PICU中儿童心率与体温关系的机器学习研究

信息科学 儿科学 人工智能 生物工程 医学 生命科学
心率 体温 儿科重症监护室 机器学习 分位数回归

儿童重症监护病房中心率与体温关系的机器学习研究

学术背景

在重症监护病房（PICU）中，心率（HR）和体温（BT）是关键的临床指标，能够反映患者的生理状态。尽管成年人中心率与体温的关系已被广泛研究，但在儿童群体中，特别是在PICU这一高风险环境中，相关研究仍然有限。儿童患者的生理特征与成年人存在显著差异，尤其是在0至18岁年龄段，心率随着年龄的增长而下降，而体温的变化则可能影响心率。然而，传统的线性模型在预测心率时往往存在局限性，尤其是在不同体温范围和年龄组中表现出低估或高估的现象。因此，探索心率、体温和年龄之间的复杂关系，对于改善PICU中的临床决策具有重要意义。

论文来源

本论文由Émilie Lu、Thanh-Dung Le、Philippe Jouvet和Rita Noumeir共同撰写，分别来自École de Technologie Supérieure、University of Luxembourg和CHU Sainte-Justine Hospital。该研究于2024年发表在IEEE Transactions on Biomedical Engineering上，得到了Natural Sciences and Engineering Research Council (NSERC)和Fonds de la Recherche en Santé du Québec (FRQS)的部分资助。

研究流程

1. 数据收集

研究数据来源于CHU Sainte-Justine Hospital的PICU，时间跨度为2018年8月至2022年10月。研究纳入了4007名0至18岁的儿童患者，采集了他们在PICU期间的心率和体温数据。体温数据每30秒记录一次，同时每2至4小时进行手动测量。心率数据则通过心电图（ECG）或脉搏血氧仪连续监测，记录频率为每秒一次。为了确保数据的准确性，排除了接受体外膜肺氧合（ECMO）、使用心脏起搏器或柏林心脏支持的患者。

2. 数据预处理

数据预处理是确保模型准确性的关键步骤，主要包括以下步骤： - 排除运动数据：使用Cornell Assessment of Pediatric Delirium (CAPD)、COMFORT-B、FLACC等量表评估患者的运动状态，排除因患者运动或躁动导致的数据。 - 体温标准化：将腋下体温数据校正为与直肠体温一致，确保数据的一致性。 - 排除药物影响：排除接受影响心率的药物（如β受体阻滞剂、多巴胺等）治疗期间的数据。 - 心率中位数计算：将每秒记录的心率数据聚合为每分钟的中位数，以减少数据量。 - 心率和体温关联：将心率和体温数据在10分钟窗口内进行关联，确保数据的同步性。 - 排除极端值：排除心率低于30 bpm或高于240 bpm的极端值，以及体温低于30°C或高于43°C的数据。 - 体温分组：将体温数据按1°C的间隔分组，从33°C到40.9°C。 - 保留单次观察：每个患者在每1°C体温范围内保留一个最接近中位数的观察值，确保数据平衡。

3. 机器学习建模

研究采用了多种机器学习（ML）和深度学习（DL）模型来捕捉心率、体温和年龄之间的关系，主要包括以下方法： - 线性回归模型：包括简单线性回归（LR）、多元线性回归（MLR）、支持向量机（SVM）等，用于验证传统的线性假设。 - 分位数回归（QR）：结合梯度提升机（GBM）、随机森林（RF）、递归神经网络（RNN）等模型，用于捕捉非线性和复杂的模式。 - 梯度提升机（GBM）：通过迭代优化决策树模型，逐步减少预测误差，适用于捕捉非线性关系。 - 神经网络模型：包括多层感知机（MLP）、长短期记忆网络（LSTM）等，用于处理时间序列数据和复杂的关系。

4. 模型评估

使用R-squared (R²)和均方误差（MSE）评估线性模型的性能，而分位数回归模型则使用分位数损失（Quantile Loss）进行评估。研究通过网格搜索和早期停止技术进行超参数调优，确保模型的最佳性能。

主要结果

1. 心率与年龄的关系

研究结果显示，心率随着年龄的增长呈现下降趋势，这与儿科高级生命支持（PALS）数据一致。例如，新生儿的心率范围为85-205 bpm，而青少年的心率范围为60-100 bpm。

2. 心率与体温的关系

研究发现，心率随着体温的升高而增加，线性模型在低温范围下低估心率，在高温范围下高估心率，尤其是在年幼儿童中。分位数回归结合梯度提升机（GBM）的模型表现最佳，能够更准确地捕捉心率与体温之间的非线性关系。

3. 模型性能

GBM模型在分位数回归中表现出最低的分位数损失（Quantile Loss），表明其在预测心率和体温关系方面具有较高的准确性和鲁棒性。相比之下，传统的线性模型（如LR、SVM）在解释心率变化时表现较差，R²值仅为0.3145至0.3576。

结论与意义

本研究表明，心率、体温和年龄之间的关系并非简单的线性关系，传统的线性模型在PICU环境中存在局限性。通过引入分位数回归和梯度提升机等先进的机器学习技术，研究能够更准确地捕捉这些生理指标之间的复杂动态。这不仅为临床决策提供了更可靠的预测工具，也为未来在儿科重症监护中的研究开辟了新的方向。研究还开发了一个用户友好的界面，帮助临床医生根据患者的年龄和体温实时预测心率，从而优化治疗方案。

研究亮点

  1. 非线性关系的揭示：研究首次在PICU环境中揭示了心率与体温之间的非线性关系，挑战了传统的线性假设。
  2. 先进机器学习模型的应用：引入分位数回归和梯度提升机等高级算法，显著提高了预测的准确性和鲁棒性。
  3. 临床应用价值：开发了基于机器学习的预测工具，能够实时辅助临床决策，提升PICU患者的护理质量。

未来研究方向

未来的研究可以进一步验证模型的泛化能力，扩展数据集以涵盖更多的患者群体和临床场景。此外，探索其他生理指标（如呼吸频率、血压）对心率的影响，以及性别差异在心率与体温关系中的作用，也是值得深入研究的方向。