Diagnose eines Delirs und Beurteilung der Schlafqualität bei Patienten auf der Anästhesie- und Intensivstation (delirium sleep)

Delir ist eine Erkrankung, die zu Funktionsverlusten im Gehirn führt, die sowohl auf strukturelle als auch vaskuläre Anomalien zurückzuführen sind, die zu Dehydrierung und Minderdurchblutung führen und den Transport von Sauerstoff und Glukose zu Neuronen verhindern, was zu einer Stoffwechselstörung im Gehirn führt. Darüber hinaus ist Delir, das durch Orientierungslosigkeit, Unaufmerksamkeit und Veränderungen in Gedanken und/oder Verhalten gekennzeichnet ist, eine schwerwiegende und weit verbreitete neuropsychiatrische Erkrankung, die häufig unbemerkt bleibt, obwohl sie nach entsprechender Intervention vermeidbar und reversibel ist. Es wurde festgestellt, dass zahlreiche Risikofaktoren die Entwicklung eines Delirs beeinflussen, darunter längere Krankenhausaufenthalte, Medikamenteneinnahme, Bewältigungsmechanismen während einer Krankheit, Persönlichkeitsmerkmale und Therapietreue. Man geht davon aus, dass Intensivpatienten ein höheres Risiko haben, ein Delir zu entwickeln. In diesem Zusammenhang stellen invasive Eingriffe, regelmäßige Pflege, Umgebungslärm, ständige Lichtexposition, bereits bestehende Schlafstörungen, Schmerzen, Ängste, Furcht und Einsamkeit physiologische und psychologische Faktoren dar, die bei Intensivpatienten zu Schlafmangel führen können. Tatsächlich können Orte wie Intensivstationen, an denen Patienten ständigen Reizen ausgesetzt sind und starke Schmerzen verspüren, Stressreaktionen auslösen, die zu Unruhe, Schlafstörungen und Delirium führen.

Frühere Studien haben darauf hingewiesen, dass Medikamente zur Kontrolle des Delirs die Schlafqualität negativ beeinflussen können, während eine Verschlechterung der Schlafqualität das Delir verschlimmern kann. Das Hauptziel bei der Delir-Prävention besteht darin, einen regelmäßigen Schlaf-Wach-Zyklus sicherzustellen, eine ausreichende Flüssigkeits- und Nährstoffaufnahme zu unterstützen und durch einen systematischen, multidisziplinären, teambasierten Ansatz sowohl präventive als auch therapeutische Behandlungen bereitzustellen, um die Häufigkeit und Dauer von Delirien zu reduzieren. Ansätze der künstlichen Intelligenz und des maschinellen Lernens ermöglichen es Maschinen, komplexe Prozesse wie Denken und Bewusstsein zu simulieren. Dadurch können Computer die Beziehungen zwischen Eingaben und Ausgaben aus großen Datensätzen lernen und so optimale Entscheidungen, Analysen und Vorhersagen treffen. Im Gesundheitswesen wird diese Technologie in vielen Bereichen eingesetzt, darunter zur Früherkennung und Vorhersage von Krankheiten, zur Klassifizierung von Krankheiten, zur Behandlung, zur Verhinderung unerwünschter Folgen, zur schnellen Analyse klinischer Daten, zu kostensparenden Initiativen und zur Bereitstellung einer wirksamen und qualitativ hochwertigen Pflege. Minimierung menschlicher Fehler und klinische Entscheidungsfindung.

In der vorliegenden Studie wurde der Zusammenhang zwischen Delir und Schlafqualität bei Patienten in der Anästhesie und auf der Intensivstation untersucht und eine prädiktive Analyse mithilfe eines maschinellen Lernansatzes durchgeführt.

Die für diese Studie erforderlichen Daten wurden mithilfe des Patienteninformationsformulars, der Nursing Delirium Screening Scale (Nu-DESC), der Richards-Campbell Sleep Scale (RCSS), der Richmond Agitation-Sedation Scale (RASS) und der GCS erfasst. Die gesammelten Daten wurden mit dem SPSS-Statistikprogramm (SPSS-26) analysiert und bei der Berichterstattung über die Ergebnisse wurden die Richtlinien zur Stärkung der Berichterstattung über Beobachtungsstudien in der Epidemiologie (STROBE) befolgt. Die Stichprobengröße wurde mithilfe der bekannten Stichprobenberechnungsmethode der Grundgesamtheit ermittelt. Sowohl Häufigkeits- als auch Prozentanalysen wurden verwendet, um die Verteilung der demografischen Merkmale der Teilnehmer zu beschreiben, während der Mittelwert und die Standardabweichung verwendet wurden, um die Ebenen der Teilnehmer auf den verwendeten Skalen zu bestimmen. Cronbachs Alpha-Zuverlässigkeitsanalyse wurde durchgeführt, um die Skalenzuverlässigkeit zu bewerten, und die Post-hoc-Power-Analyse zeigte, dass die Studie eine mittlere Power bei einem Konfidenzniveau von 95 % und einer Signifikanz von 99 % aufwies. Die Schiefe-Kurtosis-Werte wurden überprüft, um die Normalität der Verteilung zu beurteilen. Zur Beurteilung der Unterschiede zwischen den Gruppen wurde ein unabhängiger Stichproben-T-Test verwendet. Für Vergleiche zwischen mehr als zwei Gruppen wurde eine einseitige Varianzanalyse (ANOVA) angewendet, während die Vorhersage- und Receiver Operating Characteristic (ROC)-Kurvenanalysen mit R Version 4.1.3 durchgeführt wurden.