文献基本信息

题目：Deep-learning model for predicting 30-day postoperative mortality

作者：Bradley A. Fritz , et al.

单位：Washington University

发表时间：2019年11月

期刊名称：British Journal of Anaesthesia

影响因子与分区：7.08(Q1)

一、核心亮点

(1) 准确的风险预测对患者、临床医生和资源规划都很重要。

Accurate risk prediction is important for patient, clinicians, and resource planning.。

(2) 本研究使用患者和围手术期电子数据比传统预测工具更可靠地预测30天死亡率。

This study used patient and perioperative electronic data to more reliably predict 30-day mortality than conventional predictive tools.

(3) 该模型可用于术中确定基线特征和近期生命体征趋势提示死亡风险升高的患者。

This model can be used intraoperatively to identify patients whose baseline characteristics and recent vital sign trends suggest an elevated risk for death.

二、整个文章的思路与方法

从电子病历中回顾性地获得了用于训练和测试机器学习算法的数据，将患者特征、共病情况、其他病史和体格检查元素记录在离散数据域中，利用神经卷积算法构建模型，预测术后30天的死亡率，并对比该算法与常规算法的准确率，突出本研究中模型的优点。

三、摘要

背景: 1-2%的住院大手术患者术后死亡。目前可用的基于术中数据总结的预测工具由于不能反映术中生理紊乱相关的转移风险而受到限制。本文试图将类似的基准与预测术后30天死亡率的深度定位算法进行比较。

方法: 本文利用患者特征、共病条件、术前实验室值和单个医疗中心进行气管插管手术的患者的术中数值数据构建多路径卷积神经网络模型。使用随机选择的时间点之前60分钟的数据。模型的性能与深度神经网络、随机森林、支持向量机和使用预先确定的术中数据汇总统计的逻辑回归进行了比较。

结果: 9907例患者中，941例 (1%)在30天内死亡。多径卷积神经网络预测术后30天死亡率，其在受者工作特征曲线下的面积为0.867(95%置信区间[CI]: 0.835-0.899)。这高于深度神经网络的0.825;95% CI: 0.790-0.860，随机森林(0.848;95% CI: 0.815-0.882，支持向量机(0.836;95% CI: 0.802-870, logistic回归(0.837;95%置信区间:0.803-0.871)。

结论: 与简单总结术中数据的模型相比，深度学习时间序列模型提高了预测能力。我们创建了一个模型，可以用于实时检测患者术后死亡风险的动态变化。

Background: Postoperative mortality occurs in 1e2% of patients undergoing major inpatient surgery. The currently available prediction tools using summaries of intraoperative data are limited by their inability to reflect shifting risk associated with intraoperative physiological perturbations. We sought to compare similar benchmarks to a deeplearning algorithm predicting postoperative 30-day mortality.

Methods: We constructed a multipath convolutional neural network model using patient characteristics, co-morbid conditions, preoperative laboratory values, and intraoperative numerical data from patients undergoing surgery with tracheal intubation at a single medical centre. Data for 60 min prior to a randomly selected time point were utilised. Model performance was compared with a deep neural network, a random forest, a support vector machine, and a logistic regression using predetermined summary statistics of intraoperative data.

Results: Of 95 907 patients, 941 (1%) died within 30 days. The multipath convolutional neural network predicted postoperative 30-day mortality with an area under the receiver operating characteristic curve of 0.867 (95% confidence interval [CI]: 0.835e0.899). This was higher than that for the deep neural network (0.825; 95% CI: 0.790e0.860), random forest (0.848; 95% CI: 0.815e0.882), support vector machine (0.836; 95% CI: 0.802e870), and logistic regression (0.837; 95% CI: 0.803e0.871).

Conclusions: A deep-learning time-series model improves prediction compared with models with simple summaries of intraoperative data. We have created a model that can be used in real time to detect dynamic changes in a patient s risk for postoperative mortality.

四、图表

表1 模型中包含的特性。

图1. 多路径卷积神经网络的总体架构。 BN，批量标准化；Conv，卷积；FC，完全连接的块；LSTM，长期短期记忆；ReLU，整流线性单元。

表2 队列特征。 分类变量以频率(％)表示。连续变量表示为中位数(第25个百分位数，第75个百分位数)，年龄除外(中位数(最小，最大))。METS，代谢等量。

图2. 使用卷积神经网络(MPCNNeCNN)的多路径卷积神经网络，使用长短期记忆的多路径卷积神经网络(MPCNNeLSTM)，深度神经网络(DNN)，随机森林(RF)，支持向量机的性能特征曲线 (SVM)和逻辑回归(LR)。 (a)每种型号的受试者工作特性曲线。(b)每个模型的精确调用曲线。

图3. 在测试集中的患者中观察到的死亡率与校准的预计死亡率之间的关系(n=19205)。预测概率已通过在验证集中应用直方图合并技术进行了校准。

五、不足

(1) 忽略了外科医生和麻醉师决策和技术技能的特征，这些特征可能对病人的预后有影响。

The omission of features characterising surgeon and anaesthetist decision-making and technical skill, which likely contribute to patient outcomes.

(2) 相当数量的患者缺少手术类型或功能能力的数据。

A fair number of patients were missing data for surgery type or functional capacity.

六、启发

本文的原始数据都是常见的临床数据，但是利用深度学习的方法有效的使文章更有意义，而且其选的数据与时间点在临床应用有一定的价值，给我们在分析临床基础数据时候有其他的思考角度。

参考文献：

Fritz, B.A., et al., Deep-learning model for predicting 30-day postoperative mortality. Br J Anaesth, 2019. 123(5): p. 688-695

采编：李雪      审核：谢茜荣