Nutriční a metabolické podtypy spojené s pooperačním deliriem po kardiochirurgickém výkonu

Tato studie využila rozsáhlá klinická lékařská data ke stanovení předoperačních nutričních podtypů pacientů prostřednictvím shlukové analýzy K-Means využívající indikátory týkající se krevního cukru, krevních lipidů a proteinů. Následně byly využity jednorozměrné a vícerozměrné analýzy ke zkoumání korelace mezi různými podtypy a POD. Kromě toho byla využita nezávislá klinická kohorta k ověření spojení mezi klinickými podtypy a pooperačním deliriem s dalším zkoumáním zprostředkující role hladin oxidu dusnatého (NO) ve vztahu mezi nutričními podtypy a pooperačním deliriem.

Studie se zaměřila na dospělé pacienty podstupující kardiovaskulární operaci. Pacienti splňující následující kritéria byli ze studie vyloučeni: 1) nezletilí mladší 18 let; 2) těhotné ženy; 3) jedinci s již existujícím předoperačním deliriem nebo s anamnézou psychiatrických poruch, jako je schizofrenie a těžké depresivní stavy; 4) osoby s rozsáhlou anamnézou psychotropních léků; 5) Užívání dusičnanů po přijetí; a 6) pacienti s významnými neurologickými poruchami, jako jsou těžká traumatická poranění mozku nebo nedávné mrtvice během posledních 6 měsíců.

Kritéria pro zařazení a vyloučení pro validační kohortu byla shodná s těmi u derivační kohorty. Vzorky krve byly pacientům odebírány ve třech různých časových bodech – před operací po hladovění, během operace a 24 hodin po operaci. Tyto vzorky byly uloženy v centrální biobance při -80 °C pro budoucí analýzu. Byly také zdokumentovány podrobnosti týkající se typu a trvání podané anestezie. Hladiny oxidu dusnatého (NO) v plazmě byly hodnoceny pomocí vzorků plné krve kyseliny ethylendiamintetraoctové (BTK074, Bio-swamp, Wuhan, Čína), se specifickými protokoly testu dostupnými na https://www.bio-swamp.com/goodsDetail/BTK074.

Sbírka výzkumných proměnných Výzkumné proměnné zahrnovaly nutriční indexy, zahrnující glykémii nalačno (GLU), cholesterol lipoproteinů s nízkou hustotou (LDL-C), cholesterol lipoproteinů s vysokou hustotou (HDL-C), celkový cholesterol (TC), triglyceridy (TG). ), albumin (ALB) a počet lymfocytů (LYC). Počáteční výsledky testů pro tyto indexy byly získány do 48 hodin od přijetí každého pacienta do nemocnice. V případech, kdy data chyběla, byly použity odpovídající hodnoty zaznamenané ve zdravotní dokumentaci pacienta za posledních 6 měsíců. Kromě toho další klinická data zahrnovala pohlaví, věk, komorbidity a léčebné protokoly. Hodnocené komorbidity zahrnovaly hypertenzi, diabetes, chronické onemocnění plic a chronické selhání ledvin. Chronická plicní onemocnění zahrnovala chronickou obstrukční plicní nemoc, bronchiální astma, chronickou bronchitidu a bronchiektázie.

Definice a nastavení klinických výsledků Byl hodnocen primární výsledek, stanovený jako u pacientů s vývojem POD během 72 hodin po operaci nebo před propuštěním. V derivační kohortě se diagnóza deliria opírala o zdokumentované POD ve zdravotnické dokumentaci. Pokud to není výslovně uvedeno, byla přítomnost POD stanovena na základě výsledků metody hodnocení zmatenosti na jednotce intenzivní péče (CAM-ICU) zaznamenaných v ošetřovatelské dokumentaci. V prospektivní kohortě vyškolení lékaři použili protokol CAM-ICU k hodnocení vědomí pacientů v 6hodinových intervalech po dobu až 72 hodin po operaci, přičemž klasifikovali pacienta s pozitivní CAM-ICU alespoň jednou během tohoto období nebo před propuštěním jako s POD .

Sekundární výsledky zahrnovaly běžné pooperační nežádoucí příhody, jako je prodloužená mechanická ventilace (MV) (definovaná jako nepřetržitá mechanická ventilace po dobu ≥ 72 hodin po operaci), mortalita v nemocnici ze všech příčin a výskyt pooperačních plicních komplikací (např. respirační selhání, pleurální výpotek, plicní atelektáza, pneumotorax, bronchospasmus a aspirační pneumonie). Sběr dat a diagnostické procesy prováděli nezávisle dva výzkumníci, přičemž nesrovnalosti vyřešil třetí výzkumník, aby byla zajištěna přesnost a konzistentnost.

Procesy strojového učení Techniky strojového učení byly implementovány pomocí Pythonu (verze 3.13.0, Python Software Foundation). Bylo zahájeno předběžné zpracování dat, počínaje zpracováním odlehlých hodnot pomocí techniky 99% winsorizace, aby se řešil dopad odlehlých hodnot na výsledky. StandardScaler byl poté použit k normalizaci datové sady. Spearmanův korelační koeficient byl použit k vyhodnocení korelace mezi prvky datové sady, vizualizované pomocí teplotní mapy. Byl použit shlukovací algoritmus K-Means, klíčová metoda učení bez dozoru[15]. Modely K-Means byly trénovány na odvozených kohortách a metoda koeficientu siluety určila optimální počet shluků pro robustní výsledky shlukování. Data ověřovací sady podstoupila klasifikaci pomocí předem trénovaného modelu K-Means k predikci shlukových značek pro každý bod vzorku.