探索数据驱动的聚类方法揭示新生儿术后体温纵向模式的预后价值

本研究针对先天性心脏病（CHD）新生儿体外循环（CPB）术后体温管理难题，创新性地采用群体轨迹模型（GBTM）、自组织映射（SOM）和k-means聚类三种无监督机器学习方法，对450例患儿48小时体温轨迹进行模式识别。研究发现持续性低体温组术后并发症风险显著增高（GBTM模型OR=2.8，SOM模型OR=2.3），证实了体温轨迹模式的临床预测价值，为智能决策支持系统（IDSS）开发提供了关键证据。

　　

在当今医疗技术飞速发展的时代，临床工作者面临着海量患者数据的处理挑战。特别是对于接受体外循环（CPB）手术的先天性心脏病（CHD）新生儿群体，术后体温管理一直是个棘手的临床问题。这些脆弱的小患者由于体温调节中枢发育不完善，加上手术创伤、麻醉影响和环境暴露等因素，极易出现术后低体温（定义为体温<36.5°C）。然而，传统的单点体温监测往往无法捕捉体温变化的动态轨迹，医护人员难以识别那些具有潜在风险的体温模式。

更令人担忧的是，持续性低体温可能与一系列严重术后并发症相关，包括心脏骤停、延迟拔管、延长重症监护室停留时间，甚至增加死亡率。但迄今为止，临床缺乏有效的方法来识别高危患儿，也无法确定体温模式的预后价值。正是在这样的背景下，研究团队开始探索如何利用先进的机器学习技术，从海量电子健康记录（EHR）数据中挖掘有价值的临床信息。

为了破解这一难题，研究团队开展了一项创新性研究，成果发表在《Mayo Clinic Proceedings: Digital Health》上。研究人员从一家独立的儿童转诊中心的CardioAccess数据登记处获取了2015-2019年间接受CPB手术的450例≥34孕周CHD新生儿的数据。他们采用了三种不同的无监督机器学习方法——群体轨迹模型（GBTM）、自组织映射（SOM）和k-means聚类，对这些患儿术后48小时的体温测量数据进行了深入分析。

研究团队运用了多种关键技术方法：首先通过线性插值和外推法处理缺失的体温数据，确保48小时时间序列的完整性；然后采用GBTM这一参数化方法识别随时间发展的体温模式；同时使用基于人工神经网络的自组织映射（SOM）进行数据可视化和特征提取；还应用了结合动态时间规整（Dynamic Time Warping）算法的k-means聚类方法进行时间序列相似性分析。最后通过多变量逻辑回归模型评估不同体温轨迹组与术后并发症的关联性。

SOM温度组分配

研究人员通过SOM分析成功识别出三种截然不同的体温轨迹模式。第一组包括49名（11%）患儿，表现为到达心脏ICU时体温较低，并在48小时观察期间持续低于36.5°C（持续性低体温）。第二组包含227名（50%）患儿，到达时体温较低但低体温在术后早期恢复过程中逐渐缓解（缓解性低体温）。第三组有174名（39%）患儿，到达时体温正常并在整个研究期间保持正常体温（正常体温）。

SOM组分配与临床特征和并发症的关联

调整后的多变量二元逻辑回归分析显示，与正常体温组相比，SOM G1组分配是术后心脏骤停、延迟首次成功拔管、心脏ICU停留时间延长、体重增长极差和30天死亡率的独立显著预测因子。持续性低体温组患儿发生复合并发症的几率也显著更高（OR=2.3），但出血和心律失常风险未见显著增加。

事后分析

事后敏感性分析证实，添加缓解性低体温组并未改变持续性低体温组与并发症的显著关联。

K-means温度聚类分配

K-means聚类同样识别出三种体温轨迹模式，但在组别分配上与SOM和GBTM存在差异。第一组40名（9%）患儿表现为持续性低体温，第二组147名（33%）为缓解性低体温，第三组263名（58%）为正常体温。

K-means聚类分配与临床特征和并发症的关联

分析显示k-means G1和G2组都是术后心脏骤停、延迟首次成功拔管和30天死亡率的独立预测因子。G2组还与体重增长极差风险增加显著相关。然而，与SOM和GBTM结果不同，k-means分组未能预测严重出血、复合并发症等 outcomes。

McNemar和Kappa检验结果

统计检验表明GBTM与SOM分组具有高度一致性（kappa=0.92），而与k-means分组仅存在弱到中度一致性（kappa=0.41）。这表明GBTM和SOM在识别体温模式方面表现相似，而k-means的结果则有较大差异。

研究结论与讨论部分强调了这项研究的重要发现和临床意义。研究发现GBTM和SOM在分组分配上表现出强烈的一致性，而这两种方法与k-means的一致性较弱。特别重要的是，SOM确定的持续性低体温组患儿在多种严重术后并发症方面都表现出显著更高的风险，这一发现与之前使用GBTM的研究结果高度吻合。

这种一致性具有重要的方法论意义，因为GBTM是一种参数方法，而SOM源于人工神经网络，两种方法在方法论上存在本质差异，却能得出相似结论，强有力地证明了研究中发现的体温模式确实反映了真实的临床现象，而非偶然结果。

相比之下，k-means聚类将并发症患儿分散在缓解性低体温和持续性低体温两组中，未能像GBTM和SOM那样将持续性低体温患儿集中在一个组内。这可能是因为SOM和GBTM更擅长处理复杂的高维数据，特别是SOM能够在保持数据初始结构的前提下将高维数据可视化到低维空间。

这项研究的发现为临床实践提供了重要启示。研究表明，轻度至中度的低体温如果持续较长时间，与CHD新生儿术后并发症风险增加显著相关。这提示我们，体温管理的目标不应仅限于防止低体温的发生，还应关注低体温的持续时间和深度。未来对低体温的定义可能会从基于共识转向数据驱动，同时考虑最低值和持续时间两个维度。

该研究还展示了团队科学方法在机器学习研究中的价值。临床医生和数据科学家的紧密合作确保了选择最适合临床数据集的机器学习算法，避免了因方法选择不当而导致的数据错误解释和临床误判。

研究的局限性包括仅使用种族变量而未考虑社会经济和结构性因素，未来研究应纳入更有意义的变量如保险类型、Yost指数或经过验证的社区贫困指数。此外，增加临床研究中心数量以扩大样本多样性和代表性也是未来研究方向。

总之，这项研究通过多种数据驱动的聚类/分组方法，证实了持续性低体温的深度和持续时间与CHD新生儿术后并发症的显著关联。评估多种机器学习聚类方法有助于识别经过不同技术证实的临床有意义集群。该研究的发现可能指出了一个新关注领域：通过预防持续性低体温来降低术后并发症发生率。这项研究凸显了意外术后低体温的深度和持续时间对CHD新生儿预后的重要影响，为开发智能决策支持系统和改善临床预后提供了科学依据。