基于机器学习算法预测全膝关节置换后是否需要输血的可能性

doi:10.12307/2021.344

中国组织工程研究 ›› 2021, Vol. 25 ›› Issue (36): 5792-5797.doi: 10.12307/2021.344

• 人工假体 artificial prosthesis • 上一篇下一篇

基于机器学习算法预测全膝关节置换后是否需要输血的可能性

陈潮锋1，2，何达东1，梁锦成1，何智军1

1广州市番禺区中医院 (广州中医药大学番禺中医院)，广东省广州市 510000；2广州中医药大学，广东省广州市 510000

收稿日期:2021-03-23 修回日期:2021-03-25 接受日期:2021-04-15 出版日期:2021-12-28 发布日期:2021-09-17
通讯作者: 陈潮锋，广州市番禺区中医院 (广州中医药大学番禺中医院)，广东省广州市 510000；广州中医药大学，广东省广州市 510000
作者简介:陈潮锋，男，1985年6月生，医学学士学位，广州中医药大学在职研究生，广州市番禺区中医院骨关节科医疗组长，副主任医师，主要研究领域：中西医结合骨伤科学，人工关节置换术及人工关节翻修术。
基金资助:
广东省中医药局科研项目(20171202)，项目负责人：陈潮锋

Predicting the possibility of blood transfusion after total knee arthroplasty based on machine learning algorithm

Chen Chaofeng1, 2, He Dadong1, Liang Jincheng1, He Zhijun1

1Panyu Hospital of Chinese Medicine (Panyu Hospital of Chinese Medicine of guangzhou unversity of Chinese Medicine ), Guangzhou 510000, Guangdong

Received:2021-03-23 Revised:2021-03-25 Accepted:2021-04-15 Online:2021-12-28 Published:2021-09-17
Contact: Chen Chaofeng, Panyu Hospital of Chinese Medicine (Panyu Hospital of Chinese Medicine of guangzhou unversity of Chinese Medicine ), Guangzhou 510000, Guangdong Province, China; guangzhou unversity of Chinese Medicine, guangzhou 510000, guangzhou province, china
About author:Chen Chaofeng, master, Associate chief physician, Panyu Hospital of Chinese Medicine (Panyu Hospital of Chinese Medicine of guangzhou unversity of Chinese Medicine ), Guangzhou 510000, Guangdong Province, China; guangzhou unversity of Chinese Medicine, guangzhou 510000, guangzhou province, china
Supported by:
the Scientific Research Project of Guangdong Bureau of Chinese Medicine, No. 20171202 (to CCF)

摘要/Abstract

摘要：

文题释义：

机器学习：机器学习方法是通过监督、无监督或半监督方法反映高维数据的性质，可以有效降低数据维数，提高数据的理解能力，能够对高维数、大量和复杂关系数据进行分析。
预测模型：预测模型是用统计模型来估计某种临床结局的概率，作为卫生诊疗策略风险和获益评估的量化工具，临床预测模型可以为医生、患者以及卫生政策制定者提供直观、理性的信息。

背景：为了维持全膝关节置换患者的血液动力学稳定，有必要进行输血，但这常伴随着不良反应的发生。通过研究全膝关节置换后输血的危险因素可以帮助确定哪些患者需要进行输血治疗，有利于术前评估及临床决策。
目的：该研究基于机器学习算法建立预测模型，探讨其对预测全膝关节置换后是否需要输血的预测价值。
方法：回顾性分析广州市番禺区中医院2012年1月至2019年12月的全膝关节置换后患者的临床资料，根据术后是否进行输血，将患者分为未输血组和输血组。比较两组患者性别、年龄、体质量指数、术前血红蛋白水平、ASA麻醉评分、麻醉方式、手术时长、手术类型、吸烟史、既往病史、有无使用胰岛素等临床数据，将上述潜在影响因素分别导入逻辑回归、支持向量机、随机森林和极限梯度提升算法建立4种预测模型，获得预测变量重要性和绘制受试者工作曲线，检验模型的预测价值。

结果与结论：①共收集634例患者资料，其中包括未输血的患者527例和需要输血的患者107例；②结合4个模型，预测重要性评分排名前5位血红蛋白、年龄、手术时长、体质量指数和手术类型为相关性最高的前5位变量；②逻辑回归、支持向量机、随机森林和极限梯度提升算法曲线下面积分别为0.816，0.864，0.773和0.888，通过比较，极限梯度提升算法的表现最佳；③上述数据证实，基于极限梯度提升算法建立的机器学习模型可准确预测全膝关节置换后患者是否有需要输血的可能性，有利于术前评估及临床决策，血红蛋白、年龄、手术时长、体质量指数和手术类型可能是影响全膝关节置换后患者是否需要输血的预测因素。

https://orcid.org/0000-0002-4158-6816 (陈潮锋)

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

关键词: 机器学习, 全膝关节置换, 输血, 危险因素, 逻辑回归, 预测模型, 回顾性分析, 影响因素

Abstract: BACKGROUND: To maintain the hemodynamic stability of patients with total knee replacement, blood transfusion is necessary, but this is often accompanied by adverse reactions. Studying the risk factors of blood transfusion after total knee replacement can help determine which patients need blood transfusion, which is conducive to preoperative evaluation and clinical decision-making.
OBJECTIVE: To establish a prediction model based on a machine learning algorithm and explore its predictive value in predicting the possibility of blood transfusion after total knee replacement.
METHODS: The clinical data after total knee arthroplasty in the panyu hospital of chinese medicine from January 2012 to December 2019 were retrospectively analyzed, and divided the patients into a non-transfusion group and a blood transfusion group according to whether blood transfusion was performed after the operation. The data of sex, age, body mass index, preoperative hemoglobin, ASA anesthesia score, anesthesia mode, operation duration, operation type, smoking history, past medical history, and the use of insulin were compared between the two groups. The above-mentioned potential influencing factors were incorporated into logistic regression, support vector machine, random forest and XGBoost algorithm to establish four kinds of prediction model, obtain the importance of predictive variables and draw receiver working curve, and test the predictive value of the model.
RESULTS AND CONCLUSION: (1) We included a total of 634 samples, including 527 untransfused total knee arthroplasty patients and 107 total knee arthroplasty patients requiring transfusion. (2) Combining the four models, the top five prediction importance scores were hemoglobin, age, operation length, body mass index and operation type were the top five variables with the highest correlation. (3) The areas under the curve of logistic regression, support vector machine, random forest and XGBoost algorithm were 0.816, 0.864, 0.773 and 0.888, respectively. By comparison, the XGBoost algorithm performed best. (4) It is concluded that the machine learning model based on XGBoost algorithm can accurately predict the risk of blood transfusion in patients after total knee arthroplasty, which is conducive to preoperative evaluation and clinical decision-making. Hemoglobin, age, length of surgery, body mass index, and type of surgery may be important predictors of the risk of transfusion after total knee arthroplasty.

Key words: machine learning, total knee arthroplasty, blood transfusion, risk factors, logistic regression, forecast model, retrospective analysis, influencing factors

中图分类号:

陈潮锋, 何达东, 梁锦成, 何智军. 基于机器学习算法预测全膝关节置换后是否需要输血的可能性[J]. 中国组织工程研究, 2021, 25(36): 5792-5797.

Chen Chaofeng, He Dadong, Liang Jincheng, He Zhijun. Predicting the possibility of blood transfusion after total knee arthroplasty based on machine learning algorithm[J]. Chinese Journal of Tissue Engineering Research, 2021, 25(36): 5792-5797.

图/表（结果） 4

2.1 试验患者数量分析共纳入634例全膝关节置换患者，其中包括527例未输血的患者和107例需要输血的全膝关节置换患者，研究流程图见图1。

2.2 全膝关节置换患者的临床资料比较在未输血组患者与输血组之间的差异，见表1。两组在性别、年龄、吸烟史、阻塞性睡眠呼吸暂停病史、糖尿病病史、缺血性心脏病史、脑血管疾病史和胰岛素使用情况均无显著差异。相反的，在ASA评分、术前血红蛋白水平、麻醉方式、手术类型、糖尿病病史和术前肌酐水平异常存在显著性差异(P < 0.05)。

2.3 不同模型的预测变量重要性以是否需要输血作为因变量，影响输血需求风险的因素为自变量计算模型的变量重要性。计算变量的重要性程度与柱形图的长度正相关。大部分模型的重要度可分为2组：第1组包括血红蛋白、年龄、手术时长、体质量指数和手术类型，而这几个变量对模型的预测效能有重要影响；而第2组变量包括ASA评分、麻醉方法、性别、既往心血管病史、糖尿病史、吸烟史及术前肌酐水平对预测的影响较小。血红蛋白在支持向量机、极限梯度算法和逻辑回归分析这3个模型中的出现的频率最高，但是在随机森林模型中最重要预测变量为年龄；手术时间及体质量指数在支持向量机、极限梯度算法和随机森林的模型中都具有较高的预测重要性，见图2。

2.4 不同机器学习算法表现的评价结果逻辑回归、支持向量机、随机森林和极限梯度提升4种机器学习算法的表现主要采用AUCROC、正确率、灵敏度、特异度、精度和的F1得分这6个指标来衡量。在4个模型中，极限梯度提升的
AUCROC最高为0.888，高于支持向量机的0.954和逻辑回归的0.816。而支持向量机的精确度在所有模型中最高为0.953，略高于随机森林和极限梯度提升的0.920以及逻辑回归的0.828。支持向量机敏感度和精度为1，高于逻辑回归的0.889和随机森林与极限梯度提升的0.912。在特异度方面，逻辑回归表现最差为0.5，而支持向量机为0.727略优于逻辑回归，但差于随机森林和极限梯度提升的1。而在F1得分中，除了逻辑回归的0.897位最低外，其他3个模型的得分接近。分别为0.972，0.954和0.954，见表2。

参考文献

[1] QIN JZ, WANG SJ, ZHENG XP, et al. Comparison of hemocoagulase atrox versus tranexamic acid used in primary total knee arthroplasty: a randomized controlled trial. Thromb Res. 2020;188:39-43.
[2] JHURANI A, SHETTY GM, GUPTA V, et al. Effect of closed suction drain on blood loss and transfusion rates in simultaneous bilateral total knee arthroplasty: a prospective randomized study. Knee Surg Relat Res. 2016;28(3):201-206.
[3] 辛超飞,许建中,赵世新,等.全膝关节置换后需要异体输血的相关因素分析[J].中国组织工程研究,2019,23(28):4461-4467.
[4] EVERHART JS, SOJKA JH, MAYERSON JL, et al. Perioperative allogeneic red blood-cell transfusion associated with surgical site infection after total hip and knee arthroplasty. J Bone Joint Surg Am. 2018;100(4): 288-294.
[5] FRIEDMAN R, HOMERING M, HOLBERG G, et al. Allogeneic blood transfusions and postoperative infections after total hip or knee arthroplasty. J Bone Joint Surg Am. 2014;96(4):272-278.
[6] HART A, KHALIL JA, CARLI A, et al. Blood transfusion in primary total hip and knee arthroplasty. Incidence,risk factors, and thirty-day complication rates. J Bone Joint Surg Am. 2014;96(23):1945-1951.
[7] JO C, KO S, SHIN WC, et al. Transfusion after total knee arthroplasty can be predicted using the machine learning algorithm. Knee Surg Sports Traumatol Arthrosc. 2020;28(6):1757-1764.
[8] SONG X, XIA C, LI Q, et al. Perioperative predictors of prolonged length of hospital stay following total knee arthroplasty: a retrospective study from a single center in China. BMC Musculoskelet Disord. 2020; 21(1):62.
[9] OWENS J, OTERO JE, NOISEUX NO, et al. Risk Factors for Post-Operative Blood Transfusion Following Total Knee Arthroplasty. Iowa Orthop J. 2020;40(1):69-73.
[10] OBERMEYER Z, EMANUEL EJ. Predicting the future-big data, machine learning, and clinical medicine. N Engl J Med. 2016;375(13):1216-1219.
[11] KENDALE S, KULKARNI P, ROSENBERG AD, et al. Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology. 2018;129(4):675-688.
[12] JORDAN MI, MITCHELL TM. Machine learning: trends, perspectives, and prospects. Science. 2015;349(6245):255-260.
[13] MANDAIR D, TIWARI P, SIMON S, et al. Prediction of incident myocardial infarction using machine learning applied to harmonized electronic health record data. BMC Med Inform Decis Mak. 2020;20(1):252.
[14] JAMSHIDI A, PELLETIER JP, LABBE A, et al. Machine learning-based individualized survival prediction model for total knee replacement in osteoarthritis: Data from the Osteoarthritis Initiative. Arthritis Care Res. 2021. doi:10.1002/acr.24601.
[15] KLEIMAN MJ, BARENHOLTZ E, GALVIN JE. Screening for early-stage alzheimer’s disease using optimized feature sets and machine learning. J Alzheimers Dis. 2021;81(1):355-366.
[16] CHEN Y, HUANG S, CHEN T, et al. Machine learning for prediction and risk stratification of lupus nephritis renal flare. Am J Nephrol. 2021;52(2):152-160.
[17] ZHANG Z, BECK MW, WINKLER DA, et al. Opening the black box of neural networks: methods for interpreting neural network models in clinical applications. Ann Transl Med. 2018;6(11):216.
[18] BAVEJA CP, AGGARWAL P. Statistical analysis of microbiological diagnostic tests. Indian J Med Microbiol. 2017;35(2):184-193.
[19] RAMKUMAR PN, KARNUTA JM, NAVARRO SM, et al. Deep learning preoperatively predicts value metrics for primary total knee arthroplasty: development and validation of an artificial neural network model. J Arthroplasty. 2019;34(10):2220-2227.
[20] LEE CK, HOFER I, GABEL E, et al. Development and validation of a deep neural network model for prediction of postoperative in-hospital mortality. Anesthesiology. 2018;129(4):649-662.
[21] MA J, SUN J, GUO W, et al. The effect of platelet-rich plasma on reducing blood loss after total knee arthroplasty: a systematic review and meta-analysis. Medicine (Baltimore). 2017;96(26):e7262.
[22] DELLA VC, BUVANENDRAN A, MONT MA, et al. Contemporary blood conservation in hip and knee arthroplasty: tranexamic acid is an important piece of the puzzle. J Arthroplasty. 2018;33(10):3063-3064.
[23] CHAN PK, HWANG YY, CHEUNG A, et al. Blood transfusions in total knee arthroplasty: a retrospective analysis of a multimodal patient blood management programme. Hong Kong Med J. 2020;26(3):201-207.
[24] Le MANACH Y, COLLINS G, RODSETH R, et al. Preoperative score to predict postoperative mortality(pospom): derivation and validation. Anesthesiology. 2016;124(3):570-579.
[25] XIAO J, DING R, XU X, et al. Comparison and development of machine learning tools in the prediction of chronic kidney disease progression. J Transl Med. 2019;17(1):119.
[26] LUO W, PHUNG D, TRAN T, et al. Guidelines for developing and reporting machine learning predictive models in biomedical research: a multidisciplinary view. J Med Internet Res. 2016;18(12):e323.
[27] PARK JH, RASOULI MR, MORTAZAVI SM, et al. Predictors of perioperative blood loss in total joint arthroplasty. J Bone Joint Surg Am. 2013;95(19):1777-1783.
[28] NOTICEWALA MS, NYCE JD, WANG W, et al. Predicting need for allogeneic transfusion after total knee arthroplasty. J Arthroplasty. 2012;27(6):961-967.
[29] FRISCH NB, WESSELL NM, CHARTERS MA, et al. Predictors and complications of blood transfusion in total hip and knee arthroplasty. J Arthroplasty. 2014;29(9 Suppl):189-192.
[30] RO DH, JIN H, PARK JY, et al. The use of bisphosphonates after joint arthroplasty is associated with lower implant revision rate. Knee Surg Sports Traumatol Arthrosc. 2019;27(7):2082-2089.

引言

全膝关节置换是治疗终末期骨关节炎的有效疗法。然而，全膝关节置换常伴随着大量失血的风险[1-2]，约20%的全膝关节置换患者需要输血[3]。为了维持全膝关节置换患者的血液动力学稳定，有必要进行输血，但这常伴随着不良反应的发生，例如深静脉血栓形成的风险增加、手术部位的深部感染以及死亡率的增加，这些并发症对患者的预后产生不良影响[4-6]。为了减少输血，临床医生做出很多尝试，包括术中自体输血回输、术前使用促红细胞生成素和使用氨甲环酸[7]，但是，鉴于这些预防措施的风险和成本，必然不可能将其应用于所有患者。
鉴于部分患者需要在全膝关节置换后进行输血，提前识别高危风险人群有助于减少不必要的治疗，因此有必要寻找导致输血需求的潜在危险因素。性别、患者年龄、美国麻醉医师学会评分(ASA评分)、体质量指数、高血压病史、术前血红蛋白水平、术前肌酐及手术时间等与术后输血的相关性都存在争议或是研究空白[6，8]，但是大部分高风险患者都同时具有这些危险因素，因此，单独考虑这些因素不利于临床医生的判断。此外，考虑到大多数输血措施都需在术前进行准备，因此术中或术后的危险因素限制了临床工作中的使用。有一项临床回顾性研究指出，慢性阻塞性肺疾病病史、种族、手术时间、类固醇、出血性疾病及麻醉评分高是输血需求的独立预测因素[9]。尽管如此，许多骨科医生仍会在术后常规检测血红蛋白，然而这会增加医疗成本和减低护理效率。因此，通过研究全膝关节置换后输血的危险因素可以帮助确定哪些患者需要术后检测血红蛋白，提高效率和患者满意度。而且目前的研究指出输血与假体周围感染相关，如何通过术前筛查减少输血，对于减少假体感染至关重要，同时提高假体寿命。
机器学习是人工智能的一种应用，可用于分析大数据并生成预测结果的算法[10]。机器学习的优点在于个性化预测，与传统的统计方法相比，其在分析大数据的医学问题中的评估性能更高[11-12]。如果可以在手术前预测患者术后输血相关的危险因素，则可以通过有选择性地针对高危患者采取预防措施，从而降低医疗成本和减少不必要的不良反应，从而获得更安全的手术结果。然而，很少有人评估过独立的输血危险因素，而且目前尚未有使用机器学习算法预测全膝关节置换后输血风险的相关研究。因此，该研究使用全膝关节置换患者的术前数据，首次使用新型机器学习算法构建预测模型预测术后需要输血的患者，比较两个群体(输血和非输血)的患者特征，以寻找有助于骨科医生识别有需要在围术期输血患者的危险因素。
中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

材料方法

1.1 设计回顾性病例分析，非参数秩和检验，χ2检验。
1.2 时间及地点广东省广州市番禺区中医院2013年1月至2019年12月期间的住院电子病历。
1.3 对象回顾性收集广东省广州市番禺区中医院2012年1月至2019年12月期间的电子病历资料，共纳入634例患者。输血需求是指病历中记载的患者在骨科病房出院前，在术后任何时间点进行的异体输血。输注的最终决定由骨科医生结合临床和实验室检查结果进行判断。
纳入标准：①年龄> 18岁；②择期行全膝关节置换的患者；③病历资料齐全。
排除标准：①严重凝血功能障碍；②术前抗凝治疗以及合并出血性疾病；③恶性疾病和肿瘤患者。
1.4 研究方法
1.4.1 预测变量设置基于文献检索和临床经验，收集患者临床资料及既往病史资料，包括性别、年龄、体质量指数、术前血红蛋白、ASA麻醉评分(分为3级)、麻醉方式(分为全麻、腰麻、联合麻醉)、手术时长、手术类型(单侧、双侧、翻修)、吸烟史、阻塞性睡眠呼吸暂停病史、脑血管疾病史，糖尿病病史、缺血性心脏病病史、充血性心力衰竭病史、术前肌酐水平异常(升高)、有无使用胰岛素及输血情况等数据。
1.4.2 机器学习模型构建
逻辑回归模型的构建：逻辑回归是常用的算法，常被用于作为其他算法评估的对照算法。逻辑回归即通过寻找自变量与因变量的关系，通过回归分析从而构建预测模型[13]。
支持向量机模型的构建：支持向量机是一个二分类算
法，它可以在N维空间找到一个(N-1)维的超平面，这个超平面可以将这些点分为2类。支持向量机使用适合的超平面用于区分输入数据。该研究选择了非线性支持向量机用于构建模型[14]。
随机森林模型的构建：随机森林是随机生成大量的分类树，随后对每棵树的分类结果进行投票获得分类结局，并对所有单棵树的分类结果进行综合判定[15]。
极限梯度提升模型的构建：极限梯度提升(XGBoost)是一种常用的基于梯度提升树的有监督集成学习方法，通过构建多个弱分类器对数据集进行预测，然后沿其梯度方向下降将多个分类器预测的结果集成起来，并对之前训练过程中效果欠佳的数据点进行再权重[15]。
1.5 主要观察指标
1.5.1 预测变量重要性评分对变量的重要性进行权重评分，用于评估变量对于结局指标的影响，变量的重要性越高，则代表该变量在该模型中越有能力影响结局指标。首先构建机器学习模型，进行5倍交叉检验提高模型的精确度。随后使用varImp函数，将可能引起预测变量变化的相关因素纳入重要性计算中，对重要性进行排名。
1.5.2 机器学习模型的评价将数据集随机分为训练集(80%)和测试集(20%)。观察不同算法的表现，使用每个模型验证测试组的数据从而评估模型性能，评估指标包括ROC曲线下的面积(AUC值)、正确率、灵敏度、特异度和F1得分，最后绘制ROC曲线[17]。AUC值是ROC曲线下的面积，AUC值=
0.5-0.7时有较低准确性，AUC值=0.7-0.9时有一定准确性，其中AUC值=0.85-1.0为优秀，AUC值=0.75-0.85为良好，AUC值=0.6-0.75为一般，AUC值=0.5-0.6为很差[18]。
1.6 统计学分析计量资料不符合正态分布以中位数(四分位数间距)表示，组间差异比较使用非参数秩和检验。计数资料用例数和百分比表示，采用χ2检验分析组间差异。P < 0.05时认为数据具有显著性差异。所有数据分析和机器学习模型的构建均使用R(3.6.3)软件进行。所有模型均采用Caret包进行构建，预测变量重要性使用Caret软件包中的varImp函数构建，ROC曲线使用ROCR软件包完成。

讨论

该研究最重要的发现是通过使用不同机器学习算法预测全膝关节置换后的输血情况，这种方法也可以应用于其他并发症和手术风险的评估[19-20]。而其中逻辑回归、支持向量机和极限梯度提升模型的AUC值均大于0.81。此外，该研究通过构建预测模型实现了对输血风险的个体化预测。而由于通过不同模型为临床医生确定相关变量的重要性，因此可以减少输血或输血预防措施所需要的非必要成本。鉴于全球每年进行数百万次的全膝关节置换手术，输血需求日益增加，该研究的结果可帮助关节外科医生识别全膝关节置换患者的输血风险。据作者所知，这是首个通过机器学习模型预测全膝关节置换后输血的研究。
全膝关节置换后仍有18%-25%的患者需要输血[21]。减少输血可以减少并发症和感染率，而目前也有很多方法可以减少术后输血，如氨甲环酸、促红细胞生成素和自体血回
输[22]，通过应用这些方法，术后输血率在稳步下降中[23]。然而，这些方法的价格高昂，并且常伴随不良反应的发生。此外，考虑到相关的禁忌证，这些措施并不能适用于所有患者。因此，预测输血风险并采取相应的术前措施是必需且急切的。
在该研究中，作者使用4种预测模型结合临床数据预测全膝关节置换后输血需求的情况。传统的线性逻辑回顾被广泛用于临床预测中，而该研究也发现逻辑回顾可以协助预测全膝关节置换患者需要输血的相对风险，但通过对比其他预测模型发现，支持向量机和极限梯度提升的预测效能较逻辑回归更优，支持对不同患者的个性化预测。在临床工作中，如何提前预测患者治疗过程中的相对风险，一直是医疗工作者的挑战。通过容易获取的临床数据，结合机器学习算法开发高效的预测模型[24]，可以有效降低医疗风险，提高患者的满意度。不同的机器学习模型采用了不同逻辑的算法，通过使用不同内核逻辑的算法，对数据进行多维度的分析[25-26]。文章通过4种机器学习算法，对临床数据进行建模分析。逻辑回归的结果易于理解和实现且其计算代价不高，但由于其容易出现过拟合情况，故分类精度不高，在文章中逻辑回归算法的AUC值较支持向量机和极限梯度提升差。随机森林使用数据的随机样本独立训练每棵树，这种随机性有助于使模型相较于单个决策树更稳健，并且不太过拟合训练数据，但该研究的随机森林模型表现不佳，可能与判断全膝关节置换输血情况的思维方式有关，提示临床工作中在判断全膝关节置换患者是否需要输血时，应该避免通过决策树思维进行分析，不能将每个因素人为的进行割裂。而支持向量机解决非线性问题，可以很好地处理高维数据集，泛化能力比较强，无局部极小值问题，对于临床中的个体化诊疗而言，非线性思维可以协助处理来源于不同环境和不同个体的数据，用于进行统一化的建模预测。而极限梯度提升算法则在树模型的基础上，对不同分枝数进行关联，进一步加强了数的关联，既有决策分类，又结合了非线性逻辑关联，故其在该研究中表现最佳。因此，通过该研究所选定的极限梯度提升算法作为基础，可以结合计算机技术进一步开发预测输血需要的网站和app，这是下一步的研究方向。
最近，有研究通过多元回归分析获得全膝关节置换后输血的独立危险因素为贫血、女性、高龄、术前红细胞低和术后放置引流管[3]，多元回归分析与该研究中的4个算法的结果存在出入。该研究结果发现，除了术前贫血和年龄在各个模型中均为高危因素，还发现心衰、体质量指数、麻醉方式、ASA评分具有较高重要性，这提示在行择期全膝关节置换前，应该提醒患者加强营养，与麻醉科讨论决定最优化的麻醉方式，而其他一般既往病史对于术后输血的影响较小。通过机器学习对临床数据进行相关因素分析，可以通过多个模型的分析对临床因素有较为直观的认识，有效提高围术期的效
率。
该研究选择血红蛋白、年龄、手术时长、体质量指数和手术类型作为重要变量：年龄越高，体质量指数越低，接受输血的可能性越大；血红蛋白水平越低，接受输血的可能性就越大；而手术类型越复杂，手术时间就越长。在之前的研究中，年龄、体质量和血红蛋白水平均被认为是输血的重要危险因素[27]。体质量通常以体质量指数的形式出现，因此，在机器学习算法中，说明体质量指数低的患者需要输血的风险更高。在该研究中，手术类型在所有模型中均为高危因素，与单侧全膝关节置换相比，同时双侧手术的输血风险更高。因此，对于高危患者，应考虑分期全膝关节置换而非双侧同期全膝关节置换。
NOTICEWALA等[28]通过对644例全膝关节置换患者进行临床回顾，采用了31个临床独立变量并结合逻辑回归分析了全膝关节置换后输血相关的术前和术中因素，他们的研究发现年龄、合并症贫血、术前血红蛋白浓度和手术时间是重要预测因素。有研究使用逻辑回顾模型，使用1 686例患者的43种术前变量的数据用于预测术后的输血风险，而他们的研究发现术前血红蛋白、血小板计数、手术类型、氨甲环酸、年龄和体质量与术后输血高度相关，其建立的预测模型的AUC值为0.842。虽然纳入的相关变量不同，但结合该研究可以发现，使用逻辑回归用于预测临床结局可以提供较好的预测效能，但是，支持向量机和极限梯度提升等机器学习模型可以提供更好的预测能力[7]，因此有必要基础这两种算法进一步开发用于临床工作的软件。
该研究中逻辑回归、支持向量机和极限梯度提升模型的AUC值均大于0.81，其中支持向量机和极限梯度提升的AUC值分别为0.864和0.888，表现优秀。而且，极限梯度提升在正确率、灵敏度、特异度和F1得分上较其他模型分数高，极限梯度提升的分类能力更优秀。该研究证明支持向量机和极限梯度提升在全膝关节置换患者术后输血的预测上具有优秀的预测效能。此外，对于需要进行双侧手术的高风险患者，可以采取更长时间的间隔时间，而不是间隔一周再进行双侧分期全膝关节置换。该算法有助于实行更全安全和精准的医疗护理，通过机器学习代码，医生只需简单的患者信息就可以做出预测。
该研究还有一些局限性。FRISCH等[29]指出3%-67%的全膝关节置换后输血是没有客观的输血标准。因此是否需要输血，很多情况下是由临床医生的主观因素所主导的，所以有必要结合该研究的相关危险因素，在临床工作中明确输血指征。值得注意的是，研究人群中女性的比例，虽然性别没有被列为重要变量，但它可能影响全膝关节置换的结果。此次研究中女性比例为79%，明显高于其他研究[5]，虽然没有明确的解释为何女性患骨关节炎的比例如此之高，但在亚洲的一些流行病学研究中已有报道相关的趋势[30]。这可以解释在该研究中女性的比例，并可能表明性别是可以忽略的选择性偏倚，但仍需要进行不同人群的进一步研究。机器学习算法不能评估各因素的风险截断值，因此需要通过建立大样本随访队列来验证，并结合实际的发生率来划分暴露截断值和估计风险度。
该研究对全膝关节置换后输血的危险因素进行了测量，并充分考虑不同因素的相互作用，所采用的高级机器学习法很好地解决多变量交互及共线性的问题，且筛选出的因素重要性排序基本一致，说明了结果的稳定性。结合对比，发现血红蛋白、年龄、手术时长、体质量指数和手术类型是全膝关节置换后输血的高危风险，但需继续研究其与输血是否存在独立相关性。同时，支持向量机和极限梯度提升模型可于精确预测全膝关节置换患者术后输血风险，有利于临床决策及预后评估，但两种模型的预测稳定性及可靠性还需要多中心数据的外部验证。
中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

基于机器学习算法预测全膝关节置换后是否需要输血的可能性

Predicting the possibility of blood transfusion after total knee arthroplasty based on machine learning algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 4

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	王金军, 邓增发, 刘康, 何智勇, 余新平, 梁建基, 李晨, 郭洲洋. 全膝关节置换静脉滴注氨甲环酸联合含氨甲环酸鸡尾酒局部应用的止血效果及安全性[J]. 中国组织工程研究, 2021, 25(9): 1356-1361.
[2]	肖国庆, 刘选泽, 严钰皓, 钟喜红. 后交叉韧带替代型假体全膝关节置换术后屈曲受限的影响因素[J]. 中国组织工程研究, 2021, 25(9): 1362-1367.
[3]	王海莹, 吕冰, 李辉, 王顺义. 减压植骨融合内固定治疗退变性腰椎滑脱：基于脊柱骨盆参数预测患者的功能预后[J]. 中国组织工程研究, 2021, 25(9): 1393-1397.
[4]	张超, 吕欣. 髋臼骨折固定后的异位骨化：危险因素、预防及其治疗进展[J]. 中国组织工程研究, 2021, 25(9): 1434-1439.
[5]	张宇, 田少奇, 曾国波, 胡川. 初次下肢全关节置换后发生心肌梗死的危险因素[J]. 中国组织工程研究, 2021, 25(9): 1340-1345.
[6]	赵中溢, 李勇阵, 陈峰, 季爱玉. 同期双侧全膝关节置换和单髁置换治疗创伤性关节炎的比较[J]. 中国组织工程研究, 2021, 25(6): 854-859.
[7]	袁俊, 杨家福. 局部氨甲环酸浸润在非骨水泥全膝关节置换过程中止血效果的评价[J]. 中国组织工程研究, 2021, 25(6): 873-877.
[8]	马志杰, 李京育, 曹放, 刘蓉, 赵德伟. 多孔碳化硅涂覆生物活性钽新型生物医用材料的影响因素及生物学性能[J]. 中国组织工程研究, 2021, 25(4): 558-563.
[9]	马成豪, 黄海, 吕若楠, 覃祚海, 王浩, 聂智兴, 韩大鹏, 欧阳桂林. 手足同名经交叉取穴电针治疗全膝关节置换后疼痛[J]. 中国组织工程研究, 2021, 25(36): 5798-5803.
[10]	张涛, 梁春雨, 张顶顶, 白晓松, 申晓阳. 计算机辅助导航人工全膝关节置换的临床应用与进展[J]. 中国组织工程研究, 2021, 25(33): 5388-5394.
[11]	谷明西, 朱雨农, 田丰德, 安宁, 王常成, 郭林. 内轴型和后稳定型全膝关节置换假体的应用优势比较的Meta分析[J]. 中国组织工程研究, 2021, 25(33): 5395-5403.
[12]	陈洪强, 周华, 陈德斌, 吴西智, 吴德伟, 赵滨. 应用间隙平衡技术可减少人工全膝关节置换中截骨量及维持下肢力线与屈伸间隙平衡[J]. 中国组织工程研究, 2021, 25(30): 4828-4832.
[13]	陈潮锋, 石宇雄, 梁锦成, 何智军, 何达东. 基于机器学习算法预测全膝关节置换后住院时长[J]. 中国组织工程研究, 2021, 25(27): 4300-4306.
[14]	胡守业, 杨治, 郝阳泉, 鲁超, 张琼, 张伪松, 朱玉杰, 彭侃. 全膝关节置换前半程使用止血带不会影响置换后功能性结果及疼痛：前瞻性随机对照试验[J]. 中国组织工程研究, 2021, 25(27): 4327-4332.
[15]	袁望舒, 陈丽霞, 沈建雄, 余可谊. 不同年龄、性别和类型的特发性脊柱侧凸患者轴向躯干旋转角度与Cobb角度的相关性[J]. 中国组织工程研究, 2021, 25(27): 4386-4389.