论文部分内容阅读
背景和目的与成年人相比,新生儿脓毒血症发病风险更高,且病情进展较快,如能对其进行早期诊断,可以进行早期干预治疗,预防严重危及生命的并发症的发生,降低死亡率。目前新生儿脓毒血症的诊断金标准仍然依赖于血培养,然而血培养需要较长的等待时间,亦或因院前已使用抗生素,使得血培养阳性检出比率较低。此外,现阶段临床常用的诊断指标,如降钙素原(PCT)和C-反应蛋白(CRP)在脓毒血症诊断中的灵敏度和特异性变异较大。已有研究表明纤维蛋白原(FIB)在成人脓毒血症诊断中起到重要作用。然而,FIB在新生儿脓毒血症诊断中的作用目前鲜有报道。因此,本研究通过探索血清FIB水平与新生儿脓毒血症之间的关系以及基于深度神经网络模型分析FIB联合PCT、hs-CRP在新生儿脓毒血症诊断中的价值,实现对新生儿脓毒血症的早期识别和诊断。材料与方法1.收集2016年1月至2020年12月间在郑州大学附属儿童医院(河南省儿童医院)收治的1480名新生儿临床资料和实验室数据进行回顾性分析。临床资料和实验室数据从医院电子病历系统中提取,所有实验室数据均从患者入院后未接受治疗的首次检查中收集。2.本研究的排除标准为:(1)凝血功能数据缺失、PCT、hs-CRP数据缺失或临床资料不全;(2)患有其他疾病,如血液系统疾病、严重的先天畸形和紫绀型先天性心脏病;(3)胎龄小于34周的早产儿。该研究方案符合赫尔辛基宣言,并经医院伦理委员会批准。鉴于回顾性研究,河南省儿童医院伦理审查委员会授权放弃对知情同意的要求。所有收集的数据都是匿名的,且未收集与隐私相关的信息。3.统计学处理:应用SPSS26.0软件处理,在进行统计分析之前,先检查所有变量的正态性。如果数据符合正态分布或近似正态分布,相应变量采用平均值±标准差(SD)表示,并通过独立t检验或单因素方差分析进行分析;非正态分布变量采用中位数(四分位区间)表示,并用Mann-Whitney U检验进行分析;数据类型属于分类变量,采用数字和百分比(n,%)表示分,并通过卡方检验或Fisher精确检验对其进行评估;两个连续变量之间的相关性采用皮尔逊相关性检验来分析。根据已发表的文献资料预先确定风险因素,新生儿脓毒血症的独立危险因素应用多元逻辑回归分析来确定,P值小于0.05具有统计学意义;FIB对新生儿脓毒血症的预测价值通过受试者操作特征(subject operating characteristic,ROC)曲线评估。计算Youden指数(敏感性+特异性)-1)确定最佳截止点。双侧P值<0.05被认为具有统计学意义。4.深度神经网络(deep neural network,DNN)模型的构建:对原数据指标进行扩展,对照组、感染组和脓毒血症组三组间进行两两组的相同指标进行加和及相乘运算,得到总长9维特征作为输入特征。分别以对照组-vs-脓毒血症、感染组-vs-脓毒血症和(对照组+感染组)-vs-脓毒血症组的形式构三个基准数据集。并用该基准数据集用以训练DNN分类模型。深层神经网络(DNN)模型分析通过python分析软件,使用keras的工具包进行框架搭建,其中输入层为9个节点,两层隐藏层,分别为10和5个节点,激活函数为relu函数,输出层激活函数为softmax。结果1.将所有受试者按FIB从低到高分为三组,第三组中新生儿脓毒血症的患儿比例最高,为44.9%(P<0.05)。此外,在第二组中更容易发现非脓毒血症感染的新生儿(P<0.05)(表-2)。2.通过斯皮尔曼相关性分析,探索FIB与临床参数之间的相关性。发现FIB与年龄(r=0.108,p<0.05)、PCT(r=0.243,p<0.05)和hs-CRP(r=0.277,p<0.05)呈正相关,与TBIL(r=-0.228,p<0.05)、ALB(r=-0.052,p<0.05)、APTT(r=-0.257,p<0.05)、PT(r=-0.163,p<0.05)和TT(r=-0.428,p<0.05)呈负相关。而FIB和TP之间没有显著相关性(p>0.05)(表-3)。3.FIB是新生儿脓毒血症的独立预测因子,P<0.05,OR=1.407(95%可信区间1.185-1.671)(表-4)。4.受试者操作特征(ROC)曲线分析评估FIB预测新生儿脓毒血症,FIB在ROC曲线下面积(area under curve,AUC)显示出良好的分辨率(AUC=0.62,95%CI 0.59-0.65,P<0.05)。FIB对新生儿脓毒血症的阳性预测临界值为2.575,敏感性为44%,特异性为80%(图-3)。5.以PCT、hs-CRP、FIB三个临床指标数据进行初步分析,通过构建空间散点图以观察三组样本的分布情况,对照组和感染组分布的位置较为集中,混合,难以区分。此外,部分脓毒血症组样本也与对照组和感染组样本位于相同的分布区域,但大部分脓毒血症组样本在其他区域分布。由此得出结论,以目前的三个指标作为输入特征,对照组和感染组之间难以建立良好分类模型进行区分,但能建立二分类模型区分脓毒血症组与对照组和感染组(图-4)。6.以具体每个指标进行组间比较分析,进一步判断PCT、hs-CRP、FIB三个指标在不同组间的差异。采用Student t test进行组间比较,对照组和感染组之间在三个临床指标上均无明显差异,可视作同一分布数据。脓毒血症组与其他两个组之间差异显著(p<0.05)(图-5)。7.以(对照组+感染组)+脓毒血症组的形式构建数据集,训练二分类随机森林模型,计算SHAP值作为各特征对模型的分类贡献值。Feature3~8都对模型有很好的贡献值,说明了该处理方法有利于模型区分脓毒血症组样本与其他两组样本(图-6)。8.基于深度神经网络模型建立的联合指标在脓毒血症组和对照组之间的区分结果展示如图-7,其中训练集AUC为0.796(95%CI:0.744-0.844),经过测试集也能够很好的重现结果,AUC为0.774(95%CI:0.657-0.878)(图-7)。9.基于深度神经网络模型建立的联合指标在脓毒血症组和感染组之间的区分结果如图-8,其中训练集AUC为0.742(95%CI:0.709-0.774),经过测试集也能够很好的重现结果,AUC为0.739(95%CI:0.67-0.80)(图-8)。10.基于深度神经网络模型建立的联合指标在脓毒血症组和对照组+感染组之间的区分结果展示如图-9,其中训练集AUC为0.761(95%CI:0.733-0.787),经过测试集也能够很好的重现结果,AUC为0.758(95%CI:0.70-0.812)(图-9)。结论1.FIB与新生儿脓毒血症之间存在显著相关性,且与新生儿脓毒血症的严重程度呈正相关。2.FIB是预测新生儿脓毒血症发生的独立因素。3.通过联合检测PCT、FIB、hs-CRP三个指标可以有效的进行新生儿脓毒血症(脓毒血症组)的临床诊断。