Prospektiv validering af modellen, der forudsiger postoperativ delirium med maskinlæringsbaseret analyse af intraoperative biologiske signaler under anæstesi i hjertekirurgi

Postoperativt delirium (POD) øger ikke kun varigheden af ​​hospitalsindlæggelse og intensivafdelingsophold og medicinske omkostninger, men er også tæt forbundet med negativ prognose, herunder postoperativ mortalitet, øget sygelighed, langsigtet kognitiv tilbagegang efter operation og forringet livskvalitet og uafhængighed. Den præoperative risikovurdering og tidlig påvisning af POD er ​​meget vigtig i den korrekte håndtering af POD. Dette skyldes, at lægemiddelbehandling, der kan forebygge eller behandle POD, er begrænset, og for at forebygge og håndtere den er der behov for en tværfaglig tilgang og ressourcestyring, der dækker næsten alle aspekter af patientbehandling. Derfor, hvis der er en model, der kan forudsige forekomsten af ​​POD, kan den være til stor hjælp til at håndtere delirium efter hjertekirurgi gennem mere præcis risikovurdering og tidlig opsporing. I tidligere undersøgelser er aldring og kognitiv tilbagegang før operation kendt som store risikofaktorer for POD, men identifikation af risikofaktorer før operation alene er utilstrækkelig til at forudsige forekomsten af ​​POD. Hjertekirurgi vil med stor sandsynlighed forårsage patofysiologiske ændringer, der kan forårsage POD, fordi det er forbundet med hæmodynamisk ustabilitet, hjerte-lunge-brug, ændringer i kropstemperatur og systemisk inflammatorisk respons. Disse patofysiologiske ændringer kan afspejles i de data (biosignaler), der opnås gennem forskellige overvågningsanordninger under anæstesi. De fleste af de hændelser, der opstår under anæstesi, anses for at være korrigerbare risikofaktorer for POD, i modsætning til præoperative risikofaktorer, og der er et potentiale for at reducere forekomsten af ​​POD ved aktivt at korrigere dem. Derfor er det nødvendigt at analysere effekten af ​​disse intraoperative biosignaler på POD. I udviklingsprocessen for deliriumforudsigelsesmodeller er det bedre at udføre modelpræstationsvalidering baseret på patientdata, der er indsamlet prospektivt for at forhindre overtilpasning og opnå højere prædiktiv ydeevne i stedet for blot at opdele de allerede indsamlede data og bruge dem i modelpræstationsvalideringsprocessen. Derfor sigter denne undersøgelse på at indsamle prospektive data for at evaluere ydeevnen af ​​delirium-forudsigelsesmodellen efter hjertekirurgi bygget ved hjælp af maskinlæringsteknikker baseret på de allerede indsamlede data, herunder biosignaler under anæstesi. Efter gennemgang af lægejournalerne fra operationsdagen til opholdsperioden på intensivafdelingen, hvis ICDSC-scoren (Intensive Care Delirium Screening Checklist) er 6 eller højere, eller der er en registrering af konsultation med delirium, registreres det som POD. Efter strukturering af databasen gennem oprensning, standardisering, outlier-detektion og prøveudtagning af biosignaldata genereret under operationen, indsamles forskellige variabler opnået fra medicinske journaler for at konstruere et evalueringsdatasæt. Ved at bruge dette datasæt evalueres ydeevnen af ​​delirium-forudsigelsesmodellen bygget ved at anvende maskinlæringsalgoritmen gennem Receiver Operating Characteristic-kurveanalyse.