Diagnose af delirium og vurdering af søvnkvalitet hos patienter på anæstesi- og intensivafdelingen (delirium sleep)

Delirium er en tilstand, der involverer funktionelle tab i hjernen på grund af både strukturelle og vaskulære abnormiteter forårsaget dehydrering og hypoperfusion, som forhindrer transporten af ​​ilt og glukose til neuroner, hvilket fører til metabolisk dysfunktion i hjernen. Desuden er delirium, som er karakteriseret ved desorientering, uopmærksomhed og ændringer i tanker og/eller adfærd, en alvorlig og udbredt neuropsykiatrisk tilstand, der ofte går ubemærket hen, selvom den kan forebygges og reversibel efter passende indgreb. Adskillige risikofaktorer har vist sig at påvirke udviklingen af ​​delirium, herunder længerevarende hospitalsophold, medicinbrug, mestringsmekanismer under sygdom, personlighedstræk og behandlingscompliance. Det menes, at intensivpatienter har en højere risiko for at udvikle delirium. I denne henseende repræsenterer invasive procedurer, regelmæssig sygepleje, miljøstøj, kontinuerlig lyseksponering, allerede eksisterende søvnforstyrrelser, smerte, angst, frygt og ensomhed fysiologiske og psykologiske faktorer, der kan føre til søvnmangel hos intensivpatienter. Faktisk kan steder som intensivafdelinger (ICU'er), hvor patienter udsættes for konstante stimuli og kan opleve stærke smerter, udløse stressreaktioner, der fører til agitation, søvnforstyrrelser og delirium.

Tidligere undersøgelser har vist, at medicin, der bruges til at kontrollere delirium, kan påvirke søvnkvaliteten negativt, mens forværring af søvnkvaliteten kan forværre delirium. Hovedmålet med at forebygge delirium er at sikre en regelmæssig søvn-vågen-cyklus, understøtte et tilstrækkeligt væske- og næringsstofindtag og give både forebyggende og terapeutiske behandlinger gennem en systematisk, multidisciplinær teambaseret tilgang til at reducere hyppigheden og varigheden af ​​delirium. Kunstig intelligens og maskinlæringstilgange gør det muligt for maskiner at simulere komplekse processer såsom tænkning og bevidsthed, og derved tillader computere at lære relationerne mellem input og output fra store datasæt, hvilket hjælper dem med at træffe optimale beslutninger, analyser og forudsigelser. Inden for sundhedsområdet bruges en sådan teknologi på mange områder, herunder tidlig påvisning og forudsigelse af sygdom, sygdomsklassificering, behandling, forebyggelse af uønskede resultater, hurtig analyse af kliniske data, omkostningsbesparende initiativer, levering af effektiv pleje af høj kvalitet, minimering af menneskelige fejl og klinisk beslutningstagning.

I denne undersøgelse blev forholdet mellem delirium og søvnkvalitet hos patienter i anæstesi og intensivafdeling undersøgt, og der blev udført en forudsigelig analyse ved hjælp af en maskinlæringstilgang.

De nødvendige data til denne undersøgelse blev indsamlet ved hjælp af patientinformationsskemaet, Nursing Delirium Screening Scale (Nu-DESC), Richards-Campbell Sleep Scale (RCSS), Richmond Agitation-Sedation Scale (RASS) og GCS. De indsamlede data blev analyseret ved hjælp af SPSS statistiske program (SPSS-26), og retningslinjerne for styrkelse af rapportering af observationsstudier i epidemiologi (STROBE) blev fulgt ved rapportering af resultaterne. Stikprøvestørrelsen blev bestemt ved hjælp af den kendte populationsprøveberegningsmetode. Både frekvens- og procentanalyser blev brugt til at beskrive fordelingen af ​​deltagernes demografiske karakteristika, mens middelværdi og standardafvigelse blev brugt til at bestemme deltagernes niveauer på de anvendte skalaer. Cronbachs alpha-reliabilitetsanalyse blev udført for at vurdere skala-reliabiliteten, og post-hoc-poweranalysen viste, at undersøgelsen havde medium effekt på et 95% konfidensniveau med 99% signifikans. Skewness-kurtosis værdierne blev kontrolleret for at vurdere normaliteten af ​​fordelingen. En uafhængig t-test blev brugt til at vurdere forskellene mellem grupperne. Til sammenligninger mellem mere end to grupper blev der anvendt en envejsvariansanalyse (ANOVA), mens forudsigelses- og modtagerdriftskarakteristikkens (ROC) kurveanalyser blev udført ved brug af R version 4.1.3.