Machine Learning-baseret model for individuel forudsigelse af lægemiddeldosis for Propofol

Undersøgelsesmetoder:

（1）Casevalg: Patienter, der har behov for elektiv kirurgisk behandling på hospitalet for hjerte-kar- og cerebrovaskulær sygdom på General Hospital ved Ningxia Medical University.

Inklusionskriterier: Patienterne var kønsneutrale og i alderen ≥18 år.

(2) Klinisk undersøgelsesprotokol: Patienterne blev indlagt på operationsstuen for at etablere intravenøs adgang, forbundet til EKG-monitorering, EEG-monitorering, 4L/min maskeiltning og realtidsvideooptagelse af hele anæstesiinduktionsprocessen ved hjælp af en videooptager til postoperativ integration af forskellige data. Propofol blev pumpet ind med 100 mg/kg/time, og anæstesilægen med propofol vurderede graden af ​​sedation af patienten, indtil patienten var dybt sederet og MOAA/S scoren var 0, og pumpningen af ​​propofol blev stoppet.

(3) Observationsindikatorer: Demografisk information og generelle præoperative data blev indsamlet, inklusive patienters køn, alder, vægt, højde, ASA-klassificering, body mass index (BMI) og tidligere sygehistorie (hypertension, koronar hjertesygdom, diabetes mellitus, luftvejssygdomme, slagtilfælde).

Systolisk blodtryk, diastolisk blodtryk, middelarterietryk, hjertefrekvens, fingerpulsoximetri (SPO2), elektroencefalogrambølgeformer, doseringen af ​​propofol administreret fra starten af ​​anæstesiinduktion til MOAA/S = 0 og tidspunktet for administration af propofol blev registreret for alle de grundlæggende og udvidede monitoreringsparametre, henholdsvis efter patientens indlæggelse på operationsstuen og på tidspunktet af 0-scoren for MOAA/S-scoren.

(4) Evalueringsmetoder for hvert emne. Vurdering af anæstesidybde: MOAA/S-sedationsdybde blev brugt til vurdering, og MOAA/S-score på 4-5 blev klassificeret som mild sedation, hvilket indikerede, at responsen på at kalde navne i normal tone var følsom eller langsom; 2-3 blev klassificeret som moderat sedation, hvilket indikerede, at der var en reaktion på at kalde navne højt eller gentagne gange, eller der var en reaktion på let skub og vibrationer; ≤1 blev klassificeret som dyb sedation, hvilket indikerede, at der var en reaktion på smertestimulering; 0 blev klassificeret som generel anæstesi, hvilket indikerede, at der var en reaktion på smertestimulering; 0 blev klassificeret som generel anæstesi, hvilket indikerede, at der var respons på smertestimulering. ≤1 er klassificeret som dyb sedation, hvilket indikerer en reaktion på smertefulde stimuli; 0 er klassificeret som generel anæstesi, hvilket indikerer ingen reaktion på smertefulde stimuli.

EEG-funktionsekstraktion: brug python MNE (https://mne.tools/stable/index.html) modulpakke til analyse, MNE kan læse de mest almindelige fysiologiske signaler i rådataformat, de specifikke metoder er som følger: ① Dataekstraktion: importer data → elektrodepositionering → afvis ubrugelige elektroder → re-reference → filter → dropsampling rate → kør ICA → batchbehandling → segmentering og basislinjekorrektion → interpolation af dårlig ledningsevne og afvisning af dårlig ledningsevne → fjernelse af støjkomponenter → afvisning af dårlige segmenter; ② Dataopdeling: dataene for de nødvendige EEG-overvågningspunkter er opdelt for at inkludere vågenhed og sedation; ③ Funktionsekstraktion: tidsdomæne, amplitudekvadratrodsværdi, kurtosis, skævhed, burstundertrykkelseshastighed/minut, frekvensdomæne og entropiindeks opnås ved Fourier-transformation.

(5) Foreslået maskinlæringsalgoritme: regressionsanalyse er en prædiktiv modelleringsteknik, der arbejder ud fra et sæt data for at bestemme kvantitative relationelle ligninger mellem visse variabler, statistisk teste disse relationelle ligninger mellem variablerne og identificere de variable, der har en signifikant effekt fra blandt de mange variable, der påvirker en bestemt variabel.