基于机器学习的手指光电容积脉搏波监测透析中血流动力学变化的探索性研究

《Renal Replacement Therapy》：Investigating the usefulness of finger plethysmography for monitoring hemodynamic changes during dialysis therapy: a pre- and post-dialysis comparative study using machine learning

本研究针对透析治疗中异常血流动力学变化威胁患者安全的问题，开展了一项探索性研究，利用手指光电容积脉搏波(FPG)结合弹性网机器学习模型，非侵入性监测透析相关状态变化。结果表明，基于FPG特征训练的模型能有效区分透析开始与透析中状态(AUC=0.83)，其中波高比d/a和Lyapunov指数等特征贡献显著。这为开发无创、客观的血流动力学监测技术提供了新思路，对提升透析治疗安全性具有重要意义。

　　

慢性肾脏病(CKD)影响着全球超过7.5亿人，透析治疗是终末期肾病患者维持生命的关键手段。然而，透析过程中常出现威胁生命的异常血流动力学变化，如低血压，增加了急性冠脉综合征的风险。护理人员需要具备持续观察和评估患者状态的技能，但传统监测方法如心电图(ECG)价格昂贵，电极长时间佩戴会给患者带来压力。近年来，光电容积脉搏波(PPG)测量技术因其廉价、简便而受到关注，特别是手指光电容积脉搏波(FPG)，其设备仅需佩戴在有限区域，能最大限度减少身体压力并实现长期测量。

为了验证FPG能否作为一种新的测量技术来区分与透析相关的血流动力学变化，研究人员开展了一项探索性试点研究。他们假设，通过分析从参与者FPG计算出的生物特征信息，或许能够区分透析治疗引起的血流动力学变化。这项研究旨在验证一种经过FPG计算的生物特征信息训练的机器学习模型，能否准确区分透析开始和透析治疗期间的患者状态变化。主要假设是，这样的模型可以作为一种新的、无创的测量技术，用于检测与透析相关的血流动力学变化。

研究人员在日本龟田综合医院进行了一项观察性研究，纳入了18名接受慢性维持性透析的参与者。FPG使用Bacs Advance设备记录，传感器信号以1 kHz采样。在透析开始和开始后1小时分别测量3分钟的FPG、血压和脉搏。将测量数据划分为60秒片段，每个片段视为一个样本，并标记为“透析前”或“透析中”。从FPG数据中计算出多项指标用于分析，包括加速度脉搏波的波高比（b/a, c/a, d/a, e/a）、脉搏率(PR)、脉搏间隔(a-a间隔)、心率变异性(HRV)指标（如RMSSD、LF、HF、LF/HF）以及混沌指标（Lyapunov指数和熵）。使用弹性网机器学习模型对这些特征进行训练，以区分透析开始和透析中的状态，并通过精确度、召回率、F1分数、准确率和AUC等指标评估模型性能。

生物特征变化

比较透析开始和透析期间的两组数据发现，有八个生物特征参数存在统计学显著差异(p < 0.05)：d/a比(p=0.014)、PR(p<0.001)、LF(p=0.010)、LF/HF(p=0.02)、Lyapunov指数(p=0.008)、熵(p=0.023)、收缩压(p<0.001)和舒张压(p=0.023)。

3.0倍IQR的值。对这些异常值的审查未发现测量伪影的证据，因此保留它们以代表分析中生理反应的真实范围。'>

分类模型的准确性

使用所有变量作为特征的优化弹性网模型的分类性能如下：精确度88%，召回率64%，F1分数74%，准确率77%，AUC为83%。

各特征对预测的影响程度

在区分透析开始和透析中的模型中，d/a比是正向影响最大的特征，而c/a比是负向影响最大的特征。回归系数≥1且产生正向影响的特征是d/a比和Lyapunov指数。回归系数≤-1且产生负向影响的特征是c/a、e/a和b/a比。

本研究测试了机器学习模型学习从透析开始和透析期间测量的FPG计算出的生物特征信息，并对相关变化进行分类的准确性。使用所有变量作为特征的机器学习模型在精确度、F1分数、准确率和AUC方面得分更高。本研究中机器学习模型的AUC为83%，因此可以评估该模型的准确性相当于“中等准确性”。这表明，从FPG计算出的特征可以被训练到机器学习模型（弹性网）中，以中等准确性对与透析治疗相关的血流动力学变化进行分类。此外，本研究结果提示，使用FPG的机器学习模型可以作为一种观察血液透析治疗相关状态变化的优秀方法，因为它通过将加速度脉搏波的波高比和混沌指数添加到分析中，能够更准确地评估与透析治疗相关的生理变化。

关于各特征在区分透析开始和透析期间状态的影响，所有HRV指数都在回归系数1到-1的范围内，这可以解释为对分类的影响较小。相反，所有波高比的回归系数≥1或≤-1，这可能表明，作为分类透析开始和透析期间状态变化的特征，脉搏波高比比HRV指数更具影响力。透析开始和透析期间波高比的比较显示d/a比存在统计学差异。相反，b/a、c/a和e/a比未获得统计学差异。本研究揭示了那些未识别出统计学显著差异的波高比，可能会影响使用机器学习模型对透析开始和透析期间状态的分类。然而，需要验证在使用其他机器学习模型进行训练时，该变量是否能以类似的方式影响分类。从FPG计算出的波高比与透析产生的血流动力学变化之间的关系尚未得到研究。因此，未来的工作应侧重于波高比与透析患者相关血流动力学变化之间的关系。

本研究中的混沌指标是最大Lyapunov指数和熵。最大Lyapunov指数是作为混沌指标的轨道不稳定性的动态定量度量。轨道不稳定性是测量数据的波动，在透析治疗中，它反映了参与者发生的状态变化；如果生物体是混沌的，则最大Lyapunov指数为正。在本研究中，可以解释为由于透析治疗导致参与者循环动力学的复杂变化而产生了混沌。混沌和最大Lyapunov指数被建议作为分类参与者透析治疗相关变化的可能指标。熵从“透析开始”到“透析中”呈下降趋势(p<0.005)。先前的研究表明，熵在心理应激条件下较低。在本研究中，熵在透析期间显著降低，表明透析治疗给参与者带来了压力，并在生理上将参与者的静息状态改变为应激状态。相反，本研究中机器学习模型的熵回归系数很小，为-0.16，这可以解释为对状态判别影响较小的变量。

本研究存在一些局限性。首先，作为一项探索性试点研究，样本量(n=18)较小，限制了研究结果的普适性。其次，该模型未在来自不同队列或机构的外部数据集上进行验证，这是确认其鲁棒性的必要下一步。第三，未考虑潜在的混杂变量，如特定的透析条件（例如超滤率）、患者合并症（例如糖尿病、心脏病）或药物，这些因素可能影响血流动力学反应。此外，本研究未探讨透析治疗期间脱水速率和体积的影响。因此，未来的挑战是验证与这些设置和其他因素的相关性以改进模型。最后，关于混沌指标本身存在方法学上的考虑。Lyapunov指数和熵绝对值的临床解释尚未标准化。此外，它们的主要效用在于评估参与者内部或组间的相对变化，类似于本研究。

总之，本研究提出了使用经过FPG数据训练的机器学习模型来监测透析期间血流动力学变化的可行性。一个关键发现是，弹性网模型能够以中等准确性(AUC为0.83)对患者状态（透析开始组与透析中组）进行分类，其中FPG衍生的波高比是最具影响力的特征。这些结果表明，经过FPG衍生特征训练的机器学习模型为无创、客观地观察透析期间血流动力学变化提供了一种有前景的新技术。然而，考虑到小样本量(n=18)和参与者变异性，这些初步发现需要在更大规模的研究中进行验证以确定其普适性。这表明FPG作为无创、客观且潜在成本效益高的工具，在未来有助于提高透析治疗期间的患者安全和监测水平。