Predikce koncentrace propofolu v místě účinku spojené s hlubokou anestezií (PRESCOD-AI)

Propofol je nejrozšířenějším anestetikem k navození celkové anestezie (GA). Na rozdíl od těkavé anestezie však není monitorování koncentrace propofolu u lidí přímo dostupné. Proto se doporučuje použití farmakokinetického/farmakodynamického (PK/PD) modelu v cílově řízené infuzi (TCI). Během infuze se předpokládá, že koncentrace v místě účinku (Ce) koreluje s úrovní hypnózy. V běžné praxi však existuje velká variabilita požadavků na propofol. Variabilita požadavků na propofol je připisována demografickým faktorům, genetickému polymorfismu, změnám souvisejícím s procedurou a individuální citlivosti. Předchozí studie ukázaly, že EEG charakteristiky se mění s věkem a kognitivním stavem.

Hypotéza: Existuje velká interindividuální variabilita v citlivosti pacientů na propofol, kterou lze přesně modelovat pomocí klinických, demografických a elektroencefalografických (EEG) vlastností dostupných před zahájením celkové anestezie. Výzkumníci také předpokládají, že tato citlivost na propofol může identifikovat zranitelný mozkový fenotyp související se špatnou kognitivní výkonností.

Specifické cíle: Primární: prozkoumat variabilitu Ce propofolu, při které dochází k hluboké anestezii (DA) při úvodu do celkové anestezie (CeDA). Sekundární: prozkoumat vztah mezi demografickými údaji, kognitivním výkonem a proměnnými EEG s nezávislou proměnnou CeDA. Terciární: vyvinout a ověřit algoritmus strojového učení pro predikci CeDA na základě klinických, demografických a EEG vlastností získaných před zahájením celkové anestezie.

Metody: Tato prospektivní monocentrická observační studie bude zahrnovat 110 účastníků ve věku 18 let a více, kteří mají být operováni v celkové anestezii. Základní kognitivní výkon bude hodnocen pomocí Montrealského kognitivního hodnocení. Indukce GA bude prováděna za použití 300 ml.h-1 1% propofolu, dokud není pozorován DA (definovaný jako index stavu pacienta (PSI) < 30). Primárním cílovým parametrem bude Ce propofol, při kterém dojde k hluboké anestezii (CeDA) podle výpočtu Eleveld PK/PD modelu pro propofol. Předoperační surové EEG křivky z monitoru SedLine budou použity k extrakci statistických, entropických a spektrálních znaků. EEG s vysokou hustotou (128 kanálů) bude také zaznamenáno u podvzorku 40 pacientů, aby se extrahovaly funkce mozkové funkční konektivity. Tyto vlastnosti budou zadány do zobecněného aditivního modelu pro predikci CeDA. Na základě těchto funkcí také vyvineme a ověříme algoritmus strojového učení k předpovědi CeDA.

Význam/důležitost: Výsledky této studie by mohly poskytnout lepší pochopení determinant interindividuální variability pozorované ve farmakodynamickém účinku anestetik. Predikce CeDA navíc může lékařům pomoci při stanovení správného a bezpečného cíle v cílově řízené infuzi propofolu během úvodu do celkové anestezie a dále omezit výskyt hluboké anestezie během operace. Konečně, znalost souvislosti mezi charakteristikami EEG, citlivostí na anestetika a kognitivní výkonností může vést k personalizovanějšímu podání anestezie.