[论文解读] Anesthesiologist-level forecasting of hypoxemia with only SpO2 data using deep learning

Gabriel Erion, Hugh Chen+2 more|arXiv (Cornell University)|Dec 2, 2017

Artificial Intelligence in Healthcare and Education被引用 5

一句话总结

该论文提出了一种深度学习模型，仅使用脉搏血氧饱和度（SpO2）数据即可预测低氧血症，其预测准确度达到麻醉医师水平——优于能够访问手术室全部数据的训练有素的麻醉医师。该模型采用可解释人工智能技术，可视化过去哪些SpO2值对风险预测影响最大，从而在资源有限的环境中实现低成本临床决策支持。

ABSTRACT

We use a deep learning model trained only on a patient's blood oxygenation data (measurable with an inexpensive fingertip sensor) to predict impending hypoxemia (low blood oxygen) more accurately than trained anesthesiologists with access to all the data recorded in a modern operating room. We also provide a simple way to visualize the reason why a patient's risk is low or high by assigning weight to the patient's past blood oxygen values. This work has the potential to provide cutting-edge clinical decision support in low-resource settings, where rates of surgical complication and death are substantially greater than in high-resource areas.

研究动机与目标

• 开发一种仅使用脉搏血氧饱和度（SpO2）数据的低氧血症预测模型，该数据可通过低成本脉搏血氧仪广泛获取。
• 在麻醉医师可访问完整手术室数据（包括生命体征、药物剂量和病历记录）的情况下，仍使模型在预测低氧血症方面优于训练有素的麻醉医师。
• 通过为过去SpO2值分配特征重要性，提供模型预测的可解释性说明。
• 实现在缺乏训练有素的麻醉医师和先进监测设备的低资源手术环境中，可扩展且低成本的临床决策支持。
• 探讨仅使用简单、廉价传感器是否足以实现围手术期不良事件的高精度预测。

提出的方法

• 模型仅基于过去60分钟内每分钟一次的连续60个SpO2测量值进行训练（每分钟一个），缺失值通过插补处理，数据经标准化处理为均值为零、方差为一的分布。
• 在每个时间点分配二元标签：若未来五分钟内SpO2下降至92%或以下，则标记为1；否则为0，但排除过去十分钟内SpO2低于95%的病例。
• 评估三种深度学习模型：XGBoost（梯度提升树）、1D-CNN和LSTM，由于类别不平衡（低氧血症发生率为1.7%），使用精确率-召回率曲线下面积（AU-PRC）作为性能评估指标。
• 通过Tree SHAP（用于XGBoost）和积分梯度（用于深度学习模型）实现可解释性，为每个过去的SpO2值分配重要性得分。
• 在保留的测试集（共1,053,116个时间点，涉及7,569例）上验证模型性能，并在523个时间点上与麻醉医师进行用户研究对比。
• 采用90-10的训练-验证数据划分，并通过在各病例间随机打乱时间点，确保数据独立性。

实验结果

研究问题

• RQ1 仅使用SpO2数据训练的深度学习模型，是否能与拥有全部手术室数据的训练有素麻醉医师一样准确地预测低氧血症？
• RQ2 可解释人工智能技术是否能有效突出过去哪些SpO2值对模型风险预测的影响最大？
• RQ3 仅使用SpO2数据（不包含其他生命体征、药物或人口统计学数据）是否仍能实现具有临床意义的预测性能？
• RQ4 此类模型是否可低成本部署于低资源环境，以降低手术相关死亡率和发病率？
• RQ5 如脉搏血氧仪等简单、低成本传感器的预测能力是否足以实现对关键围手术期事件的早期预警？

主要发现

• XGBoost模型在测试集上的AU-PRC达到0.22642，优于比较中表现最佳的深度学习模型。
• 该模型在预测低氧血症方面优于训练有素的麻醉医师，即使后者可访问所有手术室数据，包括生命体征、药物剂量和医疗记录。
• 可解释性方法（如Tree SHAP和积分梯度）成功可视化了过去SpO2值的贡献，显示近期血氧饱和度的下降对风险预测的影响最大。
• 模型对数据不平衡具有鲁棒性，由于低氧血症基线发生率较低（1.7%），AU-PRC成为主要评估指标。
• 该系统的表现表明，脉搏血氧仪——已在低资源环境中广泛部署——可通过轻量级人工智能增强，实现无需额外成本的医师级早期预警。
• 本研究凸显了其他简单传感器（如呼气末二氧化碳监测、无创血压监测）在预测其他不良事件（如低血压或低碳酸血症）方面的潜力。