论文部分内容阅读
研究背景六分钟步行试验(six minute walk test,6-MWT)是慢性呼吸系统疾病(chronic respiratory disease,CRD)常用的运动能力评估测试。6-MWT主要以六分钟内尽可能行走的距离(six minute walk distance,6-MWD)来对患者的运动能力进行分级。与运动能力评估的金标准——心肺运动试验(cardiopulmonary exercise test,CPET)相比,6-MWT评估指标相对单一,且6-MWD这一指标很大程度受患者的个体差异及环境的影响。人体的生理数据如:心率(heart rate,HR)、呼吸率(respiration rate,RR)、血氧(oxygen saturation,Sp O2)、血压(blood pressure,BP)、脉搏等,蕴含了大量个体化的健康和疾病信息。结合生理数据或许可为6-MWT提供补充指标。数字化六分钟步行试验系统将可穿戴随行移动设备、软件系统及智能算法系统与6-MWT结合,可实现低负荷、连续采集患者试验前、中、后的HR、RR、Sp O2、BP等生理数据。但是,采集到的这些生理数据的临床应用价值还有待于进一步探索。本研究旨在从三个方面探索六分钟步行过程中的连续生理数据与患者生理/病理状态间的关联关系,挖掘6-MWT中连续生理数据的临床应用价值,为患者提供更加丰富的个体化病情评估及预后相关信息。第一部分:6-MWT中的连续生理数据对肺功能的预测价值目的:本研究旨在探讨基于数字化六分钟步行试验系统获得的连续生理数据对慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)患者肺功能分级的预测价值。方法:回顾性分析2019年6月28日至2021年7月28日在中国人民解放军总医院、中国人民解放军总医院海南医院、中南大学湘雅二医院进行6-MWT和肺功能检查的COPD患者的资料。根据慢性阻塞性肺疾病全球倡议(global initiative for chronic obstructive lung disease,GOLD)标准进行诊断,并评估COPD患者的严重程度。根据美国胸科学会(American Thoracic Society,ATS)的标准进行6-MWT。使用数字化六分钟步行系统连续监测6-MWT期间的步行和生理数据。使用Spearman相关分析来分析6-MWT连续生理数据特征信息和肺功能指标之间的相关性。将中度相关(r>0.4)以上的数据纳入机器学习模型(Logistic Regression,SVC-linear,SVC-poly,Random Forest,Light GBM,XGBoost),通过5折交叉验证来评估机器学习模型的性能。结果:共纳入符合要求的501例COPD患者的6-MWT数据。Spearman相关分析显示:1秒内用力呼气量(forced expiratory volume in 1 second,FEV1)与6-MWD(r=0.575,p<0.01)、6分钟步行做功(six minute walk work,6-MWW)(r=0.531,p<0.01)、距离-最低氧饱和乘积(distance-desaturation product,DSP)(r=0.526,p<0.01)、1分钟后心率恢复(heart rate recovery after one minute,HRR1)(r=0.438,p<0.01)、血氧饱和度最低值(Oxygen saturation minimum,Sp O2 min)(r=0.418,p<0.01)中度相关。第1秒用力呼气容积占预计值的百分比(first second as a percentage of the expected value,FEV1%)与6-MWD(r=0.466,p<0.01)、6-MWW(r=0.426,p<0.01)、HRR1(r=0.430,p<0.01)中度相关,与DSP强相关(r=0.673,p<0.01)。用力肺活量(forced vital capacity,FVC)与DSP中度相关(r=0.464,p<0.01)。肺功能指标与Borg呼吸量表、Borg疲劳量表呈弱相关或极弱相关。5折交叉验证结果显示,XGBoost模型的预测准确率最高(0.854)。该模型对COPDⅠ级,Ⅱ级的预测最佳(Ⅰ级:精确率94.76%,召回率92.5%;Ⅱ级:精确率83.46%,召回率93.89%)。结论:6-MWD、6-MWW、DSP、HRR1、Sp O2 min与肺功能指标的相关性较主观评估量表(Borg量表)更强,并且DSP这一指标较常用的6-MWD相关性更强,可作为监测和评估COPD患者肺功能的简便的替代指标。XGBoost模型提供了一种准确率高的多维度综合的肺功能预测方法。第二部分:6-MWT中的连续生理数据对不良事件的预测价值目的:本研究旨在分析进行6-MWT的患者的不良事件表现及其与生理数据的关系,并基于生理数据预测患者的不良事件。方法:回顾性分析2019年6月28日至2021年7月28日在中国人民解放军总医院、中国人民解放军总医院海南医院、中南大学湘雅二医院进行6-MWT的CRD患者的资料。使用基于Sens Echo可穿戴设备的数字化6-MWT系统连续监测6-MWT期间的生理数据并记录不良事件。根据ATS指南将6-MWT中的不良事件定义为胸痛、呼吸困难、腿部抽筋、面色苍白或其他需要停止的体征/症状。根据6-MWT中是否发生不良事件分为两组。对收集的人体测量学、HR、RR、Sp O2的数据特征进行分析。分析两组间具有显著统计学差异特征(P<0.001)的受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC),选择AUC>0.8的特征来分析其识别不良事件的临界值,以提供基于一维数据的预测。对于多维度的预测模型,将6-MWT开始前2分钟的静止时间段和6-MWT开始后1分钟的运动阶段的数据特征纳入机器学习模型(Logistic Regression,SVC-rbf,SVC-linear,SVC-poly,Random Forest,Light GBM,XGBoost),并通过5折交叉验证后的平均AUC比较不同机器学习模型的预测能力。结果:共收集2206例6-MWT数据。125(5.7%)例发生了不良事件。呼吸困难是最常见的事件(86名患者报告)。大约95%的不良事件发生在6-MWT开始后1分钟。两组间有显著差异(P<0.001)的生理特征主要是从HR和Sp O2提取的,包括:HRR1、DSP、Sp O2基线值(Sp O2 baseline value,Sp O2 base)、Sp O2结束值(Sp O2 end value,Sp O2 end)、Sp O2基线值与Sp O2最低值之差(△Sp O2)、Sp O2 min、DSP、血氧饱和度恢复值(oxygen saturation recovery value,Sp O2recovery)、Sp O2下降4%的时间、Sp O2下降到90%的时间。DSP识别本研究中不良事件的临界值为251.75m%(AUC:0.831,95%CI:0.769-0.905),6-MWW为23.307(kg·km-1)(AUC:0.831,95%CI:0.736-0.876),6-MWD为301m(AUC:0.825,95%CI:0.756-0.895)。综合预测模型中Light GBM模型的AUC最高,为0.874±0.063。结论:6-MWT是一项比较安全的试验。连续监测6-MWT中的生理参数对于量化患者测试过程中的身体状况是有价值的。与常用的6-MWD相比,从生理参数中提取的DSP特征可以更好地识别不良事件,除了ATS指南中建议的连续监测血氧最低值,我们还建议监测DSP这一指标。Light GBM模型提供了一种准确率高的多维度综合的不良事件预测方法。基于可穿戴传感器的数字化6-MWT为患者提供了额外的安全监测手段,优化了传统6-MWT。第三部分:6-MWT中的连续生理数据对运动性低血氧的预测价值目的:本研究旨在提供可以简便预测CRD患者运动性低血氧(exercise-induced desaturation,EID)的生理指标和预测模型,并探讨基于数字化六分钟步行系统的连续监测对于肺康复的指导价值。方法:回顾性分析2019年6月28日至2021年7月28日在解放军总医院、海南医科大学第二附属医院、中南大学湘雅二医院使用数字化六分钟步行系统进行6-MWT的CRD患者的资料。EID定义为Sp O2≤88%,排除6-MWT测试前Sp O2base≤88%的患者。比较连续监测下获得的氧饱和度最低值(Sp O2 min)与间歇监测下获得的氧饱和度结束值(Sp O2 end)对EID的识别率,按照识别率高的计算方法,将所有数据分为EID组和非EID组,并分析两组患者6-MWT数据的差异。使用受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)分析组间具有显著统计学差异(P<0.001)的特征,筛选AUC>0.8的特征,并分析其临界值,以提供基于一维数据的预测。对于多维度的数据预测模型,将6-MWT开始前2分钟的静止时间段和6-MWT开始后1分钟的运动阶段的数据特征纳入机器学习模型(Logistic Regression,SVC-rbf,SVC-linear,Random Forest,Light GBM,XGBoost),并通过5折交叉验证后的平均AUC比较不同机器学习模型的预测能力。通过描述EID与不良事件的发生特征,分析连续监测6-MWT中患者的状态对肺康复的指导作用。结果:共纳入2045例6-MWT数据。通过Sp O2 min≤88%识别到448例EID(21.9%)。通过Sp O2 end≤88%识别到182例EID(8.9%)。大约95%的EID发生在6-MWT开始后1分钟。两组间有显著差异(P<0.001)的生理特征包括:HR base、HR end、HRR1、呼吸率基线值(respiratory rate baseline value,RR base)、呼吸率结束值(respiratory rate end value,RR end)、呼吸率最大值(respiratory rate maximum,RR max)、Sp O2 base、Sp O2 end、ΔSp O2、DSP、Sp O2 recovery、氧饱和度下降面积(desaturation area,DA)、氧饱和度下降面积距离比(desaturation distance ratio,DDR)、Sp O2降低4%的时间、Sp O2降低到90%的时间、Sp O2降低到最低值的时间。DA识别本研究中EID的临界值为936min%(AUC:0.846,95%CI:0.792-0.900),DDR为1.976min%/m(AUC:0.844,95%CI:0.792-0.896)。综合预测模型中Light GBM模型的AUC最高,为0.958±0.035。根据6-MWT中是否发生EID与不良事件,将患者划分为四种类型:“can do,do do”(可穿戴设备没有检测到低血氧,患者也没有报告主观症状而中途休息),“can’t do but do”(可穿戴设备检测到低血氧,但患者没有报告主观症状而中途休息),“can’t do,not do”(可穿戴设备检测到低血氧,患者也报告主观症状而中途休息),“can do,not do(可穿戴设备没有检测到低血氧,但患者报告主观症状而中途休息)”来讨论对个性化肺康复的指导意义。结论:DA识别本研究中EID的临界值为936min%,DDR为1.976min%/m,Light GBM模型提供了一种准确率最高的多维度的综合的EID预测方法。基于可穿戴设备的连续监测可以识别到更多的EID,并且将6-MWT患者分为四类,有助于指导实施个体化的肺康复。患者的生理变化先于患者的主观症状,这为生理参数的预测作用提供了证据,也体现了数字化6-MWT连续监测生理数据的优势。