Präoperative Merkmale zur Vorhersage eines supraglottischen Atemwegsversagens mittels maschinellem Lernen (ERICA) (ERICA)

Eine intraoperative Verfahrensänderung führt nicht nur zu zeitlichen Verzögerungen, sondern auch zu für den Patienten belastenden Maßnahmen, wie einer Vertiefung der Narkose und einer erneuten Manipulation der Atemwege.

Daher besteht das Ziel von ERICA darin, einen maschinellen Lernalgorithmus zu entwickeln, der auf präoperativen Informationen basiert und 1) das Risiko einer ungeplanten SGA-Umstellung genau vorhersagen kann und 2) Merkmale identifiziert, die zur Umstellung von SGA auf Trachealtubus führen.

I. Entwicklung des Modells

• Der endgültige Datensatz wird in eine Trainings-, Test- und Validierungskohorte aufgeteilt. Es werden fünf Modelle erstellt, um die intraoperative Konvertierung von SGA zu Trachealtubus vorherzusagen, darunter generalisierte lineare Modelle (GLM), Deep Learning, Distributed Random Forest (DRF), xgboost und Gradient Boosting Machine (GBM). Anschließend wird durch Kombination der fünf Modelle ein gestapeltes Ensemblemodell erstellt. Abschließend wird das beste Modell der künstlichen Intelligenz ausgewählt.

II. Identifizieren Sie Merkmale, die zur Umrechnung und Kategorisierung der Atemwege führen.

• Intraoperative Positionsänderungen des Patienten können das Konversionsrisiko verändern, daher sollten Operationen mit Positionsänderungen in Betracht gezogen werden
• Identifizieren Sie patienten- und verfahrensabhängige Merkmale, die zur Umstellung von SGA auf Trachealtubus führen, und deren Bedeutung.