)網(wǎng)絡(luò)，其可利用內(nèi)部記憶來處理任意時(shí)序的輸入序列，下步研究將基于RNN開展AKI的連續(xù)預(yù)測(cè)。

本研究基于MIMIC-Ⅲ電子病歷運(yùn)用4種機(jī)器學(xué)習(xí)方法探索了重癥老年患者早期AKI連續(xù)風(fēng)險(xiǎn)預(yù)測(cè)，分別基于以6 h為單位的當(dāng)前數(shù)據(jù)和累積數(shù)據(jù)持續(xù)推進(jìn)，連續(xù)預(yù)測(cè)患者在未來48 h的AKI發(fā)病情況。實(shí)驗(yàn)結(jié)果表明，應(yīng)用LightGBM進(jìn)行老年重癥患者AKI連續(xù)風(fēng)險(xiǎn)預(yù)測(cè)具有一定可行性，RF、SVM、LR模型在連續(xù)預(yù)測(cè)中展現(xiàn)了相應(yīng)的預(yù)測(cè)能力但尚未達(dá)到在真實(shí)場(chǎng)景中應(yīng)用的水平。應(yīng)用患者入ICU后的前6 h數(shù)據(jù)進(jìn)行AKI早期預(yù)測(cè)切實(shí)可行，對(duì)比傳統(tǒng)的24 h預(yù)測(cè)大大延長(zhǎng)了醫(yī)生治療的反應(yīng)時(shí)間。此外，研究顯示不同模型對(duì)數(shù)據(jù)的接收能力和適用性不同，LightGBM青睞于當(dāng)前數(shù)據(jù)，其他3種模型青睞于累積數(shù)據(jù)。

利益沖突所有作者均聲明不存在利益沖突。

作者貢獻(xiàn)聲明錢慶： 提出研究思路，設(shè)計(jì)研究方案；孫海霞：設(shè)計(jì)研究方案，論文修改；鄔金鳴：分析數(shù)據(jù)、論文撰寫與修改；王嘉陽：數(shù)據(jù)采集與實(shí)驗(yàn)、數(shù)據(jù)分析。