Auf maschinellem Lernen basierendes Modell zur individuellen Vorhersage der Arzneimitteldosis für Propofol

Studienmethoden:

（1）Fallauswahl: Patienten, die eine elektive chirurgische Behandlung im Krankenhaus für kardiovaskuläre und zerebrovaskuläre Erkrankungen des Allgemeinen Krankenhauses der Medizinischen Universität Ningxia benötigen.

Einschlusskriterien: Die Patienten waren geschlechtsneutral und ≥ 18 Jahre alt.

(2) Klinisches Studienprotokoll: Die Patienten wurden in den Operationssaal eingeliefert, um einen intravenösen Zugang einzurichten, verbunden mit EKG-Überwachung, EEG-Überwachung, 4 l/min-Maskenoxygenierung und Echtzeit-Videoaufzeichnung des gesamten Anästhesieeinleitungsprozesses mithilfe eines Videorecorders postoperative Integration verschiedener Daten. Propofol wurde mit 100 mg/kg/h eingepumpt, und der Anästhesist mit Propofol beurteilte den Grad der Sedierung des Patienten, bis der Patient tief sediert war und der MOAA/S-Score 0 betrug, und das Pumpen von Propofol wurde gestoppt.

(3) Beobachtungsindikatoren: Demografische Informationen und allgemeine präoperative Daten wurden gesammelt, einschließlich Geschlecht, Alter, Gewicht, Größe, ASA-Klassifizierung, Body-Mass-Index (BMI) und frühere Krankengeschichte des Patienten (Bluthochdruck, koronare Herzkrankheit, Diabetes mellitus, Atemwegserkrankungen, Schlaganfall).

Systolischer Blutdruck, diastolischer Blutdruck, mittlerer arterieller Druck, Herzfrequenz, Fingerpulsoximetrie (SPO2), Elektroenzephalogramm-Wellenformen, die verabreichte Propofol-Dosis vom Beginn der Narkoseeinleitung bis MOAA/S = 0 und der Zeitpunkt der Propofol-Verabreichung wurden für alle Basis- bzw. erweiterten Überwachungsparameter nach der Aufnahme des Patienten in den Operationssaal und zum Zeitpunkt des MOAA/S-Scores von 0 aufgezeichnet.

(4) Bewertungsmethoden für jeden Punkt: Beurteilung der Anästhesietiefe: Zur Beurteilung wurde die MOAA/S-Sedierungstiefe herangezogen, und ein MOAA/S-Wert von 4–5 wurde als leichte Sedierung eingestuft, was darauf hinweist, dass die Reaktion auf das Rufen von Namen in normalem Ton erfolgt war empfindlich oder langsam; 2-3 wurde als mäßige Sedierung eingestuft, was darauf hinwies, dass eine Reaktion auf lautes oder wiederholtes Rufen von Namen oder eine Reaktion auf leichtes Drücken und Vibrieren erfolgte; ≤1 wurde als tiefe Sedierung eingestuft, was darauf hinweist, dass eine Reaktion auf die Schmerzstimulation erfolgte; 0 wurde als Vollnarkose eingestuft, was darauf hinwies, dass eine Reaktion auf die Schmerzstimulation erfolgte; 0 wurde als Vollnarkose eingestuft, was darauf hinweist, dass eine Reaktion auf die Schmerzstimulation erfolgte. ≤1 wird als tiefe Sedierung klassifiziert, was auf eine Reaktion auf schmerzhafte Reize hinweist; 0 wird als Vollnarkose eingestuft und bedeutet, dass keine Reaktion auf schmerzhafte Reize erfolgt.

EEG-Merkmalsextraktion: Verwenden Sie das Modulpaket Python MNE (https://mne.tools/stable/index.html) zur Analyse. MNE kann die häufigsten physiologischen Signale im Rohdatenformat lesen. Die spezifischen Methoden sind wie folgt: ① Datenextraktion: Daten importieren → Elektrodenpositionierung → Unbrauchbare Elektroden ablehnen → erneut referenzieren → filtern → Abtastrate senken → ICA ausführen → Stapelverarbeitung → Segmentierung und Basislinienkorrektur → Interpolation von schlechter Leitfähigkeit und Zurückweisung von schlechter Leitfähigkeit → Entfernung von Rauschkomponenten → Ablehnung fehlerhafter Segmente; ② Datenaufteilung: Die Daten der erforderlichen EEG-Überwachungspunkte werden aufgeteilt, um Wachheit und Sedierung einzubeziehen. ③ Merkmalsextraktion: Zeitbereich, Amplitudenquadratwurzelwert, Kurtosis, Schiefe, Burst-Unterdrückungsrate/Minute, Frequenzbereich und Entropieindex werden durch Fourier-Transformation erhalten.

(5) Vorgeschlagener Algorithmus für maschinelles Lernen: Die Regressionsanalyse ist eine prädiktive Modellierungstechnik, die anhand eines Datensatzes quantitative Beziehungsgleichungen zwischen bestimmten Variablen ermittelt, diese Beziehungsgleichungen zwischen den Variablen statistisch testet und die Variablen identifiziert, die einen signifikanten Effekt haben unter den mehreren Variablen, die eine bestimmte Variable beeinflussen.