劉強(qiáng)，郭瑞，王勤，孫凱

北京醫(yī)院 a. 器材處；b. 呼吸與危重癥科；c. 醫(yī)務(wù)處，北京 100730

引言

呼吸機(jī)是重要的危重急救和生命支持設(shè)備，國家衛(wèi)健委發(fā)布的《呼吸機(jī)安全管理》要求運(yùn)用管理和醫(yī)學(xué)工程技術(shù)手段，對影響治療使用安全的因素進(jìn)行系統(tǒng)化管理，提高臨床保障能力[1]。目前呼吸機(jī)設(shè)備廠商不斷改進(jìn)技術(shù)，提供更加敏感的算法，使呼吸機(jī)不漏掉患者報(bào)警，因此有效報(bào)警會伴隨更多的無效報(bào)警出現(xiàn)，而在急診或重癥監(jiān)護(hù)病房，無效的誤報(bào)警會使醫(yī)護(hù)人員產(chǎn)生報(bào)警疲勞，出現(xiàn)響應(yīng)遲緩現(xiàn)象，從而降低醫(yī)療質(zhì)量[2]。當(dāng)前呼吸機(jī)普遍使用單變量報(bào)警算法和數(shù)字閾值預(yù)警模式[3]，不同廠商主要使用流量傳感器、壓力傳感器、氧傳感器（氧電池）、溫濕度傳感器等來監(jiān)測患者端的通氣情況。當(dāng)患者實(shí)際數(shù)值超過醫(yī)生預(yù)設(shè)閾值時(shí)，即觸發(fā)報(bào)警，因而不能分辨這一報(bào)警產(chǎn)生的原因是生理狀態(tài)改變、閾值設(shè)置范圍較大，還是外界醫(yī)療干預(yù)，且不同呼吸機(jī)品牌的報(bào)警項(xiàng)目可相差多項(xiàng)報(bào)警信息和視覺信息。本研究基于呼吸機(jī)環(huán)境和參數(shù)設(shè)置，便捷、高效地對單中心數(shù)據(jù)建立預(yù)測模型。由于患者病情變化從而導(dǎo)致呼吸機(jī)環(huán)境和參數(shù)設(shè)置變化較大，故無法用建立數(shù)學(xué)模型的方法建模。本研究應(yīng)用機(jī)器學(xué)習(xí)中主流的隨機(jī)森林算法對呼吸機(jī)報(bào)警進(jìn)行分析及對重要參數(shù)進(jìn)行排序，通過建模識別每次報(bào)警是否為誤報(bào)警，并將報(bào)警提示對應(yīng)發(fā)送給醫(yī)生、呼吸治療師和臨床工程師。利用臨床在用呼吸機(jī)的實(shí)時(shí)數(shù)據(jù)真實(shí)反饋呼吸機(jī)的臨床使用情況，基于臨床數(shù)據(jù)采用機(jī)器學(xué)習(xí)的方法分析判別主要因素，可提升呼吸機(jī)的有效報(bào)警能力，降低無效報(bào)警數(shù)量，在臨床上對呼吸機(jī)的使用方面具有重要意義[4]。

1 方法

1.1 呼吸機(jī)數(shù)據(jù)平臺的建立

呼吸機(jī)數(shù)據(jù)平臺的建立[5-6]是整合呼吸機(jī)臨床數(shù)據(jù)并進(jìn)一步進(jìn)行統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)的基礎(chǔ)。平臺基于國際醫(yī)療信息系統(tǒng)集成（Integrating the Healthcare Enterprise，IHE）的規(guī)范流程和相關(guān)技術(shù)框架[7-8]實(shí)現(xiàn)數(shù)據(jù)整合。我院采用呼吸機(jī)中心集中管理的模式，對有創(chuàng)呼吸機(jī)建立了呼吸機(jī)數(shù)據(jù)監(jiān)測拓?fù)鋱D（圖1）。呼吸機(jī)通信協(xié)議是系統(tǒng)平臺建立的核心問題，本研究采用IHE規(guī)范中的患者護(hù)理設(shè)備（Patient Care Device，PDC）框架，明確各廠家的數(shù)據(jù)流標(biāo)準(zhǔn)，確保各廠家設(shè)備與系統(tǒng)平臺聯(lián)通[9]。呼吸機(jī)硬件連接在RS232 口上[10]，系統(tǒng)平臺為B/S 架構(gòu)，醫(yī)護(hù)端以移動手機(jī)或平板App 的形式[11]實(shí)時(shí)監(jiān)測所關(guān)注的呼吸機(jī)報(bào)警數(shù)據(jù)，服務(wù)器端支持對數(shù)據(jù)的統(tǒng)計(jì)分析。

圖1 呼吸機(jī)數(shù)據(jù)平臺建立拓?fù)鋱D

1.2 呼吸機(jī)報(bào)警統(tǒng)計(jì)分析

1.2.1 數(shù)據(jù)準(zhǔn)備

接入數(shù)據(jù)平臺的呼吸機(jī)全部符合國際電工委員（IECEE）醫(yī)用設(shè)備及系統(tǒng)中警報(bào)的通用標(biāo)準(zhǔn)[12]。我院呼吸機(jī)中心有30 臺有創(chuàng)呼吸機(jī)接入呼吸機(jī)數(shù)據(jù)平臺，均為臨床常用的品牌，呼吸機(jī)型號及呼吸機(jī)數(shù)據(jù)平臺所記錄的報(bào)警數(shù)據(jù)量如表1 所示。

表1 接入呼吸機(jī)數(shù)據(jù)平臺設(shè)備列表

對呼吸機(jī)數(shù)據(jù)平臺單日的報(bào)警次數(shù)進(jìn)行統(tǒng)計(jì)得出報(bào)警總量為3699 次，其中只有近2%的報(bào)警為設(shè)備報(bào)警，其余均為通氣類報(bào)警，見圖2。

圖2 呼吸機(jī)報(bào)警分類對比

基于呼吸機(jī)特點(diǎn)及報(bào)警定義級別，將呼吸機(jī)報(bào)警分為設(shè)備報(bào)警和通氣報(bào)警[13]。設(shè)備報(bào)警也稱故障報(bào)警，通常指呼吸機(jī)及配件發(fā)生問題。由于各呼吸機(jī)廠家設(shè)備的報(bào)警等級最高，且在臨床使用中，設(shè)備報(bào)警產(chǎn)生的次數(shù)極低，因而設(shè)備報(bào)警（故障報(bào)警）在本研究中全部默認(rèn)為真實(shí)報(bào)警。臨床實(shí)際數(shù)據(jù)表明，通氣類報(bào)警數(shù)量最多且頻繁[14]，與臨床使用操作等關(guān)系緊密，不確定因素較多，報(bào)警真實(shí)性有待提高。本研究基于呼吸機(jī)數(shù)據(jù)管理平臺，針對表1 中的4 款型號共5 臺呼吸機(jī)，選取呼吸科病房持續(xù)上機(jī)大于30 d、情況相對穩(wěn)定的5 例患者，調(diào)閱30 d 的報(bào)警數(shù)據(jù)，報(bào)警數(shù)據(jù)按臨床通氣報(bào)警進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，見表2。

表2 呼吸機(jī)臨床常見報(bào)警真實(shí)率統(tǒng)計(jì)

1.2.2 數(shù)據(jù)標(biāo)注

訓(xùn)練數(shù)據(jù)集由呼吸科醫(yī)生、呼吸治療師對該科室的在用5 臺呼吸機(jī)、30 d 共計(jì)20327 次臨床通氣報(bào)警進(jìn)行標(biāo)注，每條報(bào)警需在獲得一致的判斷后才被標(biāo)注為真或假，常見報(bào)警真實(shí)率統(tǒng)計(jì)如表2 所示。

1.3 研究方法

1.3.1 算法架構(gòu)分析

隨機(jī)森林算法目前已成為醫(yī)學(xué)數(shù)據(jù)分析中較常用的一種機(jī)器學(xué)習(xí)方法[15-16]。本研究使用隨機(jī)森林算法構(gòu)建模型進(jìn)行訓(xùn)練和測試。隨機(jī)森林算法的優(yōu)勢在于能夠處理數(shù)量龐大的高維度特征，且不需要進(jìn)行降維，能評估各個(gè)特征在分類問題上的重要性，臨床訓(xùn)練速度快，可平衡誤差、生成樹狀結(jié)構(gòu)、判斷各個(gè)特征的重要性；缺點(diǎn)是在噪聲較大時(shí)容易出現(xiàn)過擬合現(xiàn)象，對異常值、缺失值不敏感。本文對影響真假報(bào)警的相關(guān)參數(shù)采用隨機(jī)森林算法研究的變量進(jìn)行表征[17]，變量名及賦值說明如表3 所示。

表3 變量參數(shù)表

由表2 可知，報(bào)警總量為20327 條，其中真報(bào)警2948 條。由于正負(fù)樣本嚴(yán)重不均衡，因此在無效報(bào)警中隨機(jī)抽取和真實(shí)報(bào)警數(shù)量相同的樣本數(shù)組成要研究的數(shù)據(jù)集。首先，將數(shù)據(jù)集按照分層抽樣法分成訓(xùn)練集（14391 條）和測試集（5936 條），因變量為Y，其余13 個(gè)變量X 為自變量。先對數(shù)據(jù)進(jìn)行訓(xùn)練，再對測試集進(jìn)行驗(yàn)證完成預(yù)測。

1.3.2 建模過程

（1）導(dǎo)入所有必需的Python 庫并設(shè)置環(huán)境配置。使用Python 的“read_excel”方法從保存呼吸機(jī)數(shù)據(jù)平臺中加載數(shù)據(jù)并對數(shù)據(jù)進(jìn)行預(yù)處理，具體包括檢查數(shù)據(jù)中是否有缺失值，并使用Python 函數(shù)“dropna”刪除包含任何空值的行，再將阻力、分鐘容量等列的值轉(zhuǎn)換為浮點(diǎn)數(shù)并用“NaN”替換空字符串。

（2）將數(shù)據(jù)集劃分訓(xùn)練集和測試集，并在訓(xùn)練集上進(jìn)行模型訓(xùn)練[18]。訓(xùn)練模型前，使用scikit-learn 的“train_test_split”方法劃分?jǐn)?shù)據(jù)集，確保模型不會過度擬合訓(xùn)練數(shù)據(jù)，并在測試集上測試。模型的輸出為0 和1 之間的概率值，該值等同于無效報(bào)警或真實(shí)報(bào)警的估計(jì)值，可確定模型具有泛化能力。本研究定義了一個(gè)Pipeline來處理缺失值（使用SimpleImputer）和特征縮放（使用StandardScaler）以填充缺失數(shù)據(jù)和特征縮放，避免不同特征的規(guī)模相差過大。

（3）隨機(jī)森林模型的初始化和超參數(shù)調(diào)優(yōu)。本研究執(zhí)行網(wǎng)格搜索并根據(jù)最高精度找到模型的最佳超參數(shù)（“n_estimators”“max_depth”和“criterion”）。本文通過GridSearchCV 實(shí)現(xiàn)超參數(shù)調(diào)優(yōu)，該方法執(zhí)行交叉驗(yàn)證，可有效避免過度擬合。隨機(jī)森林模型的最優(yōu)超參數(shù)組合如表4 所示。其中，“gini”作為標(biāo)準(zhǔn)，意味著使用基尼系數(shù)來衡量模型的質(zhì)量，也就是組成森林的決策樹的分裂；Max_depth 為4，表示森林中每棵決策樹的最大深度，據(jù)此可避免因樹生長得太深而導(dǎo)致的過度擬合；N_estimators 為150，說明森林由150 棵樹組成。

表4 最優(yōu)參數(shù)模型

2 結(jié)果

模型訓(xùn)練完成后，提取特征重要性并在條形圖中進(jìn)行可視化排序。特征重要性可清晰地顯示呼吸機(jī)的哪些特征對于判斷無效報(bào)警最為關(guān)鍵。特征重要性排序圖如圖3 所示。

圖3 特征重要性排序圖

根據(jù)此次單中心數(shù)據(jù)建模分析獲得的特征重要性結(jié)果為：分鐘漏氣量＞吸氣峰壓＞阻力＞分鐘容量＞PEEP（呼氣末正壓）＞潮氣量＞泄漏 %＞呼吸頻率＞平均氣道壓＞氧濃度＞吸氣流量。從結(jié)果來看，“分鐘漏氣量”和“吸氣峰壓”是最重要的特征，每個(gè)特征的重要性約為0.201?！白枇Α钡闹匾员惹皟蓚€(gè)稍低，為0.195。其他特征的重要性較低，“氧濃度”和“吸氣流量”的重要性為零，說明“氧濃度”和“吸氣流量”可能對模型預(yù)測無效報(bào)警用處極小。

在測試集評估模型性能方面，本研究通過計(jì)算得出的混淆矩陣如圖4 所示。在測試集的1484 個(gè)樣本中，模型正確識別了1204 個(gè)無效報(bào)警（True Negatives），正確識別了196 個(gè)真實(shí)警報(bào)（True Positives）。該模型錯(cuò)誤地將28 個(gè)無效警報(bào)分類為真實(shí)警報(bào)（假陽性），并將56 個(gè)真實(shí)報(bào)警錯(cuò)誤分類為無效報(bào)警（假陰性）。從不同方面評估本文模型指標(biāo)[19]，可得模型準(zhǔn)確度為0.94，精準(zhǔn)度為0.78，召回率為0.88，F(xiàn)1 得分為0.82，受試者工作特征（Receiver Operating Characteristic，ROC）曲線下面積（Area Under Curve，AUC）為0.92（圖5），說明模型表現(xiàn)較好，正確區(qū)分真實(shí)或無效報(bào)警的能力較強(qiáng)。

圖4 混淆矩陣圖

圖5 ROC曲線圖

3 討論

根據(jù)隨機(jī)森林模型得到的各因素重要性得分圖可知，分鐘通氣量、吸氣峰壓、阻力特征重要性值最高（＞0.19）；氧濃度和吸氣流量的重要性幾乎為零，說明這2 項(xiàng)報(bào)警均為設(shè)備報(bào)警而非通氣類報(bào)警，一旦報(bào)警即為真實(shí)報(bào)警，符合目前臨床操作。通過超參數(shù)調(diào)優(yōu)建模可預(yù)測報(bào)警的真假，評估指標(biāo)中召回率為0.88，即約88%的報(bào)警可提示臨床為無效報(bào)警。隨機(jī)森林建模不同于公式建模，本研究的呼吸機(jī)設(shè)備、參數(shù)發(fā)生變化，包括報(bào)警設(shè)置改變，均須重新建模再進(jìn)行分析。同比其他數(shù)學(xué)模型訓(xùn)練方法，本研究的建模方式更符合臨床科室的實(shí)際情況，對于醫(yī)院單中心的數(shù)據(jù)分析更加適用。呼吸機(jī)數(shù)據(jù)平臺的服務(wù)器在獲得分析報(bào)警的真假結(jié)果數(shù)據(jù)后[20]，由呼吸機(jī)數(shù)據(jù)平臺將真實(shí)報(bào)警或可能為誤報(bào)警的信息分別發(fā)送給工程師[21]和臨床醫(yī)護(hù)App 端，其中共有5223 次通過App 對醫(yī)護(hù)端提示存在誤報(bào)警可能，包括16 次延遲。網(wǎng)絡(luò)延遲目前在院內(nèi)測試中雖有20～30 s的延遲，但不會漏掉任何報(bào)警信息，且符合美國醫(yī)療器械促進(jìn)協(xié)會（Association for the Advancement of Medical Instrumentation，AAMI）規(guī)定的報(bào)警響應(yīng)時(shí)間。本研究的不足之處在于建模訓(xùn)練前期的20327 次報(bào)警需由醫(yī)生標(biāo)注，不可避免地會由于主觀判斷造成誤差以及產(chǎn)生標(biāo)注疲勞。獲得大量的數(shù)據(jù)標(biāo)注雖可提升算法的精度，但需要不斷克服臨床數(shù)據(jù)標(biāo)注中的困難。后續(xù)機(jī)器學(xué)習(xí)數(shù)據(jù)的積累可為呼吸機(jī)設(shè)備保障的早期預(yù)警提供參考。

4 結(jié)論

基于呼吸機(jī)數(shù)據(jù)平臺的真實(shí)臨床數(shù)據(jù)，用Python 語言建立超參數(shù)調(diào)優(yōu)的隨機(jī)森林模型和重要參數(shù)排序，經(jīng)測試集數(shù)據(jù)驗(yàn)證可及時(shí)、高效地進(jìn)行呼吸機(jī)報(bào)警數(shù)據(jù)分析和預(yù)測。在降低無效報(bào)警方面，設(shè)備報(bào)警及通氣類報(bào)警中真實(shí)報(bào)警被降低得較少。在不降低真實(shí)報(bào)警率的情況下，氧濃度和吸氣流量等真實(shí)報(bào)警很難被抑制，也客觀驗(yàn)證了無效報(bào)警目前無法完全被抑制但可以被提示。下一步，隨著呼吸機(jī)平臺數(shù)據(jù)量的不斷積累，基于重要報(bào)警參數(shù)的軟件算法不斷更新，以及整合心電、血氧、心率等監(jiān)護(hù)信息的多模態(tài)數(shù)據(jù)的導(dǎo)入，未來有望實(shí)現(xiàn)精準(zhǔn)地評價(jià)呼吸機(jī)的每次報(bào)警，最終實(shí)現(xiàn)完全抑制呼吸機(jī)的無效報(bào)警。