我们开发并内部评估了一种基于注意力机制的TabTransformer模型，利用常规收集的重症监护医疗信息仓库IV临床数据，对接受脊柱神经外科手术的成年患者进行院内骨质疏松症分类。
研究文章
基于TabTransformer的成人脊柱神经外科手术患者院内骨质疏松分类
* These authors contributed equally
本文内容
摘要
摘要
本研究旨在利用常规收集的表格化临床数据，开发并进行内部评估一种深度学习模型，用于对接受脊柱神经外科手术的成年患者进行院内骨质疏松症分类。这项回顾性研究使用重症监护医学信息库 IV（Medical Information Mart for Intensive Care IV, MIMIC-IV）数据库，识别接受脊柱神经外科手术的成年患者。骨质疏松症的定义依据索引住院期间记录的 ICD-9/10 诊断代码。模型开发所用变量包括人口学特征、用药记录、实验室检测结果以及同一次住院期间的生命体征数据。在将数据按分层方式划分为训练集、验证集和测试集后，仅对训练集中的类别不平衡问题进行处理。开发了一种基于 TabTransformer 的模型，并与 XGBoost、LSTM_Attention 和时序卷积网络（Temporal Convolutional Networks, TCN）进行比较。采用 SHapley 加性解释（SHapley Additive exPlanations, SHAP）方法评估模型的可解释性。在独立保留的测试集上，TabTransformer 表现出最优的整体性能，其受试者工作特征曲线下面积（AUC）为 0.953，平均精度（AP）为 0.799。TCN、XGBoost 和 LSTM_Attention 对应的数值分别为 0.937/0.707、0.857/0.303 和 0.755/0.179。SHAP 分析识别出年龄、性别、肌酐、红细胞分布宽度、碳酸氢盐、磷酸盐、中性粒细胞以及多个与用药相关的变量是影响模型输出的重要因素。在该单中心回顾性队列研究中，TabTransformer 模型在院内骨质疏松症分类方面表现出较强的区分能力，并通过 SHAP 提供了可解释的特征层面关联。由于预测变量与结局均定义于同一次住院期间，该框架应被视为一种内部验证的探索性分类模型，而非具有明确时间顺序的未来风险预测工具。
引言
骨质疏松症（OP）是一种常见的骨骼疾病，其特征是骨矿物质密度降低和骨组织结构退化，导致骨脆性增加，骨折风险升高1。该病仍然是重要的公共卫生问题，尤其在老年人群和绝经后女性中更为突出2。在接受脊柱神经外科手术的住院患者中，住院期间的活动减少、全身应激反应、药物暴露以及代谢稳态紊乱等因素可能影响骨骼健康。既往关于神经系统疾病和脊髓损伤的研究表明，制动和全身性疾病可导致骨量加速流失3,4，但在这一特定临床背景下，与骨质疏松相关的信号仍缺乏充分表征。
常规收集的电子健康记录数据为研究该人群中的骨质疏松相关模式提供了机会，可利用常规临床诊疗中已有的变量，如人口学特征、用药记录、实验室检查和生命体征。某些与医疗护理相关的变量（例如用药模式）也可能作为功能状态或活动能力的间接替代指标。然而，目前针对接受脊柱神经外科手术的成年患者，使用结构化表格化临床数据的研究仍相对较少。此外，重症监护医疗信息集市数据库第四版（MIMIC-IV）代表的是来自单一三级医疗中心的大规模回顾性重症监护病房队列，而非广泛具有代表性的多中心人群。因此，基于该资源的分析应局限于内部验证和探索性临床建模的范围内进行解读。近年来，机器学习研究通过将生物标志物与临床变量相结合，改进了骨质疏松相关风险建模，但此类工作....
访问受限。请登录或开始试用以查看此内容。
方案
数据来源
本研究是一项基于重症监护医疗信息集市数据库第四版（MIMIC-IV，版本3.1）的回顾性分析，该数据库是一个公开的重症监护数据库，托管于PhysioNet（https://physionet.org/content/mimiciv/3.1/）。该数据库由麻省理工学院计算生理学实验室、贝斯以色列女执事医疗中心和飞利浦公司合作开发，包含全面的去标识化临床数据，如人口统计学信息、生命体征、实验室检测结果和用药记录。
MIMIC-IV 中的所有患者数据均已根据《健康保险可携性与责任法案》（Health Insurance Portability and Accountability Act, HIPAA）进行了完全去标识化处理，因此本研究无需经过机构审查委员会（IRB）批准。数据库的使用受数据使用协议（DUA）的约束，仅向完成必要培训和认证的授权用户授予访问权限。作者已完成必要的培训并获得访问凭证（PhysioNet 认证用户），并在遵守所有相关数据使用规定的情况下开展本研究。
研究人群与数据提取
通过与手术相关的 ICD 编码，从 MIMIC-IV 数据库中识别接受过脊柱神经外科手术的成年患者（≥18 岁）。脊柱神经外科手术定义为以 03 开头的 ICD-9 编码（脊髓和椎管手术）以及以 00B、00H、00J、00N、00P、00Q....
访问受限。请登录或开始试用以查看此内容。
结果
模型性能比较
我们在保留的测试集上将所提出的 TabTransformer 模型与三种基线模型（XGBoost、带注意力机制的 LSTM 和时间卷积网络 [TCN]）进行了比较。如图2所示，TabTransformer 取得了最高的区分性能，AUC 为 0.953（95% CI：0.924–0.977），其次是 TCN（AUC = 0.937，95% CI：0.903–0.967）、XGBoost（AUC = 0.857，95% CI：0.821–0.890）和 LSTM_Attention（AUC = 0.755，95% CI：0.707–0.799）。
精确率-召回率分析如图3所示。TabTransformer取得了最高的平均精确率（AP = 0.799），其次是TCN（AP = 0.707）、XGBoost（AP = 0.303）和LSTM_Attention（AP = 0.179）。虚线基线对应于原始测试集中正类样.......
访问受限。请登录或开始试用以查看此内容。
讨论
本研究中，我们开发了一种基于注意力机制的 TabTransformer 模型，用于对接受脊柱神经外科手术的成年患者进行院内骨质疏松症分类，并采用 SHapley 加性解释（SHAP）方法探究驱动模型输出的主要变量（图5 和 图6）。SHAP 分析结果表明，年龄是最重要的贡献因素，其次为肾脏和代谢标志物、血液学指标、部分药物变量以及基本人口学特征的重复信号。这些发现应被理解为在索引住院期间由模型推导出的关联性，而非具有时间验证性的未来风险预测证据或直接因果关系。
图.......
访问受限。请登录或开始试用以查看此内容。
披露
作者声明无任何利益冲突。
致谢
作者衷心感谢宿迁市科技引导计划项目（项目编号：Z202342）提供的经费支持。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Adam 优化器 | PyTorch | 包含在 PyTorch 中 | 用于 TabTransformer 模型训练 |
| Jupyter Notebook | Project Jupyter | 最新可用版本 | 用于模型开发与分析流程 |
| MIMIC-IV 数据库 | PhysioNet | 版本 3.1；https://physionet.org/content/mimiciv/3.1/ | 公开的去标识重症监护数据库 |
| Python | Python 软件基金会 | 最新可用版本 | 主要编程环境 |
| PyTorch | PyTorch 基金会 | 最新可用版本 | 用于实现 TabTransformer 的深度学习框架 |
| 关系型数据库管理软件 | Navicat | 版本 17.0；https://www.navicat.com.cn/ | 用于从 MIMIC-IV 中提取数据 |
| scikit-learn | scikit-learn 开发团队 | 最新可用版本 | 用于数据预处理、数据集划分和基线模型构建 |
| SHAP | SHAP 开发团队 | 最新可用版本 | 用于模型可解释性分析 |
| SMOTE | imbalanced-learn | 最新可用版本 | 用于训练集中少数类样本的过采样 |
| XGBoost | XGBoost 开发团队 | 最新可用版本 | 作为基线比较模型 |
参考文献
- Rachner, T. D., Khosla, S., Hofbauer, L. C. Osteoporosis: now and the future. Lancet. 377 (9773), 1276-1287 (2011).
- Khosla, S., Hofbauer, L. C. Osteoporosis treatment: recent developments and ongoing challenges. Lanc....
访问受限。请登录或开始试用以查看此内容。
重印与许可
申请许可以重复使用本 JoVE 文章的文本或图表
申请许可