Prospektive Validierung des Modells zur Vorhersage des Auftretens eines postoperativen Delirs mit auf maschinellem Lernen basierender Analyse intraoperativer biologischer Signale während der Anästhesie in der Herzchirurgie

Das postoperative Delir (POD) verlängert nicht nur die Dauer des Krankenhausaufenthalts und des Aufenthalts auf der Intensivstation sowie die medizinischen Kosten, sondern ist auch eng mit einer negativen Prognose verbunden, einschließlich postoperativer Mortalität, erhöhter Morbidität, langfristigem kognitiven Rückgang nach der Operation und beeinträchtigter Lebensqualität und Unabhängigkeit. Die präoperative Risikobewertung und Früherkennung von POD sind für die ordnungsgemäße Behandlung von POD sehr wichtig. Dies liegt daran, dass die medikamentöse Behandlung zur Vorbeugung oder Behandlung von POD begrenzt ist und für deren Vorbeugung und Behandlung ein multidisziplinärer Ansatz und ein Ressourcenmanagement erforderlich sind, das nahezu alle Aspekte des Patientenmanagements abdeckt. Wenn es also ein Modell gibt, das das Auftreten von POD vorhersagen kann, kann es durch eine genauere Risikobewertung und Früherkennung eine große Hilfe bei der Bewältigung eines Delirs nach einer Herzoperation sein. In früheren Studien sind Alterung und kognitiver Rückgang vor der Operation als Hauptrisikofaktoren für POD bekannt, aber die Identifizierung von Risikofaktoren vor der Operation allein reicht nicht aus, um das Auftreten von POD vorherzusagen. Herzchirurgische Eingriffe verursachen höchstwahrscheinlich pathophysiologische Veränderungen, die POD verursachen können, da sie mit hämodynamischer Instabilität, kardiopulmonaler Belastung, Veränderungen der Körpertemperatur und systemischen Entzündungsreaktionen verbunden sind. Diese pathophysiologischen Veränderungen können sich in den Daten (Biosignalen) widerspiegeln, die während der Narkose über verschiedene Überwachungsgeräte erfasst werden. Die meisten Ereignisse, die während der Anästhesie auftreten, gelten im Gegensatz zu präoperativen Risikofaktoren als korrigierbare Risikofaktoren für POD, und es besteht die Möglichkeit, das Auftreten von POD durch aktive Korrektur zu reduzieren. Daher ist es notwendig, die Wirkung dieser intraoperativen Biosignale auf POD zu analysieren. Im Entwicklungsprozess des Delir-Vorhersagemodells ist es besser, die Modellleistungsvalidierung auf der Grundlage prospektiv erfasster Patientendaten durchzuführen, um eine Überanpassung zu verhindern und eine höhere Vorhersageleistung zu erzielen, als einfach die bereits gesammelten Daten aufzuteilen und sie im Validierungsprozess der Modellleistung zu verwenden. Daher zielt diese Studie darauf ab, prospektive Daten zu sammeln, um die Leistung des Delir-Vorhersagemodells nach einer Herzoperation zu bewerten, das mithilfe maschineller Lerntechniken basierend auf den bereits gesammelten Daten einschließlich Biosignalen während der Anästhesie erstellt wurde. Wenn nach Durchsicht der Krankenakten vom Tag der Operation bis zum Aufenthalt auf der Intensivstation der Wert der Intensive Care Delirium Screening Checklist (ICDSC) 6 oder höher ist oder eine Konsultation mit Delir vorliegt, wird dies als POD erfasst. Nach der Strukturierung der Datenbank durch Reinigung, Standardisierung, Ausreißererkennung und Probenahme von Biosignaldaten, die während der Operation generiert wurden, werden verschiedene Variablen aus medizinischen Aufzeichnungen gesammelt, um einen Bewertungsdatensatz zu erstellen. Anhand dieses Datensatzes wird die Leistung des Delir-Vorhersagemodells, das durch Anwendung des Algorithmus für maschinelles Lernen erstellt wurde, durch eine Analyse der Betriebskennlinie des Empfängers bewertet.