胡婷婷，张艺超，袁贞明，李建宏，卢中秋，朱晓玲

1.德阳市人民医院，四川 德阳 618000；2.温州医科大学 护理学院，浙江 温州 325035；3.杭州师范大学 医学部，浙江 杭州 310000；4.温州医科大学附属第二医院 信息中心，浙江 温州 325000；5.温州医科大学附属第一医院 急诊科，浙江 温州 325015

随着我国全面二孩政策及医疗卫生条件的提高，剖宫产术后阴道试产（vaginal birth after cesarean, VBAC）人数逐年增加[1]，VBAC人群使用缩宫素（oxytocin, OT）引产催产需求更为普遍。既往研究表明VBAC产妇在产程中使用OT加强宫缩是相对安全有效的[2]，但由于前次剖宫产破坏了子宫下段肌层的连续性，故VBAC产妇在输注OT时相比普通产妇需更加谨慎。ADANIKIN等[3]认为OT用量是子宫破裂的独立危险因素，若用药不当将增加子宫破裂的风险，危及母儿健康。因此，对VBAC产妇实时精准有效的OT调控，是当下临床实际所需。

目前临床上产时OT静脉输注需助产士专人监护，实时动态监控子宫收缩及胎心等产时信息，并据此人工调节输液泵输注速度[4]。然而在分娩量激增和助产士短缺的现状下，OT输液速度时常无法得到及时合理的调整，且调控过程中易伴随医护人员的主观误差[5]。随着大数据及人工智能技术的发展，智慧医疗服务体系已成为临床工作的新趋势[6]，因此本研究提出一种智能OT调控方法，以减轻人力成本，实现精准给药，对产科临床护理工作具有积极意义。

1 对象和方法

1.1 研究对象 收集2014年1月至2020年5月于温州医科大学附属第一医院产科分娩并在产程中使用OT的VBAC产妇的相关资料。纳入标准：①产程中使用OT催产、引产；②孕妇及家属了解VBAC的优点及风险，有阴道试产的意愿并签署知情同意书；③既往仅有1次子宫下段横切口剖宫产史；④前次剖宫产术距本次分娩的间隔时间＞18个月，且前次剖宫产术的指征在此次妊娠中不存在；⑤超声检查子宫前壁下段肌层连续；⑥临床资料完整。排除标准：①有阴道分娩禁忌证；②有OT使用禁忌证；③仅在第三产程使用OT；④持续静脉滴注时间＜30 min；⑤分娩过程中使用影响胎心率的药物；⑥引产指征为死胎；⑦静滴OT同时联合使用其他引产药物。本研究已通过温州医科大学附属第一医院伦理委员会审批（编号：2019089）。

1.2 OT智能调控系统 本课题组前期建立了一种OT注射泵反馈系统[7]，该系统以互联网技术为载体，将电子胎心监护仪（electronic fetal monitor, EFM）、输液泵（infusion pump, IP）、护士站信息系统（nurse information system, NIS）以及电子病历系统（electronic medical record system, EMRS）相互连接；其中EFM选择飞利浦胎心监护仪（M2702A）监测胎儿宫内状况，通过外部宫缩探头和超声多普勒探头测量宫缩压力和胎心率变化；由物联网技术将EMRS的诊疗相关信息和EFM的产时信息传输至NIS进行汇总分析；最后由NIS发出调控指令控制产妇床旁输液微泵，调控注射速度。本研究建立的OT调控模型可嵌入NIS，作为产时OT用药的决策支持模块，模型依据来自EMRS和EFM的建模因子，智能判别下一时刻OT滴速的调控方向，代替人工判断产时信息，形成一套实时监控产程进展、自动调节输液速度的OT智能调控系统（见图1）。

图1 OT智能调控系统

1.3 OT智能调控模型的建立

1.3.1 电子病例数据：通过文献分析和专家小组会议结果，从电子病历系统获取18个可能影响瘢痕子宫人群OT速度调节的因素，具体包括：年龄、体质量指数（body mass index, BMI）、孕周、阴道分娩史、子宫下段厚度、前次剖宫产间隔时间、宫颈容受、宫口扩张、胎先露位置、胎膜状态、宫高、产妇腹围、分娩镇痛、羊水指数、胎儿双顶径、头围、腹围及股骨长，该部分资料采用多重线性回归法筛选建模变量。

1.3.2 产时数据：通过访问飞利浦胎心监护仪数据端口获取胎心宫缩图（cardiotocogram, CTG）评估母胎状况，临床上通常每间隔15～20 min调整1次OT用药，计算该时间段内的产时变量，包括基线胎心、产妇心率、宫缩频率、宫缩持续时间、宫腔压力峰值。

胎心、产妇心率可通过胎心监护仪以数值型变量（次/min）的形式输出，其中产妇心率直接计算时间段内的平均心率；基线胎心计算时间段内胎心波动范围在5次/min内的平均胎心率，且基线必须在任何该时间段内持续20%以上的图形（可以不连续），若当前时间段基线胎心不确定，则以前一时间段的基线填补。

宫缩压力信号反映宫缩情况，采集过程中易受压力探头放置位置、腹部皮下脂肪厚度、胎动、探头绑缚的松紧等影响，首先采用Matlab软件的Sym6小波包，对实测信号进行4尺度分解，将分解出的概貌系数做为去噪后的宫缩信号；其次进行宫缩特征提取，将峰值点的幅值作为宫腔压力峰值，单位时间与峰值间隔的比值作为宫缩频率，宫缩起始点和宫缩终止点的间隔作为宫缩持续时间（见图2），最后统计各宫缩变量在该时间段内的平均值。

图2 宫缩信号的特征提取图

1.3.3 构建模型：基于Logistic回归（logical regression, LR）、传统决策树（classification and regression trees, CART）和XGBoost算法构建OT调控模型，以网格搜索法（GridsearchCV）调整最佳参数，XGBoost模型核心参数设置如下：损失函数选择multi:softmax，迭代次数200，树的最大深度为6，学习率为0.2；LR选择lbfgs求解器，代价函数选择L2，参数multi_class设为multinomial，迭代次数200；CART选择gini衡量生成树的纯度，树的最大深度为6，最小叶子节点数为6。

数据集按照8：2 的比例划分为训练集和测试集，并在5折交叉验证下，采用准确率、查准率、召回率和F1值对模型的性能进行评价，采用混淆矩阵观察模型在各个类别上的表现。

1.4 OT智能调控模型的验证 将预测模型与低年资助产士人工调节及专家决策意见进行比较，以检验模型的预测效果。选取10例样本，预测其10次的速度调节，其中人工调节由1位低年资助产士（工作年限＜5年，具有初级职称）独立判断胎心、宫缩等情况实施OT滴速调控。决策意见由2名副高级以上专家对OT调控记录逐条手动校正，并以此为金标准。若专家决策意见不同，则由其共同讨论后给出决策意见，比较人工调节方式和预测模型决策结果与专家意见的差异性，以正确率（%）表示。

1.5 统计学处理方法 采用SPSS22.0统计软件进行数据分析。呈正态分布的计量资料以±s表示，偏态分布的计量资料以M（P25，P75）表示，分类变量采用频数（%）表示。将电子病历资料与OT使用剂量进行单因素线性回归分析，根据分析结果，将P＜0.1 的变量纳入多重线性回归模型中，采用逐步回归法进行变量筛选，以P＜0.05为差异有统计学意义。基于python平台的pytorch框架建立并验证不同类型的机器学习算法。

2 结果

2.1 一般资料 本研究共纳入124 例产妇，共计1 005条OT调节记录，其中标签为OT“滴速维持原速”的312条，“滴速加快”618条，“滴速变慢”75条。按照8:2分为训练集804条和测试集201条。

2.2 单因素及多重线性回归分析结果 电子病例数据单因素线性回归分析结果显示产妇BMI、前次剖宫产间隔时间、宫口扩张、产妇腹围、顺产史、分娩镇痛与OT使用剂量差异有统计学意义（P＜0.05）；年龄、孕周、子宫下段厚度、宫颈容受、胎先露、胎儿双顶径、羊水指数、头围、腹围、骨长、宫高与OT使用剂量差异无统计学意义（P＞0.05）；进而将有统计学意义的因素作为自变量行多重线性回归分析，结果显示产妇BMI、前次剖宫产间隔时间、顺产史、分娩镇痛是OT剂量差异的独立影响因素，见表1。

表1 影响OT使用剂量的多重线性回归分析结果

2.3 预测模型结果 5折交叉验证下XGBoost模型对OT滴速调控的预测能力最佳，明显优于LR和CART方法，见表2。其中一组XGBoost交叉验证的混淆矩阵如表3所示，模型识别“滴速减少”的准确率最高，“滴速增加”的准确率次之，“滴速维持原速”的准确率最弱，且误差集中在“滴速增加”和“滴速维持原速”的错分。

表2 不同模型预测产时OT滴速的精确率、查准率、召回率及F1值比较

表3 OT实际滴速调控情况与模型预测情况比较

XGBoost预测模型纳入变量的重要性分布如图3所示，宫缩持续时间、宫腔压力、基线胎心、宫缩频率是对模型贡献度较大的变量。

图3 XGBoost预测模型变量重要性排名

2.4 最佳产时缩宫素输注速度预测模型的验证 将性能最佳的XGBoost预测模型与低年资助产士人工调节及专家决策意见进行比较，结果表明，低年资助产士人工调节“滴速增加”“滴速维持原速”“滴速减少”的准确率分别为82.7%、77.7%、100%，模型预测的准确率分别为87%、80.7%、100%，与缺乏临床经验的低年资助产士人工调节相比，本研究模型的实际临床应用效果更佳，接近具有丰富临床经验的专家决策水平。见表4。

表4 XGBoost预测模型的临床效果验证（%）

3 讨论

3.1 基于VBAC人群的OT调控模型的优势 在数字化医疗健康背景下，基于计算机技术的智能药物注输系统应用成为新趋势，常见于镇痛泵、胰岛素等输注场景[8-9]。相比传统人工调节输液，智能药物注输系统通过分析实时诊疗数据，自动调节输液滴速，保证药液均匀、合理的输入，兼顾用药的准确性和安全性。目前已有OT输液调控相关的系统应用研究，如郑园园[10]（CN206434657U）设计的一种OT注射自动调节装置，可对异常宫缩和胎心进行预警；韦晓昱[11]（CN203802891U）设计了一种产科用OT自动点滴调节装置，根据宫缩频率及强度调节OT滴速。但现有研究并未进行详尽的产时数据分析，仅根据既定的预设规则做出判断，起到简单的预警作用。

本研究构建的VBAC产妇OT调控模型是基于大量临床OT真实用药情况的训练，模拟临床用药经验，使其更加接近专家决策水平。VBAC产妇对OT用量控制更加谨慎，与当前人工OT调控相比，本方法兼顾OT调控的实时性、精确性和安全性，可进一步保障该人群OT用药安全。模型验证表明，与低年资助产士人工调节及专家决策意见相比，本模型基本达到专业医护人员的OT调控精度，可降低因医务人员临床经验带来的人为误差。同时，也降低了医务人员的劳动强度。在今后研究中还可利用互联网等信息技术实现OT用药的远程监控和评估，替代助产士进行OT输注，节省医疗资源，提高护理质量水平。

3.2 影响VBAC产妇OT速度调控的因素 相比非瘢痕子宫产妇，前次剖宫产间隔时间在本研究中作为VBAC产妇特有的变量纳入模型，研究表明VBAC产妇子宫宫腔压力耐受程度远低于非瘢痕子宫产妇[12]，因此在用药调整、起始剂量、使用总量上与传统输注方案均有所差异。既往研究表明，距离上次剖宫产时间2～3年的低危妊娠产妇使用OT引产成功率较高，通常可根据临床实际需求增加OT用药；而距离上次剖宫产术时间过长的孕妇，其瘢痕处组织机化增加了子宫破裂的风险，因此相比前者应更加严格限制OT用药剂量[13]。本研究还发现顺产史、BMI、分娩镇痛是影响OT用药的独立因素，这与ADAMS等[14]和LIPSCHVETZ等[15]的研究结果一致，可能原因是肥胖、分娩镇痛等因素抑制了子宫平滑肌的收缩能力，需增加外源性OT剂量与体内OT受体结合，以达到增强宫缩的效果；而有顺产史的产妇，前次妊娠时宫颈和阴道被充分扩张，此次分娩进展加快，因此OT使用量相对减少[16]。变量重要性分布是对纳入变量在模型中贡献程度的描述，图2显示宫缩持续时间、宫腔压力、基线胎心、宫缩频率和前次剖宫产间隔时间是对模型贡献度最大的变量，这与临床医务人员进行OT调控及指南要求观察的指标一致[3]，表明本研究建立的OT调控模型高度模拟临床思维，建模结果具有较高的可信度。

3.3 XGBoost模型的预测效果分析 本研究结果表明基于XGBoost算法建立的产时OT调控模型其预测精确度达0.82，性能优于LR、CART方法及低年资助产士OT调控。XGBoost是对回归树的并行构建，并基于梯度提升优化的改进提高模型训练速度和预测精度，目前广泛应用于分类、回归等多种产科医疗数据分析的应用场景，如产后大出血预警[17]、新生儿出生体质量的早期预测[18]。本研究纳入变量较多、各变量间关系复杂，且对模型的响应和精度要求高，而XGBoost支持列抽样计算和特征粒度并行优化的特性，使其具有训练速度快、结果精确高等优点[19]，因此基于XGBoost建立OT调控模型更具优势。

本研究模型将因变量按实际用药情况输出为“滴速维持原速”“滴速减少”“滴速增加”，判断下一时刻用药的走向，原因是目前针对VBAC人群OT引产尚无统一的临床用药指南，仅以低剂量用药方案为原则，但各大医疗机构起始滴速、每次调整用药滴速标准不一[12]。因此，考虑到实际用药的差异性，本研究模型现仅对OT用药的调控方向进行判断，使其具有更好的适用性和拓展性。在这三种滴速调节情况中，模型对“滴速减慢”的精确度最高，符合临床保障药安全的实际需求，当VBAC产妇OT用药出现胎心减速、宫缩过频、过密等情况时，更需精准做出“滴速减慢”的决策，以降低胎儿窘迫、子宫破裂的风险。而误差集中在“滴速加快”和“滴速维持”的预测，主要原因可能是临床上对VBAC产妇“滴速加快”的决策较为保守，需谨慎控制OT用量以避免潜在的不良反应，此外产妇疼痛主诉、医务人员性格及临床经验、宫缩探头绑缚松紧程度等均是造成误差的原因[20-21]。

综上所述，本研究基于XGBoost构建了OT调控模型，其训练速度快、模型精度高，外推性强，嵌入已有的智能OT注射反馈系统，可有效解决传统输注方案对个人经验的依赖和医务人员人力资源短缺的矛盾。但本研究局限性为单中心的回顾性研究，样本量较小，今后建议开展多中心、大样本的前瞻性研究进一步验证。