Model založený na strojovém učení pro individualizovanou předpověď dávky léku pro propofol

Studijní metody:

（1）Výběr případu: Pacienti vyžadující elektivní chirurgickou léčbu v nemocnici pro kardiovaskulární a cerebrovaskulární onemocnění Všeobecné nemocnice lékařské univerzity Ningxia.

Kritéria pro zařazení: Pacienti byli genderově neutrální a byli ve věku ≥ 18 let.

(2) Protokol klinické studie: Pacienti byli přijati na operační sál za účelem zavedení nitrožilního přístupu, napojeni na monitorování EKG, monitorování EEG, okysličování maskou 4 l/min a videozáznam celého procesu navození anestezie v reálném čase pomocí videorekordéru pro pooperační integrace různých dat. Propofol byl napumpován v dávce 100 mg/kg/h a anesteziolog propofolem hodnotil stupeň sedace pacienta, dokud pacient nebyl hluboce sedován a MOAA/S skóre bylo 0, a pumpování propofolu bylo zastaveno.

(3) Ukazatele pozorování： Byly shromážděny demografické informace a obecná předoperační data, včetně pohlaví pacientů, věku, hmotnosti, výšky, klasifikace ASA, indexu tělesné hmotnosti (BMI) a anamnézy (hypertenze, ischemická choroba srdeční, diabetes mellitus, onemocnění dýchacích cest, mrtvice).

Systolický krevní tlak, diastolický krevní tlak, střední arteriální tlak, srdeční frekvence, prstová pulzní oxymetrie (SPO2), průběhy elektroencefalogramu, dávka propofolu podávaná od začátku úvodu do anestezie do MOAA/S = 0 a doba podávání propofolu byly zaznamenány pro všechny základní a rozšířené monitorovací parametry po přijetí pacienta na operační sál a v době 0 skóre MOAA/S skóre.

(4) Metody hodnocení každé položky Hodnocení hloubky anestezie: K hodnocení byla použita hloubka sedace MOAA/S a skóre MOAA/S 4–5 bylo klasifikováno jako mírná sedace, což naznačovalo, že reakce na volání jmen normálním tónem byl citlivý nebo pomalý; 2-3 byla klasifikována jako mírná sedace, což naznačovalo, že došlo k reakci na hlasité nebo opakované volání jmen nebo došlo k reakci na mírné tlačení a vibrace; ≤1 byla klasifikována jako hluboká sedace, což naznačuje, že došlo k reakci na stimulaci bolestí; 0 byla klasifikována jako celková anestezie, což naznačuje, že došlo k reakci na stimulaci bolesti; 0 byla klasifikována jako celková anestezie, což naznačuje, že došlo k reakci na stimulaci bolesti. ≤1 je klasifikována jako hluboká sedace, což ukazuje na reakci na bolestivé podněty; 0 je klasifikována jako celková anestezie, což znamená, že nereaguje na bolestivé podněty.

Extrakce vlastností EEG: pro analýzu použijte balíček modulů python MNE (https://mne.tools/stable/index.html), MNE dokáže číst většinu běžných fyziologických signálů ve formátu nezpracovaných dat, konkrétní metody jsou následující: ① Extrakce dat: import dat → umístění elektrod → vyřazení nepotřebných elektrod → opětovné reference → filtr → vzorkovací frekvence poklesu → spuštění ICA → dávkové zpracování → segmentace a korekce základní linie → interpolace špatné vodivosti a vyloučení špatné vodivosti → odstranění složek šumu → odmítnutí špatných segmentů; ② Rozdělení dat: data požadovaných monitorovacích bodů EEG jsou rozdělena tak, aby zahrnovala bdělost a sedaci; ③ Extrakce rysů: časová doména, hodnota druhé odmocniny amplitudy, špičatost, šikmost, rychlost potlačení burst/minuta, frekvenční doména a index entropie jsou získány Fourierovou transformací.

(5) Navrhovaný algoritmus strojového učení: regresní analýza je technika prediktivního modelování, která pracuje ze souboru dat a určuje kvantitativní relační rovnice mezi určitými proměnnými, statisticky testuje tyto relační rovnice mezi proměnnými a identifikuje proměnné, které mají významný vliv na mezi více proměnnými, které ovlivňují konkrétní proměnnou.