摘要
目的：圍手術(shù)期對(duì)神經(jīng)肌肉阻滯患者進(jìn)行神經(jīng)肌肉功能的定量監(jiān)測(cè)，是現(xiàn)代麻醉的必需與重要組成。臨床中基于肌肉加速度描記(acceleromyography, AMG）神經(jīng)肌肉監(jiān)測(cè)儀所記錄的偽影并不少見(jiàn)，使得其適用性受限。離群值分析（或異常值檢測(cè)）是指在數(shù)據(jù)集中發(fā)現(xiàn)與預(yù)期行為模式不一致的數(shù)據(jù)。通過(guò)離群值分析技術(shù)，監(jiān)測(cè)設(shè)備能夠識(shí)別和標(biāo)記異常信號(hào)。本研究旨在生成一系列特征（工程特征）集，能夠檢測(cè)AMG測(cè)量四個(gè)成串刺激(train-of-four, TOF)的離群值，并進(jìn)一步通過(guò)建立離群值檢測(cè)算法測(cè)試工程特征集識(shí)別TOF監(jiān)測(cè)離群值的性能；
方法：由多中心AMG和陀螺儀傳感神經(jīng)肌肉監(jiān)測(cè)建立數(shù)據(jù)集，包含 35 名患者的 533 次高靈敏度 TOF 測(cè)量值�；谠紨�(shù)據(jù)提取第一組基本特征，第二組特征由TOF測(cè)量值提取的工程特征；使用敏感邏輯回歸 (cost-sensitivelogistic regression,CSLR) 模型評(píng)估特征集的性能, 所建立的模型最終輸出為二元分類(lèi)形式表示 TOF 測(cè)量值是否為離群值；
結(jié)果：基于原始數(shù)據(jù)中提取7個(gè)基本特征，并由TOF測(cè)量值中提取8個(gè)特征，建立工程特征集。模型的訓(xùn)練和測(cè)試基于單獨(dú)數(shù)據(jù)集：319 個(gè)測(cè)量值（18 個(gè)離群值），測(cè)試集共 214 個(gè)測(cè)量值（12 個(gè)離群值）�；诮⒐こ烫卣骷� CSLR 模型的F1 分?jǐn)?shù) (95%CI) 為 0.86 (0.48-0.97) ，明顯大于基本特征的 CSLR 模型 (0.29 [0.17-0.53]; P
結(jié)論：基于原始數(shù)據(jù)建立的工程特征集結(jié)合離群檢測(cè)算法，能夠增加神經(jīng)肌肉監(jiān)測(cè)數(shù)據(jù)的一致性；神經(jīng)肌肉監(jiān)測(cè)器內(nèi)部集成離群值標(biāo)記算法，或可能減少AMG可靠性問(wèn)題。
關(guān)鍵詞：神經(jīng)肌肉監(jiān)測(cè)；離群值分析；機(jī)器學(xué)習(xí)；
背景：
術(shù)后肌松殘留（Postoperative residual curarization，PORC）在目前臨床中仍較為常見(jiàn)，能夠?qū)е挛覆績(jī)?nèi)容物誤吸和缺氧時(shí)通氣代償能力受損等并發(fā)癥，使得術(shù)后肺部并發(fā)癥增加。因此，圍手術(shù)期神經(jīng)肌肉的定量監(jiān)測(cè)已成為當(dāng)今國(guó)際共識(shí)，有助于降低嚴(yán)重呼吸系統(tǒng)并發(fā)癥的發(fā)生，不過(guò)同時(shí)也使醫(yī)療費(fèi)用大幅增加。
雖然神經(jīng)肌監(jiān)測(cè)程序看似簡(jiǎn)單，但常因各種因素導(dǎo)致使用者對(duì)結(jié)果的判讀出現(xiàn)偏差。如使用拇內(nèi)收肌測(cè)量AMG時(shí)基線(xiàn)對(duì)照TOFR（T4/T1）常出現(xiàn)超生理值即（TOFR > 1) 。本研究旨在是開(kāi)發(fā)能夠應(yīng)用于神經(jīng)肌肉監(jiān)測(cè)的人工智能模型，通過(guò)探索性分析AMG 神經(jīng)肌肉監(jiān)測(cè)的數(shù)據(jù)和變量，標(biāo)記異常離群 TOF 測(cè)量值，并檢測(cè)所集成模型的性能及其適用性。
方法：
研究參與者和數(shù)據(jù)收集
本研究所有數(shù)據(jù)均在前瞻性研究中收集，數(shù)據(jù)收集始于 2018 年 2 月，終止 于2019 年 4 月。研究收集用于算法開(kāi)發(fā)的數(shù)據(jù)，使用專(zhuān)門(mén)設(shè)計(jì)的人工智能應(yīng)用程序監(jiān)測(cè)由周?chē)窠?jīng)刺激器刺激同側(cè)尺神經(jīng)引起最大的手部運(yùn)動(dòng)。收集數(shù)據(jù)包括三軸 (3D) 原始加速度值 (m/s2) 以及原始 3D 角度速度值 (rad s1)。研究包括 35 名患者，總共有 533 個(gè)TOF 測(cè)量值，其中總共 533 個(gè)測(cè)量值中的 30 個(gè)被確定為離群值，來(lái)源于TOF 檢測(cè)中的 18 名患者的測(cè)量結(jié)果。
特征工程
加速度和角度信號(hào)通過(guò)開(kāi)源的 Cordova Plugin Device-motion 數(shù)據(jù)庫(kù)所獲取，測(cè)量測(cè)量肌肉在三個(gè)正交運(yùn)動(dòng)方向（X、Y 和 Z）的收縮運(yùn)動(dòng)，對(duì)這些信號(hào)進(jìn)行均方根分析，以表示其加速度所代表的肌肉位移范圍（單位為 m/s2；圖1），模型特征集的數(shù)據(jù)來(lái)源均為連續(xù)監(jiān)測(cè)信號(hào)。
圖1：正常和異常TOF 模式；上圖顯示正常的 TOF，下圖表示異常。
為更好地了解在不同AMG 測(cè)量間變化的差異，利用一組AMG值計(jì)算算術(shù)平均值和標(biāo)準(zhǔn)差；為避免與其他描述性統(tǒng)計(jì)數(shù)據(jù)混淆，被標(biāo)記為“AMG_StdDev”和“AMG_Mean”，設(shè)計(jì)用于評(píng)估特定 TOF 模式的特性如（表1，圖2）。
表 1. 數(shù)據(jù)集的工程特征描述
圖 2. 基礎(chǔ)和工程特征示例（x 軸：時(shí)間，y 軸：組合角度和加速度），每種顏色代表TOF內(nèi)的每個(gè)單獨(dú)單個(gè)刺激：T1、T2、T3 和 T4由相應(yīng)的多個(gè)加速/角度組成
模型開(kāi)發(fā)、過(guò)擬合與評(píng)估
模型開(kāi)發(fā)包括基本功能集和工程特征集。因研究數(shù)據(jù)集由2 個(gè)不同類(lèi)別數(shù)據(jù)組成（正常和離群值），使用CSLR模型訓(xùn)練， 為避免過(guò)擬合在數(shù)據(jù)預(yù)處理階段使用部分?jǐn)?shù)據(jù)集作為測(cè)試集（圖 3）。使用準(zhǔn)確率、召回率、 F1 分?jǐn)?shù)作為模型評(píng)估指標(biāo)，根據(jù)受試者特性曲線(xiàn) (ROC) 和曲線(xiàn)下面積 (AUC) 檢測(cè)模型性能。
圖 3. 數(shù)據(jù)集分區(qū)和模型訓(xùn)練概述
結(jié)果
描述性統(tǒng)計(jì)、模型訓(xùn)練和交叉驗(yàn)證
與基本特征相比，工程特征變量變異更大。圖 4 顯示散點(diǎn)圖和基本特征 T1 和TOFR 的分布圖、工程特征的 ratioT1 和deltaT4_T1 。與基礎(chǔ)特征相比，工程特征中能夠更清楚地檢測(cè)出離群值。
訓(xùn)練數(shù)據(jù)集（n=319） 由 18 個(gè)異常值組成，而測(cè)試數(shù)據(jù)集 (n=214) 由12 個(gè)異常值組成。訓(xùn)練和測(cè)試數(shù)據(jù)實(shí)例以完全隨機(jī)的方式從 scikit-learn 庫(kù)使用train_test_split 函數(shù)選擇。在分段測(cè)量 (n=533) 上，交叉驗(yàn)證期間的數(shù)據(jù)劃分是單獨(dú)執(zhí)行的，訓(xùn)練和測(cè)試數(shù)據(jù)以分層方式進(jìn)行，以保證相同的類(lèi)別不平衡分布于整個(gè)數(shù)據(jù)集。所有模型訓(xùn)練、交叉驗(yàn)證和模型評(píng)估均使用 scikit-learn 和高級(jí)編程語(yǔ)言 Python完成。
圖 4. A ：TOFR和 T1 散點(diǎn)圖；B ：特征 deltaT4_T1 和ratioT1 散點(diǎn)圖
模型性能
圖 5 為模型訓(xùn)練期間的學(xué)習(xí)曲線(xiàn)和驗(yàn)證指標(biāo)，包括F1 分?jǐn)?shù)和 ROC-AUC。具有工程特征的 CSLR 模型與測(cè)試數(shù)據(jù)相比，訓(xùn)練數(shù)據(jù)集的指標(biāo)性能有所提高，表明模型沒(méi)有過(guò)擬合，但對(duì)于基本特征的 CSLR 模型結(jié)果卻相反。工程特征的 CSLR 模型F1 分?jǐn)?shù) (95% CI) 為0.86 (0.48-0.97) ，明顯大于基本特征 CSLR 模型（0.29 [0.17-0.53]；P
圖 5. 基本特征集（上圖）和工程特征集（下圖）的敏感邏輯回歸模型的學(xué)習(xí)曲線(xiàn)；訓(xùn)練和驗(yàn)證指標(biāo)是 F1 分?jǐn)?shù)和 ROC-AUC 分?jǐn)?shù)（y 軸）；X 軸表示訓(xùn)練實(shí)例的數(shù)量
結(jié)論
本研究基于術(shù)中測(cè)量建立一組工程特征集能夠?qū)崿F(xiàn)AMG神經(jīng)肌肉監(jiān)測(cè)離群值的檢測(cè)，有助于相似特征模型的建立，為神經(jīng)肌肉監(jiān)測(cè)的離群點(diǎn)檢測(cè)技術(shù)的建立與開(kāi)發(fā)打下良好基礎(chǔ)，離群值檢測(cè)算法在未來(lái)或可以集成至AMG神經(jīng)肌肉監(jiān)測(cè)設(shè)備中，實(shí)現(xiàn)TOF測(cè)量離群值實(shí)時(shí)自動(dòng)地掃描標(biāo)記。
神麻人智的述評(píng)：
在麻醉藥物智能控制輸注領(lǐng)域，對(duì)于神經(jīng)肌肉的精確監(jiān)測(cè)研究長(zhǎng)期以來(lái)一直滯后于鎮(zhèn)靜與鎮(zhèn)痛藥物濃度的監(jiān)測(cè)，AI或可能促進(jìn)這一領(lǐng)域的研究進(jìn)展，本研究主要結(jié)果表明對(duì)于術(shù)中 TOF 測(cè)量離群值的識(shí)別，基于工程特征的TOF 性能優(yōu)于基礎(chǔ)特征和臨床常用的自動(dòng)離群值神經(jīng)肌肉監(jiān)測(cè)。測(cè)試數(shù)據(jù)集中，基于基本特征的CSLR模型，標(biāo)記離群值的準(zhǔn)確率僅為三分之一，而基于工程特征的 CSLR模型的準(zhǔn)確率可達(dá)到四分之三；另外，基于基本特征的CSLR模型報(bào)錯(cuò)率同樣顯著高于基于工程特征CSLR模型，提示該研究所建立的人工智能模型或可為未來(lái)肌肉神經(jīng)功能的準(zhǔn)確監(jiān)測(cè)提供良好的借鑒，模型具有良好適用性。
特征工程本質(zhì)上是一項(xiàng)工程活動(dòng)，目的是最大限度地從原始數(shù)據(jù)中提取特征以供算法和模型使用。數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限，特征工程的最終目的是提升模型的性能。
本研究最大的限制在于收集的數(shù)據(jù)集和應(yīng)用于開(kāi)發(fā)本研究算法的樣本量太小，未來(lái)仍需要建立更大樣本量的數(shù)據(jù)集，以進(jìn)一步提高模型的性能，另外，該研究沒(méi)有對(duì)實(shí)施數(shù)據(jù)進(jìn)行分析檢測(cè)其離散值。
編譯：包文祥，羅猛強(qiáng)
述評(píng)：鄧萌
Verdonck M, Carvalho H, Berghmans J, et al.Exploratory Outlier Detection for Acceleromyographic Neuromuscular Monitoring:Machine Learning Approach. J Med Internet Res. 2021, 31;23(6):e25913. doi:10.2196/25913.
