Ekstern validering af forudsigelsesalgoritme ved hjælp af ikke-invasiv overvågningsenhed til intraoperativ hypotension

Den hypotension, der opstår under operationen, er forbundet med den dårlige prognose for patienter efter operationen. Tidligere undersøgelser har rapporteret, at selv en kort periode med hypotension øger risikoen for postoperative komplikationer såsom nyreskade. Hvis vi på forhånd kan forudsige intraoperativ hypotension, kan vi forhindre eller minimere skaden.

For nylig er der mange rapporter om medicinske kunstige intelligensmodeller, der forudsiger den intraoperative hypotension. Blandt dem er HPI -modellen (Hypotension Prediction Index (HPI) allerede blevet kommercialiseret og brugt i klinisk praksis. Imidlertid har HPI begrænsninger, idet det er nødvendigt at udføre invasive teknikker (arteriel kanulation) eller at bruge dedikeret udstyr til høje omkostninger. Da mange af den generelle anæstesi udføres uden invasive overvågningsenheder, er brugen af ​​HPI -medicinske udstyr imidlertid underlagt betydelige begrænsninger.

Vi har rapporteret om forudsigelsesalgoritmen for intraoperativ hypotension ved hjælp af fem ikke-invasive overvågningsanordninger, der ofte anvendes generelt anæstesi: 1) blodtryk (NBP, antal), 2) elektrokardiogram (EKG, bølgeform), 3) ende-ilt mætningsbølgeform (PPG, bølgeform), 4) End-STASE CARBON DIOXIDE Bølgeform (Etcencygen Mætningsform) og 5) en 5) en Anæstesiedybde (BIS, antal) Ved at udføre en retrospektiv ekstern valideringsproces ved hjælp af offentlige kliniske data fra andre institutioner (Seoul National University Hospital) var den endelige model i stand til at have god forudsigelighed med et område under modtagerbetjeningskarakteristiske kurve (AUROC) værdi på 0,917.

Vi validerede imidlertid ikke eksternt denne algoritme gennem en potentiel designet undersøgelse. Denne undersøgelse har til hensigt at eksternt validere "Hypertension-forudsigelsesmodellen under operationen ved hjælp af ikke-invasiv overvågningsenhed", som allerede har rapporteret, at det forventes, at nytten og begrænsningerne i forudsigelsesmodellen kan evalueres igen, og modellen kan avanceres baseret på resultaterne.