Prospektivní validace modelu predikujícího výskyt pooperačního deliria s analýzou intraoperačních biologických signálů během anestezie v kardiochirurgii založenou na strojovém učení

Pooperační delirium (POD) nejen prodlužuje délku hospitalizace a pobytu na jednotce intenzivní péče a léčebné náklady, ale je také úzce spojeno s negativní prognózou, včetně pooperační mortality, zvýšené morbidity, dlouhodobého poklesu kognitivních funkcí po operaci a zhoršené kvality života. a nezávislost. Předoperační posouzení rizik a včasná detekce POD jsou velmi důležité pro správnou léčbu POD. Je to proto, že medikamentózní léčba, která může předcházet nebo léčit POD, je omezená a pro její prevenci a řízení je vyžadován multidisciplinární přístup a řízení zdrojů pokrývající téměř všechny aspekty řízení pacientů. Pokud tedy existuje model, který dokáže předpovědět výskyt POD, může být velkou pomocí při zvládání deliria po kardiochirurgickém výkonu díky přesnějšímu posouzení rizik a včasné detekci. V předchozích studiích jsou stárnutí a kognitivní pokles před operací známy jako hlavní rizikové faktory pro POD, ale samotná identifikace rizikových faktorů před operací nestačí k predikci výskytu POD. Srdeční chirurgie s vysokou pravděpodobností způsobí patofyziologické změny, které mohou způsobit POD, protože je spojena s hemodynamickou nestabilitou, kardiopulmonálním použitím, změnami tělesné teploty a systémovou zánětlivou odpovědí. Tyto patofyziologické změny se mohou projevit v datech (biosignálech) získaných prostřednictvím různých monitorovacích zařízení během anestezie. Většina příhod, ke kterým dochází během anestezie, je na rozdíl od předoperačních rizikových faktorů považována za korigovatelné rizikové faktory POD a existuje potenciál snížit výskyt POD jejich aktivní korekcí. Proto je nutné analyzovat vliv těchto intraoperačních biosignálů na POD. V procesu vývoje predikčního modelu deliria, spíše než prosté dělení již shromážděných dat a jejich použití v procesu validace výkonnosti modelu, je lepší provádět validaci výkonnosti modelu na základě prospektivně shromážděných dat pacientů, aby se předešlo nadměrnému přizpůsobení a dosáhlo se vyšší prediktivní výkonnosti. Tato studie si proto klade za cíl shromáždit prospektivní data pro vyhodnocení výkonu predikčního modelu deliria po kardiochirurgickém zákroku vytvořeného pomocí technik strojového učení na základě již shromážděných dat včetně biosignálů během anestezie. Po přezkoumání zdravotnické dokumentace ode dne operace do doby pobytu na JIP, pokud je skóre Intensive Care Delirium Screening Checklist (ICDSC) 6 nebo vyšší nebo existuje záznam o konzultaci s deliriem, je zaznamenána jako POD. Po strukturování databáze pomocí purifikace, standardizace, detekce odlehlých hodnot a vzorkování biosignálních dat generovaných během chirurgického zákroku jsou shromážděny různé proměnné získané z lékařských záznamů za účelem sestavení hodnotící datové sady. Pomocí této datové sady je vyhodnocována výkonnost modelu predikce deliria vytvořeného aplikací algoritmu strojového učení prostřednictvím analýzy křivky provozní charakteristiky přijímače.