Modelo basado en aprendizaje automático para la predicción individualizada de dosis de fármaco de propofol

Métodos de estudio:

(1) Selección de casos: Pacientes que requieren tratamiento quirúrgico electivo en el Hospital de Enfermedades Cardiovasculares y Cerebrovasculares del Hospital General de la Universidad Médica de Ningxia.

Criterios de inclusión: Los pacientes eran neutrales en cuanto al género y tenían edades ≥18 años.

（2) Protocolo del estudio clínico: Los pacientes fueron admitidos en el quirófano para establecer un acceso intravenoso, conectados a monitorización de ECG, monitorización de EEG, oxigenación con máscara de 4 l/min y grabación de vídeo en tiempo real de todo el proceso de inducción de la anestesia utilizando una grabadora de vídeo para integración postoperatoria de diversos datos. Se bombeó propofol a 100 mg/kg/h, y el anestesiólogo con propofol evaluó el grado de sedación del paciente hasta que estuvo profundamente sedado y la puntuación MOAA/S fue 0, y se detuvo el bombeo de propofol.

(3) Indicadores de observación: se recopiló información demográfica y datos preoperatorios generales, incluido el sexo, la edad, el peso, la altura, la clasificación ASA, el índice de masa corporal (IMC) y los antecedentes médicos de los pacientes (hipertensión, enfermedad coronaria, diabetes mellitus, enfermedad respiratoria, accidente cerebrovascular).

Presión arterial sistólica, presión arterial diastólica, presión arterial media, frecuencia cardíaca, oximetría de pulso en el dedo (SPO2), formas de onda del electroencefalograma, la dosis de propofol administrada desde el inicio de la inducción de la anestesia a MOAA/S = 0 y el momento de administración del propofol. se registraron para todos los parámetros de monitorización básica y ampliada, respectivamente, después del ingreso del paciente al quirófano y en el momento de la puntuación 0 de la puntuación MOAA/S.

(4) Métodos de evaluación de cada ítem Evaluación de la profundidad de la anestesia: se utilizó la profundidad de la sedación MOAA/S para la evaluación, y la puntuación MOAA/S de 4-5 se clasificó como sedación leve, lo que indicó que la respuesta a insultos en tono normal era sensible o lento; 2-3 se clasificó como sedación moderada, lo que indicó que hubo respuesta a insultos en voz alta o repetida, o hubo respuesta a ligeros empujones y vibraciones; ≤1 se clasificó como sedación profunda, lo que indicó que hubo respuesta a la estimulación del dolor; 0 se clasificó como anestesia general, lo que indicó que hubo respuesta a la estimulación del dolor; 0 se clasificó como anestesia general, lo que indicó que hubo respuesta a la estimulación del dolor. ≤1 se clasifica como sedación profunda, lo que indica una respuesta a estímulos dolorosos; 0 se clasifica como anestesia general, lo que indica que no hay respuesta a los estímulos dolorosos.

Extracción de características de EEG: utilice el paquete de módulos Python MNE (https://mne.tools/stable/index.html) para el análisis. MNE puede leer las señales fisiológicas más comunes en formato de datos sin procesar. Los métodos específicos son los siguientes: ① Extracción de datos: importar datos → posicionamiento de electrodos → rechazar electrodos inútiles → volver a referenciar → filtrar → reducir la frecuencia de muestreo → ejecutar ICA → procesamiento por lotes → segmentación y corrección de línea base → interpolación de mala conductancia y rechazo de mala conductancia → eliminación de componentes de ruido → rechazo de segmentos defectuosos; ② División de datos: los datos de los puntos de monitoreo EEG requeridos se dividen para incluir vigilia y sedación; ③ Extracción de características: el dominio del tiempo, el valor de la raíz cuadrada de la amplitud, la curtosis, la asimetría, la tasa de supresión de ráfagas/minuto, el dominio de la frecuencia y el índice de entropía se obtienen mediante la transformada de Fourier.

(5) Algoritmo de aprendizaje automático propuesto: el análisis de regresión es una técnica de modelado predictivo que funciona a partir de un conjunto de datos para determinar ecuaciones relacionales cuantitativas entre ciertas variables, probar estadísticamente estas ecuaciones relacionales entre las variables e identificar las variables que tienen un efecto significativo de entre las múltiples variables que afectan a una variable en particular.