浙江大學(xué)醫(yī)學(xué)院附屬婦產(chǎn)科醫(yī)院

產(chǎn)后出血（PPH）定義為胎兒娩出后24小時(shí)內(nèi)產(chǎn)婦的累積失血量超過(guò)1000mL或伴有低血容量的癥狀或體征，它是妊娠相關(guān)發(fā)病率和死亡率的主要原因。前置胎盤是產(chǎn)后出血的主要危險(xiǎn)因素之一。但是目前臨床上預(yù)測(cè)PPH仍然是個(gè)難題。來(lái)自浙江大學(xué)醫(yī)學(xué)院附屬婦產(chǎn)科醫(yī)院陳新忠副院長(zhǎng)、麻醉科徐麗麗主任團(tuán)隊(duì)和浙江大學(xué)控制學(xué)院趙春暉教授及劉梓航博士合作的一項(xiàng)回顧性的臨床研究，設(shè)計(jì)了一個(gè)人工智能神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)前置胎盤產(chǎn)婦剖宮產(chǎn)的產(chǎn)后出血，研究的結(jié)果發(fā)表在2023年6月的Minerva Anestesiologica雜志上，題目為“Development and validation of an artificial neural network prediction model for postpartum hemorrhage with placenta previa”。

材料與方法

研究回顧性收集了2016年至2019年在浙江大學(xué)醫(yī)學(xué)院婦產(chǎn)科醫(yī)院接受剖宮產(chǎn)手術(shù)的223例前置胎盤產(chǎn)婦的相關(guān)資料。研究納入標(biāo)準(zhǔn)：20-50歲，行前置胎盤剖宮產(chǎn)手術(shù)，孕早期開(kāi)始產(chǎn)檢且孕周≥28周。排除標(biāo)準(zhǔn)：流產(chǎn)、嬰兒死亡、分娩停止或胎兒狀態(tài)不穩(wěn)定（NRFS）、其他醫(yī)院分娩、在重大非產(chǎn)科創(chuàng)傷時(shí)分娩、在其他非產(chǎn)科手術(shù)干預(yù)時(shí)分娩以及缺乏婦女信息。這項(xiàng)回顧性研究獲得了浙江大學(xué)醫(yī)學(xué)院婦產(chǎn)科醫(yī)院研究倫理委員會(huì)的批準(zhǔn)（20200197），從電子病歷中收集產(chǎn)婦的人口學(xué)數(shù)據(jù)、術(shù)前因素和手術(shù)信息，并經(jīng)主管醫(yī)生確認(rèn)。

研究的主要結(jié)果是產(chǎn)后出血，其定義為分娩時(shí)估計(jì)失血量≥1000mL。人口統(tǒng)計(jì)信息包括產(chǎn)婦的年齡、身高、ASA分級(jí)、孕周和孕前體重指數(shù)（BMI）。術(shù)前因素是指分娩次數(shù)、肝功能、腎功能、剖宮產(chǎn)史、髂總動(dòng)脈球囊置入情況（是或否）、胎盤植入情況（是/否）、前置胎盤類型、胎位、血紅蛋白、血小板、纖維蛋白原、D-二聚體、凝血酶時(shí)間（TT）、血細(xì)胞壓積（HCT）、凝血酶原時(shí)間（PT）、國(guó)際標(biāo)準(zhǔn)化比值（INR）。

前置胎盤的類型分為兇險(xiǎn)性、完全性和其他類型。胎位分為L(zhǎng)OA（左枕前）、ROA（右枕前）和其他。手術(shù)信息包括緊急剖宮產(chǎn)（是或否）和硬膜外麻醉（是或無(wú)）。全身麻醉主要用于有椎管內(nèi)麻醉禁忌癥、凝血功能障礙和血液動(dòng)力學(xué)不穩(wěn)定的孕婦。

統(tǒng)計(jì)分析

連續(xù)變量用均數(shù)±標(biāo)準(zhǔn)差描述，分類變量用百分比表示。t檢驗(yàn)用于分析連續(xù)變量之間的差異，卡方檢驗(yàn)用于比較分類變量之間的差異。Table 1列出了所有產(chǎn)婦的資料，研究采用單變量分析來(lái)確定資料中每個(gè)變量的重要性。P＜0.01認(rèn)為具有統(tǒng)計(jì)學(xué)意義。使用SPSS26.0版本進(jìn)行統(tǒng)計(jì)分析。

預(yù)測(cè)模型

研究根據(jù)產(chǎn)婦的相關(guān)變量數(shù)據(jù)構(gòu)建了一個(gè)人工智能神經(jīng)網(wǎng)絡(luò)（ANN）模型來(lái)預(yù)測(cè)前置胎盤的PPH。Figure 1是人工智能神經(jīng)網(wǎng)絡(luò)模型的示意圖，從結(jié)構(gòu)上講，人工智能神經(jīng)網(wǎng)絡(luò)可以分為輸入層、隱藏層和輸出層。輸入數(shù)據(jù)將通過(guò)輸入層、多個(gè)隱藏層進(jìn)行前向傳播，并最終在輸出層之后輸出分類結(jié)果。

第i個(gè)隱藏層的計(jì)算過(guò)程如下：

其中hi-1表示第（i-1）層的輸出，W和b分別表示權(quán)重和偏置。σ是激活函數(shù)，它引入非線性因素來(lái)防止網(wǎng)絡(luò)退化。本研究采用ReLU函數(shù)。網(wǎng)絡(luò)參數(shù)將通過(guò)在每次迭代期間反向傳播在模型輸出和真實(shí)分類標(biāo)簽之間計(jì)算的交叉熵?fù)p失來(lái)更新。

二進(jìn)制交叉熵?fù)p失計(jì)算如下：

其中y表示分類標(biāo)簽，y^是預(yù)測(cè)結(jié)果。

該研究中神經(jīng)網(wǎng)絡(luò)模型由一個(gè)輸入層、兩個(gè)隱藏層和一個(gè)輸出層組成，兩個(gè)隱藏層各有64個(gè)神經(jīng)元，采用Dropout來(lái)防止模型過(guò)擬合。對(duì)于模型訓(xùn)練，研究使用了Adam優(yōu)化器，并對(duì)網(wǎng)絡(luò)進(jìn)行了1000次迭代訓(xùn)練，初始學(xué)習(xí)率為0.01。為了得到更令人信服的結(jié)果，研究采用了5倍的交叉驗(yàn)證，并將預(yù)測(cè)結(jié)果平均作為最終性能。對(duì)于性能評(píng)估，研究使用了受試者工作特征曲線的AUC，它經(jīng)常被用作數(shù)據(jù)科學(xué)中預(yù)測(cè)任務(wù)的評(píng)估指標(biāo)。研究還計(jì)算了預(yù)測(cè)的準(zhǔn)確率、精確率和召回率，以更好地評(píng)估模型的預(yù)測(cè)性能。

計(jì)算定義如下：

(3)

(4)

(5)

其中TP、FP、TN、FN分別指真陽(yáng)性、假陽(yáng)性、真陰性和假陰性樣本。此外，研究所提出的方法與其他六種機(jī)器學(xué)習(xí)方法進(jìn)行了比較，以確定人工智能神經(jīng)網(wǎng)絡(luò)算法是否可以有意義地提高PPH風(fēng)險(xiǎn)預(yù)測(cè)的性能，包括支持向量機(jī)、隨機(jī)森林、決策樹(shù)、梯度提升決策樹(shù)、自適應(yīng)提升算法和邏輯回歸。

結(jié)果

研究共納入245例行剖宮產(chǎn)手術(shù)的前置胎盤產(chǎn)婦，根據(jù)納入標(biāo)準(zhǔn)及排除標(biāo)準(zhǔn)最終對(duì)其中的223例產(chǎn)婦進(jìn)行了分析，PPH組產(chǎn)婦共有101例（45.29%），非PPH組產(chǎn)婦有122例（54.71%），研究對(duì)兩組進(jìn)行了統(tǒng)計(jì)學(xué)分析，確定了差異變量，PPH預(yù)測(cè)模型最終納入了20個(gè)相關(guān)變量，具體見(jiàn)Table 1。

Table 2展示了該研究所提出的方法與其他六種方法的預(yù)測(cè)結(jié)果比較。該研究的ANN模型實(shí)現(xiàn)了最佳的預(yù)測(cè)性能，AUC、準(zhǔn)確率、精確率和召回率分別為0.917（0.891-0.938）、0.851（0.799-0.875）、0.829（0.759-0.871）和0.851（0.7 61-0.911）。與其他六種機(jī)器學(xué)習(xí)方法中性能最好的方法相比，該研究預(yù)測(cè)模型的AUC相對(duì)提高了8.8%，準(zhǔn)確率相對(duì)提高了9.9%，證明了研究預(yù)測(cè)模型方法具有強(qiáng)大的預(yù)測(cè)性能。

研究提出的方法和其他機(jī)器學(xué)習(xí)方法的ROC結(jié)果見(jiàn)Figure 2。其他六種方法的ROC曲線相近，該研究的ANN模型顯然優(yōu)于其他機(jī)器學(xué)習(xí)方法，AUC最高為0.917。

Figure 3顯示了交叉驗(yàn)證中每個(gè)ANN模型的具體ROC曲線，該研究的預(yù)測(cè)模型在大多數(shù)驗(yàn)證集中保持了較高的預(yù)測(cè)精度，再次證明了ANN模型的優(yōu)越性能。

此外，研究使用Shapley加性解釋方法對(duì)變量的重要性進(jìn)行了分析。前十個(gè)重要變量如Figure 4所示，按Shapley加性解釋（SHAP）值排序。SHAP值越大表示在PPH預(yù)測(cè)過(guò)程中變量的重要性越高。胎盤植入、雙側(cè)髂總動(dòng)脈球囊置入和緊急剖宮產(chǎn)是最重要的三個(gè)變量。

討論

PPH是全世界范圍內(nèi)妊娠相關(guān)疾病和死亡率的主要原因，因此預(yù)測(cè)PPH具有重要的臨床意義。既往的六種方法已經(jīng)表明了構(gòu)建預(yù)測(cè)模型的可行性，并指出高危產(chǎn)婦的選擇及分類是挽救生命的關(guān)鍵。但是，目前預(yù)測(cè)模型的能力仍然不太令人滿意，尤其是剖宮產(chǎn)手術(shù)后。

與以往的方法不同，本研究側(cè)重于探索識(shí)別前置胎盤產(chǎn)婦PPH風(fēng)險(xiǎn)水平（低或高）的模型。由于前置胎盤是產(chǎn)后出血最危險(xiǎn)的因素之一，因此需要為剖宮產(chǎn)前置胎盤患者建立準(zhǔn)確的預(yù)測(cè)模型。因此，通過(guò)收集223例產(chǎn)婦的數(shù)據(jù)開(kāi)發(fā)了一個(gè)人工智能神經(jīng)網(wǎng)絡(luò)模型，研究從電子病歷中收集人口統(tǒng)計(jì)學(xué)信息、術(shù)前因素和手術(shù)信息，關(guān)于模型構(gòu)建，研究首先進(jìn)行了單變量分析，確定了相關(guān)變量，因?yàn)樵谂R床實(shí)踐中有多個(gè)變量影響出血結(jié)果；其次，設(shè)計(jì)了一個(gè)人工智能神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行PPH的風(fēng)險(xiǎn)水平預(yù)測(cè)；該研究還使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法進(jìn)行了實(shí)驗(yàn)，以確定人工智能神經(jīng)網(wǎng)絡(luò)算法是否可以有意義地提高PPH風(fēng)險(xiǎn)預(yù)測(cè)的性能。

在六種傳統(tǒng)的機(jī)器學(xué)習(xí)方法中，邏輯回歸的AUC最高，為0.843（0.823-0.856），支持向量機(jī)的預(yù)測(cè)精度最高，為0.774（0.744-0.790）。決策樹(shù)和基于決策樹(shù)的方法（如隨機(jī)森林和梯度提升決策樹(shù)）的分類結(jié)果不夠令人滿意，這表明這些方法可能不適合于PPH預(yù)測(cè)任務(wù)。與上述傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，人工智能神經(jīng)網(wǎng)絡(luò)算法具有較高的容錯(cuò)性和自適應(yīng)特征學(xué)習(xí)能力。預(yù)測(cè)結(jié)果證明，該方法在前置胎盤剖宮產(chǎn)病例中具有良好的識(shí)別PPH風(fēng)險(xiǎn)產(chǎn)婦的能力，其AUC從0.843提高到0.917，預(yù)測(cè)精度從0.774提高到0.851，準(zhǔn)確度得分和回憶得分也以類似的方式得到了提高。因此，人工智能神經(jīng)網(wǎng)絡(luò)算法似乎是一種很好地處理PPH預(yù)測(cè)任務(wù)的方法。此外，模型處理變量和輸出預(yù)測(cè)結(jié)果只需要大約10秒，與手動(dòng)處理相比更節(jié)省時(shí)間。

研究有以下局限性：首先，研究納入的是前置胎盤剖宮產(chǎn)患者，數(shù)據(jù)的大小和分布有限，所收集數(shù)據(jù)的統(tǒng)計(jì)信息可能與臨床實(shí)踐中的真實(shí)情況有偏差，這使得預(yù)測(cè)結(jié)果不足以反映該模型的真實(shí)性能，通常較大的訓(xùn)練樣本會(huì)導(dǎo)致機(jī)器學(xué)習(xí)模型具有更好的預(yù)測(cè)性能，因此，未來(lái)將建立更大的數(shù)據(jù)庫(kù)或多個(gè)中心的研究，來(lái)提升研究模型；其次，通過(guò)單變量分析，確定了20個(gè)臨床變量的潛在PPH危險(xiǎn)因素，PPH定義為失血量≥1000mL，然而，本研究中只收集和分析了產(chǎn)婦的基本情況、圍手術(shù)期生命體征的變化和實(shí)驗(yàn)室檢查，未來(lái)將收集包括超聲和MRI在內(nèi)的影像學(xué)檢查。

結(jié)論

該研究開(kāi)發(fā)了一個(gè)人工智能神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)前置胎盤剖宮產(chǎn)患者PPH的風(fēng)險(xiǎn)水平，與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，將識(shí)別的風(fēng)險(xiǎn)因素與人工智能神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，具有優(yōu)越的預(yù)測(cè)精度，有助于充分的術(shù)前準(zhǔn)備。盡管由于研究關(guān)注的前置胎盤患者的PPH病例不足，預(yù)測(cè)性能可能有限，我們的研究的結(jié)果今后將先進(jìn)的機(jī)器學(xué)習(xí)方法應(yīng)用于更大的數(shù)據(jù)庫(kù)以進(jìn)一步提高性能提供了機(jī)會(huì)。

翻譯：樊玉秀、代少兵

審校：陳新忠、徐麗麗

參考文獻(xiàn)：

Xu L, Liu Z, Ma N, Chen J, Shen J, Chen X, Zhao C. Development and validation of an artificial neural network prediction model for postpartum hemorrhage with placenta previa. Minerva Anestesiol. 2023 Jun 28.

聲明：古麻今醉公眾號(hào)為舒醫(yī)匯旗下，古麻今醉公眾號(hào)所發(fā)表內(nèi)容之知識(shí)產(chǎn)權(quán)為舒醫(yī)匯及主辦方、原作者等相關(guān)權(quán)利人所有。未經(jīng)許可，禁止進(jìn)行轉(zhuǎn)載、摘編、復(fù)制、裁切、錄制等。經(jīng)許可授權(quán)使用，亦須注明來(lái)源。歡迎轉(zhuǎn)發(fā)、分享。

本文由“健康號(hào)”用戶上傳、授權(quán)發(fā)布，以上內(nèi)容（含文字、圖片、視頻）不代表健康界立場(chǎng)?！敖】堤?hào)”系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)，如有轉(zhuǎn)載、侵權(quán)等任何問(wèn)題，請(qǐng)聯(lián)系健康界（jkh@hmkx.cn）處理。

相關(guān)知識(shí)

【產(chǎn)麻新譚】常規(guī)應(yīng)用氨甲環(huán)酸預(yù)防剖宮產(chǎn)產(chǎn)后出血有意義嗎？
前置胎盤的診斷與處理指南（2020）
前置胎盤+胎兒畸形怎么辦？
順產(chǎn)路上的“攔路虎”——前置胎盤
前置胎盤會(huì)早產(chǎn)嗎
帆狀胎盤血管前置診斷與處理...
前置胎盤剖腹產(chǎn)安全嗎
前置胎盤可引起大出血
產(chǎn)后大出血產(chǎn)后期的預(yù)防介紹
智能心臟健監(jiān)測(cè)：基于人工智能的心率檢測(cè)系統(tǒng)

網(wǎng)址: 【產(chǎn)麻新譚】前置胎盤產(chǎn)婦產(chǎn)后出血人工智能神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立與驗(yàn)證 http://www.u1s5d6.cn/newsview157861.html