ORIGINAL ARTICLES

【论著】

本研究收集2019年1月至2020年6月于北京世纪坛医院行腹腔热灌注化疗术（HIPEC）的298例患者术中情况并整理，探究与患者术后肺部并发症（PPC）发生有关的特征变量，并建立预测模型。

1 资料与方法

1.1　研究对象

选择行肿瘤细胞减灭术（CRS）+HIPEC的患者共计298例。纳入标准：男女不限，已由外科确诊为腹膜癌，美国麻醉医师协会（ASA）分级Ⅰ~Ⅲ级，无严重的心脑血管疾病或病情尚可用药物稳定控制，术前胸部X线片未提示慢性支气管炎、肺炎、胸腔积液、肺气肿等肺部改变，肺功能正常，无严重肝肾功能疾病、凝血功能障碍，术中使用Vigileo监测血流动力学并且以每搏变异度（SVV）值为参考行目标导向液体治疗（GDFT），无神经系统疾病。排除标准：术中因出血致血红蛋白<70 g/L、过敏性休克或因突发事件进行抢救，围手术期出现用药物无法纠正的循环波动（血压波动幅度超过基础血压的30%，心率<50 次/min，术后转入重症监护治疗病房的患者）。根据患者术后有无PPC将患者分为两组，PPC组（106例）和非PPC组（192例）。

1.2　数据收集

收集患者病历资料并进行分析，采集的内容包括患者术前一般情况、既往病史、手术麻醉中的相关资料，根据患者术后1周内的影像学资料来判断患者术后是否出现PPC。

1.3　诊断标准

PPC的诊断标准参照PPC的广泛标准进行诊断：患者手术后出现的肺不张、胸腔积液、肺部感染、肺水肿和急性呼吸功能不全等。

1.4　观察指标

记录患者性别、年龄、ASA分级、手术时间、术中总入量、术中总出量、出血量、尿量、胶体液输注量、晶体液输注量、自体血回输量、红细胞输注量、血浆输注量、围手术期进行GDFT时参考的SVV值（SVV值由麻醉诱导时、手术开始时、热灌注开始时、热灌注结束时和手术结束时的5个时间点计算平均值得出）等围手术期信息。采用逐步回归分析筛选PPC的特征变量并建立随机森林预测模型，计算随机森林预测模型的袋外误差率，分别在训练集和测试集上计算混淆矩阵及参数［包括准确度（说明模型整体预测能力）、Kappa值（说明模型整体预测能力的一致性）、灵敏度和特异度（说明模型整体的区分度）、精准度、召回率和F1‑Score（说明模型对于阳性结果的预测能力）］，绘制受试者操作特征曲线（ROC曲线）［并计算曲线下面积（AUC）及95%置信区间（CI）］、校准曲线，绘制自变量排序图和各特征变量的偏依赖图。

2 结 果

2.1　患者围手术期信息比较

本研究共纳入患者304例，因术后送入重症监护治疗病房6例，最终纳入298例，PPC组106例，非PPC组192例。与非PPC组比较，PPC组的手术时间较长（P<0.05），术中总入量、术中总出量、出血量、胶体液输注量、尿量和红细胞输注量均较多（均P<0.05），围手术期进行GDFT时参考的SVV值较低，差异有统计学意义（P<0.05）。见表1。

2.2　训练集和测试集上混淆矩阵及参数、ROC曲线、校准曲线结果

随机森林预测模型的袋外误差率为1.400%。训练集准确度1.000，测试集准确度0.952，说明模型整体预测准确性高。Kappa值训练集1.000，测试集为0.894，说明模型整体预测能力的一致性高。训练集的灵敏度为1.000，特异度为1.000，测试集的灵敏度为0.871，特异度为1.000，说明模型的整体区分度较好。训练集的精准度为1.000，召回率为1.000，F1‑Score为1.000，测试集的精准度为1.000，召回率为0.871，F1‑Score为0.931，说明模型对于阳性结果（PPC结局）的预测能力高。见表2、图1。

2.3　自变量排序图和特征变量偏依赖图

逐步回归分析显示手术时间、出血量、红细胞输注量和围手术期进行GDFT时参考的SVV值为PPC的特征变量（P<0.05）。从自变量排序图可以看出特征变量对PPC的贡献程度（对PPC影响大小排序）为：围手术期进行GDFT时参考的SVV值>手术时间>出血量>红细胞输注量。偏依赖图可以看出每个特征变量对PPC的影响及PPC随特征变量的变化趋势：PPC基本随手术时间增加波动上升；当出血量<1 000 ml时，PPC波动改变，上升不明显，当出血量>1 000 ml时，PPC概率明显上升；红细胞输注量>1 000 ml时，PPC上升明显；围手术期进行GDFT时参考的SVV值与PPC变化呈负相关。见图3

3 讨 论

本研究收集首都医科大学附属北京世纪坛医院行CRS+HIPEC患者的围手术期信息，筛选出与PPC相关的特征变量。

研究统计方法采取R语言建立预测模型，进而实现了模型内外部的建立、验证。其中，随机森林预测模型本质上属于机器学习的一大分支——集成学习，是一种特殊的bagging方法，是将许多棵决策树整合成森林并用来预测最终结果的模型。其特点是具有优秀的准确度、有效地运行大数据集、处理高维特征的输入样本、提供特征的重要性、获取内部生成误差的无偏估计、平衡不均衡的资料误差和有效处理共线性问题。而ROC可以很直观、形象地呈现出模型的区分度，同时机器学习中的混淆矩阵也能够高效地帮助分析二分类问题的灵敏度、特异度、阳性预测值和阴性预测值的误分情况，综合评价预测模型的优劣。

通过上述方法，本研究最后筛选出影响术后PPC的特征变量即手术时间、出血量、红细胞输注量和围手术期进行GDFT时参考的SVV值，并且构建了随机森林预测模型，经检验模型具有良好的区分度与准确度，能很好地运用于CRS+HIPEC患者PPC的预测。

本研究入组患者PPC发生率约为34.87%，与前述文献相符。部分PPC有自限性，患者可能无主观临床症状，但是进行手术前后胸部X线片对比，患者可能出现肺部感染、肺不张、胸腔积液等变化。

手术时间长将增加机体应激的时间，增加机体炎症介质的产生，机械通气的时间也随之增加。本研究偏依赖图结果显示，随着手术时间增加，PPC发生率整体上呈上升趋势。

从本研究偏依赖图可以看出，当出血量<1 000 ml时，PPC发生率并未出现升高。笔者认为，一定范围内的出血使血液稀释，通过机体的自身调节，并且在有机械通气支持的情况下，并不会造成机体缺氧和较大的应激，这与前述研究结果一致，过多的出血导致机体应激反应增强，炎症介质堆积增多，进而加速肺部的损伤。

同时本研究偏依赖图结果表明，红细胞输注量与PPC发生率也不呈线性关系。当一次红细胞输血量在1 000 ml~1 500 ml时，PPC发生率降低。在热灌注期间，患者体温上升，各器官的代谢增加，机体氧耗量增加。适当增加红细胞的含量可以提高患者血液的携氧能力，改善患者肺部的氧合，减少对肺部的损伤。当红细胞输注量>1 500 ml时，PPC发生率反而呈增加趋势。本研究排除了因出血致血红蛋白<70 g/L、需大量红细胞输注的患者，尚不能全面预测红细胞输注量和PPC的关系，只能单独说明少量红细胞输注在改善氧合上可能起到一定的作用。故红细胞输注对PPC发生率的影响需进行深入实验探究。

SVV取值目前推荐为3%~13%，在此范围内提示机体灌注足够，但不同液体负荷对PPC发生率的影响尚不明确。本研究特征变量排序图显示，围手术期进行GDFT时参考的SVV值对PPC发生率有较大影响，偏依赖图可看出不同围手术期进行GDFT时参考的SVV值对PPC发生率的影响不同，目前尚无兼顾呼吸及循环系统的最佳SVV推荐值。同时，本研究结果表明，基于影响PPC的特征变量即手术时间、出血量、红细胞输注量和围手术期进行GDFT时参考的SVV值构建的随机森林预测模型具有良好的区分度与准确度，能很好地运用于行CRS+HIPEC患者PPC的预测。

受手术开展时条件限制，本研究仅从术中的出入量及液体管理角度考虑与PPC的关系，未将下列因素纳入其中：① 手术创伤应激导致的肺部损伤（肿瘤减灭术创伤大，切除范围广，术中造成集体应激反应大，炎症介质的产生可能导致肺部损伤）；② 本研究中患者全麻后均采用机械通气模式（潮气量6~10 ml/kg，呼吸频率12~20 次/min，根据呼气末二氧化碳分压调整参数)，无法排除机械通气对肺部损伤的影响大小，且纳入的病历未采取肺通气保护策略。针对以上不足及猜测，需要进一步扩大样本行随机对照试验进行论证。

国际麻醉学与复苏杂志,2024,45(9):977-983 .

DOI：10.3760/cma.j.cn321761-20240220‑01119