心率动态可预测麻醉深度：一种简洁的机器学习模型

《British Journal of Anaesthesia》：Heart rate dynamics predict anaesthetic depth: a compact machine learning model

心率动力学特征可有效预测麻醉深度不足事件，通过分析3338例手术患者ECG数据，构建梯度提升模型并优化特征子集，27个关键特征显著提升监测效率，AUC值稳定在0.90以上。

　　

李一倩|钟毅晓|罗梦强|宋坤

复旦大学华山医院神经外科，国家神经疾病中心，上海，中国

背景

准确监测麻醉深度对患者安全至关重要。尽管处理后的脑电图监测被广泛使用，但并不总是能够获得。本研究旨在通过分析心率（HR）动态来预测麻醉不足的情况，定义为双频指数（BIS）值>60。

方法

分析了3338名手术患者的心电图数据。识别出BIS>60的事件，并提取了这些事件发生前0分钟、5分钟、10分钟和15分钟的心率数据段。使用高度比较的时间序列分析框架提取时间序列特征。通过嵌套的10折交叉验证训练和评估了梯度提升模型。采用特征降维程序来识别一个简洁的特征子集。

结果

所有模型都表现出强大的区分能力，在0分钟时的接收者操作特征曲线下面积值为0.953（95%置信区间：0.949–0.958），在5分钟时为0.917（0.909–0.925），在10分钟时为0.910（0.905–0.916），在15分钟时为0.903（0.894–0.912）。一个包含27个特征的简洁模型在所有时间点上都保持了高性能，同时计算速度提高了110倍。这些特征主要捕捉了心率动态的分形特性。

结论

高维的心率动态描述符能够准确预测BIS>60的事件。通过识别一个包含27个特征的简洁子集，这种方法显示出作为临床可行且计算效率高的麻醉深度监测工具的潜力。

部分摘录

数据来源

生理波形数据来自公开可用的VitalDB数据库，²⁷其中包含了2016年6月至2017年8月期间在韩国首尔国立大学医院接受非心脏手术的6388名患者的术中生物信号记录。数据收集获得了首尔国立大学医院机构审查委员会的批准（IRB编号H-1408-101-605），并注册在http://clinicaltrials.gov/ct2/show/NCT02914444。

参与者和数据集

在VitalDB数据集中的6388名患者中，经过依次排除非全身麻醉（n=345）、BIS/ECG信号长度不足（<30分钟；n=1538）以及心率序列中持续存在伪迹（n=1167）后，最终有3338名手术患者被纳入分析（见补充图1）。平均年龄为56.8岁（范围6.0–90.0岁），其中51.1%为女性。共有1625名（48.7%）患者接受了联合麻醉，1612名（48.3%）接受了TIVA麻醉，101名（3.0%）接受了吸入麻醉。

讨论

我们探讨了常规可用的生理信号在评估麻醉深度方面的潜力。我们的研究结果表明，从心率动态中提取的可解释特征可以可靠地预测BIS>60的事件，提供了一种无创且易于获取的麻醉深度监测方法。

先前的研究已经证明，一些心率变异性（HRV）指标，如高频功率、³⁵连续RR间期差异的均方根、³⁶RR间期的标准差等，

作者贡献

概念构思和监督：KSMQL, LYQ

数据分析：LYQ, ZYX

手稿撰写：KS, LYQ, ZYX

计算服务器基础设施的设置和维护：LYQ, ZYX

资助

国家自然科学基金（M.Q.L.获得82371286元，KS获得82301642元）；中国博士后创新人才支持计划（BX20230088给KS）；中国博士后科学基金（2023M730666给KS）。

利益声明

作者声明没有利益冲突。

致谢

我们感谢首尔国立大学的Chul-Woo Jung和Hyung-Chul Lee使VitalDB数据库能够免费使用，这使得本研究成为可能。同时感谢Editage（www.editage.com）在手稿准备方面提供的支持。