基于机器学习算法预测全膝关节置换后住院时长

doi:10.12307/2021.186

中国组织工程研究 ›› 2021, Vol. 25 ›› Issue (27): 4300-4306.doi: 10.12307/2021.186

• 数字化骨科 digital orthopedics • 上一篇下一篇

基于机器学习算法预测全膝关节置换后住院时长

陈潮锋，石宇雄，梁锦成，何智军，何达东

广州市番禺区中医院骨关节科，广东省广州市 510000

收稿日期:2020-10-19 修回日期:2020-10-22 接受日期:2020-11-19 出版日期:2021-09-28 发布日期:2021-04-10
通讯作者: 陈潮锋，广州市番禺区中医院骨关节科，广东省广州市 510000
作者简介:陈潮锋，男，1985 年生，广东省广州市人，汉族，2008 年广州中医药大学毕业，副主任医师。
基金资助:
广东省中医药局科研项目(20171202)，项目负责人：陈潮锋

Prediction algorithm of hospitalization duration after total knee arthroplasty based on machine learning

Chen Chaofeng, Shi Yuxiong, Liang Jincheng, He Zhijun, He Dadong

Department of Osteoarthritis, Panyu Hospital of Chinese Medicine, Guangzhou 510000, Guangdong Province, China

Received:2020-10-19 Revised:2020-10-22 Accepted:2020-11-19 Online:2021-09-28 Published:2021-04-10
Contact: Chen Chaofeng, Department of Osteoarthritis, Panyu Hospital of Chinese Medicine, Guangzhou 510000, Guangdong Province, China
About author:Chen Chaofeng, Associate chief physician, Department of Osteoarthritis, Panyu Hospital of Chinese Medicine, Guangzhou 510000, Guangdong Province, China
Supported by:
the Scientific Research Project of Guangdong Bureau of Traditional 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。
人工神经网络：人工神经元就是受自然神经元静息和动作电位的产生机制启发而建立的一个运算模型。以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制。该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起的一种数学模型。

背景：全膝关节置换后住院时长与患者的预后密切相关，但影响住院时长的相关因素并没有深入的研究。
目的：通过临床数据建立全膝关节置换后住院时长的预测模型，使用7种机器学习算法构建模型，评估不同算法的效能，获取与住院时长最相关的影响因素。
方法：通过医院病历系统，收集广州市番禺区中医院2012年1月至2019年12月符合纳入标准的行全膝关节置换的患者共777例，详细录入患者临床资料及既往病史资料。使用逻辑回归、多元自适应回归、K近邻、支持向量机、随机森林、极限梯度提算法和人工神经网络等7种机器学习构建算法模型，采用10倍交叉验证法对模型效能进行验证。计算并比较7个模型的受试者工作特征曲线下的面积、正确率、灵敏度、特异度、精度和平衡F分数。并评估人工神经网络模型预测变量的重要性，神经网络构架和绘制性状相关热图。
结果与结论：①共纳入777个样本，其中包括618例住院时长≤6 d的患者和159例住院时长>6 d的患者；②两组年龄、术前血红蛋白、手术方式、糖尿病病史、缺血性心脏病病史、脑血管疾病史、输血情况比较差异有显著性意义(P < 0.05)；③逻辑回归、多元自适应回归、K最近邻、支持向量机、随机森林、极限梯度提算法和人工神经网络受试者工作特征曲线下的面积依次为：0.770，0.778，0.609，0.570，0.594，0.586和0.903，其中人工神经网络的预测效能最佳，同时通过正确率、灵敏度、特异度、精度和平衡F分数的比较判断认为人工神经网络相较于其他模型能够更准确的预测结局指标，其次是逻辑回归、多元自适应回归算法；④在人工神经网络模型中，手术时长和年龄在预测变量中重要性最高，领先于其他预测变量，而心力衰竭病史、心血管疾病、缺血性心脏病、手术方式、血红蛋白、输血情况、胰岛素使用情况、糖尿病病史和阻塞性睡眠呼吸暂停等因素重要性较前两者低，但仍是高相关性的预测变量，神经网络构架图也证实了上述因素的重要性；⑤结果证实，人工神经网络、逻辑回归和多元自适应回归算法这3种机器学习算法均可用于全膝关节置换后住院时长的预测，但人工神经网络的预测效果比逻辑回归和元自适应回归算法更准确。手术时长、年龄、心力衰竭病史、心血管疾病、缺血性心脏病、手术方式和血红蛋白等指标在人工神经网络模型中与住院时长密切相关，同时使用神经网络模型可以对患者进行个性化预测。人工神经网络预测模型的识别效能较高，这有助于全膝关节置换患者缩短住院时长提高医院病床利用率负担。
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: 骨, 膝, 关节, 机器学习, 关节置换, 住院时长, 人工神经网络, 预测模型

Abstract: BACKGROUND: The length of hospital stay after total knee arthroplasty is closely related to the prognosis of patients, but the related factors that affect the length of hospital stay have not been studied in depth.
OBJECTIVE: The prediction model of length of stay after total knee arthroplasty was established based on clinical data. Seven machine learning algorithms were used to construct the model, evaluate the effectiveness of different algorithms, and obtain the most relevant influencing factors of length of stay.
METHODS: Through the hospital medical record system, a total of 777 patients who underwent total knee arthroplasty that met the inclusion criteria from January 2012 to December 2019 were collected. The patient’s clinical data and past medical history were entered in detail. Seven kinds of machine learning, such as logistic regression, multiple adaptive regression, K-nearest neighbor, support vector machine, random forest, extreme gradient extraction algorithm, and artificial neural network, were used to build an algorithm model, and the 10-fold cross-validation method is used to verify the effectiveness of the model. The area under the receiver operating characteristic curve, accuracy, sensitivity, specificity, accuracy and F1 score of the seven models were calculated and compared. The importance of the predictive variables of the artificial neural network model, the neural network architecture and draw heat maps related to the traits were evaluated.
RESULTS AND CONCLUSION: (1) We included a total of 777 samples, including 618 patients who were hospitalized for less than or equal to 6 days and 159 patients who were hospitalized for more than 6 days. (2) There were significant differences in age, preoperative hemoglobin, operation method, diabetes history, ischemic heart disease history, cerebrovascular disease history and blood transfusion between the two groups (P < 0.05). (3) Logistic regression, multiple adaptive regression, K-nearest neighbor, support vector machine, random forest, extreme gradient algorithm and artificial neural network area under the receiver operating characteristic curve were 0.770, 0.778, 0.609, 0.570, 0.594, 0.586, and 0.903 in sequence. The prediction efficiency of artificial neural network was the best. Simultaneously, through the comparison of accuracy, sensitivity, specificity, precision and F1 score, it is found that the artificial neural network performs best, followed by logistic regression and multiple adaptive regression algorithms. (4) In the artificial neural network model, the length and age of surgery were the most important among the predictors, leading the other predictors, and the history of heart failure, cardiovascular disease, ischemic heart disease, surgical methods, hemoglobin, blood transfusion, insulin use, history of diabetes, and obstructive sleep apnea were less important than the first two, but they were still highly correlated predictors. The neural network architecture also confirms the importance of these factors. (5) It is concluded that the three machine learning algorithms of artificial neural network, logistic regression and multiple adaptive regression algorithm can be used to predict the length of hospitalization after total knee arthroplasty, but the prediction effect of artificial neural network was more than that of logistic regression and meta-adaptive regression algorithm accurate. The length of surgery, age, history of heart failure, cardiovascular disease, ischemic heart disease, surgical method and hemoglobin are closely related to the length of hospitalization in the artificial neural network model. Simultaneously, using the neural network model can personally predict the patient. The artificial neural network prediction model has a high recognition efficiency, which helps to improve the utilization rate of hospital beds and better plan the length of hospital stay.

Key words: bone, knee, joint, machine learning, arthroplasty, length of hospital stay, artificial neural network, prediction model

中图分类号:

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.

Chen Chaofeng, Shi Yuxiong, Liang Jincheng, He Zhijun, He Dadong. Prediction algorithm of hospitalization duration after total knee arthroplasty based on machine learning[J]. Chinese Journal of Tissue Engineering Research, 2021, 25(27): 4300-4306.

图/表（结果） 9

2.1 受试者数量分析纳入对象全部进入结果分析，无脱落。建模流程图见图1。

2.2 患者住院时长变化所有全膝关节置换患者的平均住院时长为(5.8±4.6) d，中位住院时长为4 d，75%分位数为6 d。这个结果与既往研究报道的数据接近[6, 16]，因此文章选取住院时长为6 d作为分界线。住院时长≤6 d的患者作为正常
组，> 6 d的患者作为延期组。
2.3 不同住院时长的患者的临床资料比较共纳入777个样本数，其中包括618例住院时长≤6 d的患者和159例住院时
长 > 6 d的患者。正常组与延期组患者间的住院时长差异，见表1。延期组的平均年龄为(68.51±8.51)岁，正常组的平均年龄为(65.71±8.21)岁；两组的性别、体质量指数、ASA评分、麻醉方式、手术时长、吸烟史、阻塞性睡眠呼吸暂停病史、充血性心力衰竭病史和胰岛素使用情况比较均无显著差异；而在年龄、术前血红蛋白、手术方式、糖尿病病史、缺血性心脏病病史、脑血管疾病史和输血情况方面差异有显著性意义(P < 0.05)。

2.4 机器学习模型的评估与比较为了选择用于预测结局指标的高性能模型，作者通过表1的临床资料分别构建模型并计算了7个模型的AUC值、正确率、灵敏度、特异度、精度和平衡F分数，获得每个训练集模型的最佳参数，通过验证集对预测模型进行验证(验证集数据通过10倍交叉验证法获得)。
逻辑回归分析、多元自适应回归、K近邻法、支持向量机、随机森林、极限梯度提升、人工神经网络的AUC值分别为0.770，0.778，0.609，0.570，0.594，0.586和0.903。总体而言，人工神经网络的AUC值在所有模型中最高，第2,3位分别为逻辑回归分析和多元自适应回归，这可能与数据集符合线性逻辑关系有关。而K近邻法、支持向量机、随机森林、极限梯度提升表现较差，AUC值在0.6附近，见表2。
此外，作者使用正确率、灵敏度、特异度、精度和F1比较了这7个机器学习模型的性能，见表2，3。

人工神经网络的AUC值高于其他组，同时具有最高的正确率(0.846)、特异度(1)、精度(1)和平衡F分数(0.727)；多元自适应回归主要用于处理高维度(待回归因素较多的数据集)回归问题，而文章的纳入因素较多，符合多元自适应回归的适用性范围，因此多元自适应回归的所有检验指标相较于逻辑回归分析提高；虽然逻辑回归分析具有较高的AUC值和正确率，但是其灵敏度和平衡F分数较低，对住院时长延长患者的识别能力较差；而支持向量机和随机森林的灵敏度和AUC值较低，其识别能力和诊断准确性低。K近邻法和极限梯度提升的精度和AUC值较低，其精确性和诊断准确性不足。通过绘制ROC曲线，见图2，可见人工神经网络的线下面积最大。因此，就该结果来看，人工神经网络算法的表现优于其他算法。

2.5 神经网络中与住院时长相关的特征重要性因子人工神经网络可以对每1个输入变量进行特异性修正以达到预测的目的，通过Garson的算法建立人工神经网络模型，作者得到文章各个预测变量的重要性权重，并且将该重要性与最大指标值比对，获得标准化的重要性权重数据。从图3中可以看到手术时长和年龄在预测变量中的重要性最高，领先其他预测变量，而心力衰竭病史、心血管疾病、缺血性心脏病、手术方式、血红蛋白、输血情况、胰岛素使用情况、糖尿病病史和阻塞性睡眠呼吸暂停等因素重要性较前两者低，仍为高相关性的预测变量。在表1的临床资料分析中，手术时长和心衰未见明显统计学差异，但在神经网络中，手术时长和心衰的特征重要性较高，是区分结局指标的重要变量。可见，人工神经网络的建模属性与权重方式之间不是简单的线性关系。而通过Garson的算法，发掘模型相关因素的权重与结局指标相关性的相对大小，这有利于临床工作者更好地理解人工神经网络。

2.6 神经网络架构图3是神经网络架构图。黑线表示上调的因素，而灰线表示下调的因素；线的粗细与每个因素的重要性成比例。第一层为输入变量(I1到I17)，每个变量都连接到隐藏层中的所有节点(H1到H5)；输出层(O1)为结局指标同时连接到所有隐藏层节点；偏置节点(B1和B2)提供的功能类似于线性模型中的截距项。从图中可见，手术时长的黑线最粗，结合图4，可知手术时长在本神经网络中权重最大，除麻醉评分、OSA和胰岛素使用情况外，其他相关因素与住院时长存在正相关。

2.7 具体病例相关因素的热图分析图5展示了具体患者的相关因素分层，图中上方横纵为两类结局事件(延长出院和常规事件出院)，下方横轴为具体病例(第273-276例患者)。其中273例和274例患者为延长出院患者，275和276例为常规时间出院患者。在该例中，在左侧方框中，年龄大于66岁以蓝色表示，证明高龄与延长出院呈正相关关系。而在第3列中，非联合麻醉与住院时长呈现负相关，因此为了缩短住院时长，在考虑患者基本情况前提下，尽量选择单独的麻醉方式。体质量指数越高，患者延长出院的风险越低，这可能与患者的营养情况和血容量相关。而当手术时间少于 65 min时，患者的住院时长延长的风险下降。出现需要输血的情况，患者的延长住院时间的风险也相应增加。而复杂的手术方式也会增加患者住院时间的风险，这张图可以帮助临床医生理解神经网络如何进行预测。
同时图5可以帮助作者通过神经网络预测患者的重点结局(例如，因为患者高龄、麻醉评分高、体质量指数低，因此术中应该在保证手术质量的基础上尽快完成手术，减少术中失血；同时麻醉也应该以简单的单一麻醉为主，尽量减少使用联合麻醉)，这些都是在整个临床决策过程中至关重要的变量。

而图6显示了每个患者与住院时长相关的正向和负向调节，这有助于作者针对每个患者进行个性化的预测与评估。由于每个患者影响结局指标的具体因素不同，可以对患者进行个性化预测并进行可视化，进一步提高诊断效能。

参考文献

[1] MARADIT KH, LARSON DR, CROWSON CS, et al. Prevalence of Total Hip and Knee Replacement in the United States. J Bone Joint Surg Am. 2015;97(17):1386-1397.
[2] WEISER TG, REGENBOGEN SE, THOMPSON KD, et al. An estimation of the global volume of surgery: a modelling strategy based on available data. Lancet. 2008;372(9633):139-144.
[3] den HERTOG A, GLIESCHE K, TIMM J, et al. Pathway-controlled fast-track rehabilitation after total knee arthroplasty: a randomized prospective clinical study evaluating the recovery pattern, drug consumption, and length of stay. Arch Orthop Trauma Surg. 2018;132(8):1153-1163.
[4] HUSTED H, JENSEN C M, SOLGAARD S, et al. Reduced length of stay following hip and knee arthroplasty in Denmark 2000-2009: from research to implementation. Arch Orthop Trauma Surg. 2012;132(1):101-104.
[5] AYALON O, LIU S, FLICS S, et al. A multimodal clinical pathway can reduce length of stay after total knee arthroplasty. HSS J. 2017;7(1):9-15.
[6] ABDULLAH HR, SIM YE, HAO Y, et al. Association between preoperative anaemia with length of hospital stay among patients undergoing primary total knee arthroplasty in Singapore: a single-centre retrospective study. BMJ Open. 2017; 7(6):e16403.
[7] LIODAKIS E, BERGERON SG, ZUKOR DJ, et al. Perioperative complications and length of stay after revision total hip and knee arthroplasties: an analysis of the NSQIP Database. J Arthroplasty. 2015;30(11):1868-1871.
[8] VIOLA J, GOMEZ MM, RESTREPO C, et al. Preoperative anemia increases postoperative complications and mortality following total joint arthroplasty. J Arthroplasty. 2015;30(5):846-848.
[9] 段芳芳,吕艳伟,王立芳,等.北京市某三甲医院原发性膝关节炎住院费用分析[J].中国卫生统计,2018,35(6):863-866.
[10] KENDALE S, KULKARNI P, ROSENBERG AD, et al. Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology. 2018;129(4):675-688.
[11] 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.
[12] 赵诣.大数据下的机器学习算法综述-以AlphaGO为例[J].信息记录材料, 2019,20(1):10-12.
[13] 张中文,姚婷婷,张海泉,等.基于交叉验证的组合诊断方法在乳腺肿瘤诊断研究中的应用[J].中国卫生统计,2020,37(2):166-169.
[14] ALICE Z. Evaluating Machine Learning Models. O’Reilly Media, Inc. 2015;9:125-130.
[15] 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.
[16] CHEN JY, LEE WC, CHAN HY, et al. Drain use in total knee arthroplasty is neither associated with a greater transfusion rate nor a longer hospital stay. Int Orthop. 2016;40(12):2505-2509.
[17] SESSLER DI, SIGL JC, MANBERG PJ, et al. Broadly applicable risk stratification system for predicting duration of hospitalization and mortality. Anesthesiology. 2010;113(5):1026-1037.
[18] 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.
[19] NGUYEN P, TRAN T, WICKRAMASINGHE N, et al. $\mathtt {Deepr}$: A Convolutional Net for Medical Records. IEEE J Biomed Health Inform. 2017;21(1):22-30.
[20] 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.
[21] 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.
[22] LO CK, LEE QJ, WONG YC. Predictive factors for length of hospital stay following primary total knee replacement in a total joint replacement centre in Hong Kong. Hong Kong Med J. 2017;23(5):435-440.
[23] 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.
[24] 李杰,段光友,曾义,等.人工神经网络、极端梯度提升和Logistic回归用于预测再次剖宫产术中输血的比较分析[J].第三军医大学学报,2019,41(24): 2430-2437.
[25] 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.
[26] ROOTH P, DAWIDSON I, DILLER K, et al. In vivo fluorescence microscopy reveals cyclosporine G to be less nephrotoxic than cyclosporine A. Transplant Proc. 1988;20(2 Suppl 2):707-709.
[27] MISTRY PK, GAUNAY GS, HOENIG DM. Prediction of surgical complications in the elderly: can we improve outcomes? Asian J Urol. 2017;4(1):44-49.
[28] Boehm O, Baumgarten G, Hoeft A. Preoperative patient assessment: identifying patients at high risk. Best Pract Res Clin Anaesthesiol. 2016;30(2):131-143.
[29] KAPPEN TH, PEELEN LM. Prediction models: the right tool for the right problem. Curr Opin Anaesthesiol. 2016;29(6):717-726.

引言

全膝关节置换是治疗终末期膝关节骨性关节炎的有效方法，能显著减轻患者疼痛、促进功能恢复[1-2]。由于大多数医院床位数量有限，全膝关节置换患者的住院时长也与住院费用密切相关[3-4]，此外，非计划延长住院时间还可能会影响患者的手术效果和术后康复[5]。因此，缩短住院时长不仅可以增加住院患者周转，还可以减少医疗费用，减轻社会医疗负担[6]。对医疗系统和临床医生来说，明确与患者恢复和住院时长相关的相关危险因素对指导临床决策至关重要[7-8]。而目前大部分关于全膝关节置换后住院时长的相关因素分析都是在西方国家的医疗机构中完成的，这些国家的人口统计数据、出院和康复政策也与中国不同，因此有必要探讨中国全膝关节置换住院时长的相关危险因素，以期指导临床有效管理围术期全膝关节置换患者从而缩短住院时长[9]。缩短住院时长能够降低深静脉血栓的发生率，还可以动员患者进行早期功能锻炼以期步行回家，同时还可以减少假体周围骨折和感染的可能性，有利于人体尽早地适应假体的安置。
近年来，越来越多的临床研究应用机器学习协助分析，机器学习可以通过数据属性定义数据[10]，借助临床数据和特定算法来预测各种结局指标并构建概率统计模型。机器学习算法的非线性关系则是机器学习算法构建的基础，可以通过非线性逻辑构建预测模型，同时进行不同算法的评估比较，提高临床预测效能[11]。
目前中国关于全膝关节置换后住院时长的研究较少，同时未见使用机器学习建模用于预测住院时长的相关报道。为此，文章使用广州市番禺区中医院的临床数据，通过机器学习中的逻辑回归分析(logistic regression，LR)、多元自适应回归(multivariate adaptive regression splines，MARS)、K近邻法(K-nearest neighbor，KNN)、支持向量机(support vector machine，SVM)、随机森林(random forest，RF)、极限梯度提升(eXtreme Gradient Boosting，XGBoost)和人工神经网络(artificial neural network，ANN)算法[12]，建立全膝关节置换患者住院时长的预测模型，使用10倍交叉验证法对模型效能进行验证，评估不同模型的预测效能，探讨影响该类患者的相关因素，以指导临床筛选高风险患者，通过采取必要措施以缩短住院时长和达到加速康复的目的。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，机器学习模型构建，roc曲线分析。
1.2 时间及地点收集广州市番禺区中医院2013年1月至2019年12月的住院电子病历资料。
1.3 对象选择广东省广州市番禺区中医院2013年1月至2019年12月期间的电子病历资料，试验内容符合伦理学要求，共纳入777例，其中包括618例住院时长≤6 d的患者和159例住院时长> 6 d的患者。所有数据均由同一小组人员进行收集录入，手术均由本科室两位高年资医师指导下完成。
1.3.1 纳入标准 ①年龄>18岁者；②择期行全膝关节置换的患者；③电子病历资料齐全者。
1.3.2 排除标准 ①严重凝血功能障碍者；②术前抗凝治疗以及合并出血性疾病者；③恶性疾病和肿瘤患者。
1.4 方法
1.4.1 预测变量收集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(分为全身、腰部和联合麻醉)、手术时长、手术方式(单侧、双侧和翻修)、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、术前肌酐水平升高> 17.7 μmol/L、有无使用胰岛素和输血情况。
1.4.2 机器学习模型构建与评价文章采用7种不同的机器学习方法用于构建预测模型，采用10倍交叉验证法验证数据[13]，此法通过将数据集数据划分为10份，分配到10个独立的文件夹中；在10个数据中，保留1份用于验证模型，其他9份数据训练数据用于构建训练集。然后，将交叉验证过程重复10次，在10次验证中的每1次仅被用作验证1次。随后取10次结果的平均值，以得出1个估计值。10倍交叉验证法的优点是，所有数据都被用于训练集和验证集，每份数据集被分成的独立验证。
使用逻辑回归、多元自适应回归、K近邻、支持向量机、随机森林、极限梯度提算法和人工神经网络7种机器学习构建算法模型，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)、正确率、灵敏度、特异度、精度和平衡F分数，最后绘制ROC曲线。AUC值是ROC曲线下的面积，AUC用于评估模型判别能力和性能，AUC可衡量相对等级个体风险排列顺序(即：在具有较高预测风险的人群中观察到的发生率较高)，当AUC值差距小于0.05时结合其他指标进行评价[14]。使用Garson算法构建神经网络中与住院时长的相关预测变量的重要性[15]。
1.5 主要观察指标影响全膝关节置换患者住院时长的相关因素指标。
1.6 统计学分析计量资料以x±s表示，数据符合正态分布，组间比较采用独立样本t检验，计数资料用百分比表示，采用卡方检验分析组间差异，P < 0.05差异有显著性意义。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。逻辑回归分析和多元自适应回归的构建适用MASS包中的glm和earth函数完成、K近邻法和支持向量机分别使用class包和e1071包完成，随机森林检测使用randomForest包完成，极限梯度提升使用极限梯度提升包完成，神经网络模型的构建与进一步分析通过lime、NeuralNetTools和caret包完成。

讨论

文章通过临床数据构建用于预测全膝关节置换后住院时长的机器学习模型，可用于预测全膝关节置换患者住院时长延长的相关风险。结合患者基本信息、疾病史和实验室检查等指标，使用逻辑回归、多元自适应回归、K近邻、支持向量机、随机森林、极限梯度提算法和人工神经网络7种算法构建预测模型，建立能够辅助临床医生预测全膝关节置换患者住院时长的模型，这有助于提高医院病床利用率和更好地规划住院时长从而减少社会医疗费用[17]。
机器学习作为人工智能研究中的新方法，它可以通过定义数据属性，借助临床数据和计算算法来预测各种结果[18]。机器学习通过构建不同的算法进行评估比较，提高预测临床结局指标的效能。机器学习算法除了传统的逻辑回归、决策树，还有在此基础上延伸出的K近邻、支持向量机、随机森林、极限梯度提算法、人工神经网络和深度学习等[11]。随着计算机的普及和大型临床数据集的出现，机器学习作为人工智能的一种形式，开始被用于临床中辅助医疗决策。神经网络是在神经元与离散层的相互连接(深度模型)、连接和允许学习的数据传播的基础上设计的[19]。而由于人工网络属于难以解释“黑匣子”模型，它们的实用性受到了限制，但这种动态算法与临床决策模式接近，因此对于提高临床决策能力具有重要意义。而通过Garson算法，可以帮助临床医生更好地了解人工神经网络的基本功能。而在文章中，作者通过lime包的代码完成了个体患者因素的计量，通过对指定患者的计算，获得与该患者相关的特征变量，这将有助于指导临床决策。而相较于传统逻辑回顾和列线图需要输入者对计数数据分层和分类，文章的方法可以对直接输入计数数据，由模型进行计算，直接获得具有特征意义的分类数值。如图4中将患者分为66岁<年龄≤72岁和年龄> 72岁，通过具体的数值数据，更好地为临床决策提供帮助。
XIAO等[20]采用逻辑回归、弹性网络、岭回归、支持向量机、随机森林、极限梯度提升、神经网络和k近邻等算法，通过纳入患者的基本信息和实验室检查，建立预测模型用于预测慢性肾衰竭疾病的进展，结果显示线性模型表现最佳，同时指出在门诊随访期间，血液检测可作为非尿液预测指标。此外，有一项最近的研究基于患者基本信息与疾病史，通过神经网络构建预测模型用于预测全膝关节置换患者的住院时长和住院费用[21]，但该研究未进行不同模型之间的比较，存在一定局限性，不能有效评价神经网络的效能，同时此研究未能进一步分析神经网络模型以寻求可能影响住院时长的相关因素，对临床的指导有限。而作者发现人工神经网络在7个机器学习模型中表现最佳，这可能是由纳入相关因素的不同所致；同时文章通过Garson算法，打开神经网络的黑匣子，明确手术时长、年龄和心衰病史等因素在全膝关节置换患者住院时长延长的重要性，为人工神经网络用于个性化预测提供了依据。
ABDULLAH等 [6]的研究认为术前血红蛋白、住院期间多次手术、脑血管疾病史、麻醉方式都可导致住院时间的延长，其中，他明确指出输血的数量与住院时长呈正相关。一篇来自香港的临床研究则认为年龄、麻醉评分、手术方式、输血和术后需要重症监护与住院时间延长有关[22]。而SONG等[23]发现患者的年龄、麻醉评分、神经系统合并症、手术时长及术中失血量都是导致住院时间延长的因素。但这些研究的结果与此文章存在差异，上述研究均通过逻辑回归进行多因素分析，选取高风险的因素作为预测住院时长的因素。而文章中使用逻辑模型与神经网络比较，发现神经网络的预测效能相较于逻辑回归分析更佳。随后对神经网络模型进一步分解，获得影响模型预测效能的权重因素，这些因素的权重与上述研究不同。人工神经网络模型发现手术时长、年龄与住院时间延长密切相关，较其他预测变量更重要，而心力衰竭病史、心血管疾病、缺血性心脏病、手术方式、血红蛋白、输血情况和胰岛素使用情况也存在相关性。传统逻辑回归算法认为输血和麻醉评分会影响住院时长，而神经网络可以帮助作者从多维角度理解这些影响。因此，在临床工作中，在保证手术质量的同时，缩短手术时间，减少患者的隐形失血量，有利于患者早期康复和缩短住院时长。而接受到高龄与有心脏既往病史患者时，应该通过绿色通道，迅速进行多科会诊，明确患者既往病史情况，积极处理，为围术期的管理提供坚实的基础；还可以通过个性化预
测，为围术期的麻醉管理，术中处理提供针对性指导。同时，图5可以对患者进行个性化预测，相较于基于逻辑回归算法构建的列线图，人工神经网络更能体现人工智能对个体的个体化预测，提高临床工作者对单个患者病情的理解，做出个性化的判断与决策。
另外，文章比较了逻辑回归分析、多元自适应回归、K近邻法、支持向量机、随机森林、极限梯度提升和人工神经网络 7种机器学习算法构建预测模型的各项评价指标[24-25]。在验证集上，人工神经网络的AUC值可达0.903，其正确率、灵敏度、特异度、精度和平衡F分数均表现较好且差异很小，同时逻辑回归分析、多元自适应回归的AUC值均大于0.77，但其在精度和平衡F分数上的表现较人工神经网络差，剩余其他模型的AUC值在0.6附近波动，这说明逻辑回归分析、多元自适应回归在全膝关节置换患者住院时长的预测中有较大潜力，但差于人工神经网络的预测能力。从预测效果来看，人工神经网络算法的预测效果优于其他算法。而此前关于全膝关节置换患者住院时长的研究大多采用传统的逻辑回归分析方法[26]，虽然逻辑回归法被广泛用于临床疾病的风险评估并容易被临床工作者理解，但也存在一些不足，比如分类精度不高，容易出现欠拟合的情况，预测效能受到数据的缺失影响等[27-28]。而根据文章的结果，作者发现相较于传统的统计学方法，基于人工神经网络的预测模型可更好地预测全膝关节置换患者住院时长[29]。
文章尚存在不足之处，如文章为回顾性研究，所使用的数据来自于一家医院的单中心临床数据，可能存在治疗策略、种族等差异。因此，需要更多来源于其他中心的数据用于调高模型的预测性能。文章中可能还存在一些未纳入的影响因素，如患者收入情况、医疗费用和医疗保险情况等主观因素，未纳入的潜在因素也可能对结果有一定影响。
总之，随着作者对机器学习的理解的发展，机器学习未来会在临床决策中获得普及，人工神经网络预测模型在全膝关节置换后住院时长的预测效能相较于传统逻辑高，值得被进一步推广到其他学科的临床诊断和风险评估中，为医院风险管理提供新的方法和思路，有利于作者提高诊疗效率和精度，同时可以节约医疗支。
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住院时长

Prediction algorithm of hospitalization duration after total knee arthroplasty based on machine learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 9

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]	孙可欣, 曾今实, 李佳, 蒋海越, 刘霞. 力学刺激提高生物3D打印软骨构建物基质的形成[J]. 中国组织工程研究, 2023, 27(在线): 1-7.
[2]	钟毅征, 黄培镇, 蔡群斌, 郑利钦, 何兴鹏, 董航. 影响骨小梁微有限元模型最大应力的骨微结构指标[J]. 中国组织工程研究, 2023, 27(9): 1313-1318.
[3]	李晓敏, 田向东 , 谭冶彤 , 朱光宇 , 王荣田 , 王剑 , 薛志鹏, 马晟, 胡元一, 黄叶, 丁天送. 骨质疏松性内侧室膝骨关节炎胫骨高位截骨后下肢力线及膝关节功能的变化[J]. 中国组织工程研究, 2023, 27(9): 1325-1329.
[4]	吴韬光, 聂少波, 陈华, 朱正国, 祁麟, 唐佩福. 新型多维交叉锁定钢板固定股骨转子下骨不连的生物力学特征[J]. 中国组织工程研究, 2023, 27(9): 1330-1334.
[5]	唐辉宇, 侯彪, 夏晓丹, 向伟, 谢松林. 机械牵张应力对兔肢体截骨后动脉血管的影响[J]. 中国组织工程研究, 2023, 27(9): 1422-1426.
[6]	彭志鑫, 闫文刚, 王坤, 张振江. 3D打印前臂外固定支具的有限元分析与结构优化设计[J]. 中国组织工程研究, 2023, 27(9): 1340-1345.
[7]	吴天亮, 陶秀霞, 徐宏光. 三维有限元法分析不同骨密度对单纯斜外侧腰椎椎间融合后融合器下沉的影响[J]. 中国组织工程研究, 2023, 27(9): 1352-1358.
[8]	和雨洁, 康志杰, 薛明明, 金凤, 李志军, 王星, 许阳阳, 高明杰, 李佳伟, 李筱贺, 王海燕. 青少年胸椎经关节螺钉固定的有限元分析[J]. 中国组织工程研究, 2023, 27(9): 1365-1370.
[9]	温星花, 丁焕文, 成凯, 闫晓楠, 彭元昊, 王宇宁, 刘康, 张挥武. 比格犬股骨大段骨缺损髓内钉固定方案设计的三维有限元建模分析[J]. 中国组织工程研究, 2023, 27(9): 1371-1376.
[10]	可雨奇, 陈长健, 吴浩, 郑连杰. 改良直接前方入路与直接前方入路初次全髋关节置换者12个月随访结果比较[J]. 中国组织工程研究, 2023, 27(9): 1377-1382.
[11]	张立创, 高华利, 王竞超, 林惠君, 吴崇桂, 马迎辉, 黄云霏, 方雪, 翟伟韬. 筋骨并重理筋手法干预全膝关节置换后患者股四头肌功能的加速康复[J]. 中国组织工程研究, 2023, 27(9): 1383-1389.
[12]	郑宏瑞, 张文杰, 王云华, 何斌, 沈亚骏, 范磊. 股骨颈动力交叉钉系统联合富血小板血浆治疗股骨颈骨折[J]. 中国组织工程研究, 2023, 27(9): 1390-1395.
[13]	杜雪婷, 张晓东, 陈焱君, 王梅, 陈武标, 黄文华. 压缩感知技术在踝关节2D MR成像中的应用[J]. 中国组织工程研究, 2023, 27(9): 1396-1402.
[14]	郑博, 张秀莉, 周浩, 何泽壁, 周进, 周维云, 李鹏. 关节镜辅助下锁定空心螺钉固定与切开复位钢板内固定治疗Schatzker Ⅱ-Ⅲ型胫骨平台骨折的早期CT评价[J]. 中国组织工程研究, 2023, 27(9): 1410-1416.
[15]	李超, 张佩佩, 徐朦婷, 李琳琳, 丁江涛, 刘西花, 毕鸿雁. 肌骨超声评价呼吸训练改善慢性非特异性下背痛患者多裂肌的形态学改变[J]. 中国组织工程研究, 2023, 27(9): 1417-1421.