Leikkauksen jälkeistä deliriumin esiintymistä ennustavan mallin tuleva validointi koneoppimiseen perustuvalla intraoperatiivisten biologisten signaalien analyysillä anestesian aikana sydänkirurgiassa

Leikkauksen jälkeinen delirium (POD) ei ainoastaan ​​pidennä sairaalahoidon ja tehohoidon osastolla oleskelun kestoa ja lääkekustannuksia, vaan se liittyy myös läheisesti negatiiviseen ennusteeseen, mukaan lukien leikkauksen jälkeinen kuolleisuus, lisääntynyt sairastuvuus, pitkäaikainen kognitiivinen heikkeneminen leikkauksen jälkeen ja heikentynyt elämänlaatu. ja itsenäisyys. Leikkausta edeltävä riskinarviointi ja POD:n varhainen havaitseminen ovat erittäin tärkeitä POD:n asianmukaisessa hoidossa. Tämä johtuu siitä, että huumehoito, jolla voidaan ehkäistä tai hoitaa POD:ta, on rajallista ja sen ehkäisyyn ja hallintaan tarvitaan monitieteistä lähestymistapaa ja resurssien hallintaa, joka kattaa lähes kaikki potilashallinnan osa-alueet. Siksi, jos on olemassa malli, joka voi ennustaa POD:n esiintymisen, se voi olla suureksi avuksi deliriumin hallinnassa sydänleikkauksen jälkeen tarkemman riskinarvioinnin ja varhaisen havaitsemisen avulla. Aiemmissa tutkimuksissa ikääntyminen ja kognitiivinen heikkeneminen ennen leikkausta tunnetaan tärkeimpinä POD:n riskitekijöinä, mutta riskitekijöiden tunnistaminen ennen leikkausta ei yksin riitä ennustamaan POD:n esiintymistä. Sydänkirurgia aiheuttaa erittäin todennäköisesti patofysiologisia muutoksia, jotka voivat aiheuttaa POD:n, koska se liittyy hemodynaamiseen epävakauteen, kardiopulmonaaliseen käyttöön, kehon lämpötilan muutoksiin ja systeemiseen tulehdusvasteeseen. Nämä patofysiologiset muutokset voivat näkyä anestesian aikana erilaisten valvontalaitteiden avulla saaduissa tiedoissa (biosignaaleissa). Suurin osa anestesian aikana tapahtuvista tapahtumista katsotaan POD:n korjattavissa oleviksi riskitekijöiksi, toisin kuin preoperatiiviset riskitekijät, ja POD:n esiintymistä voidaan vähentää aktiivisesti korjaamalla niitä. Siksi on tarpeen analysoida näiden intraoperatiivisten biosignaalien vaikutus POD:iin. Delirium-ennustemallin kehitysprosessissa sen sijaan, että vain jaettaisiin jo kerättyä dataa ja käytettäisiin sitä mallin suorituskyvyn validointiprosessissa, on parempi suorittaa mallin suorituskyvyn validointi prospektiivisesti kerättyjen potilastietojen perusteella, jotta vältetään liiallinen sovitus ja saavutetaan parempi ennakoiva suorituskyky. Siksi tämän tutkimuksen tavoitteena on kerätä tulevaisuutta koskevia tietoja, jotta voidaan arvioida delirium-ennustemallin suorituskykyä sydänleikkauksen jälkeen, joka on rakennettu käyttämällä koneoppimistekniikoita, jotka perustuvat jo kerättyihin tietoihin, mukaan lukien biosignaalit anestesian aikana. Kun potilastiedot on tarkasteltu leikkauspäivästä teho-osastolla oleskeluun, jos tehohoidon deliriumseulontatarkistuslistan (ICDSC) pistemäärä on 6 tai korkeampi tai jos deliriumin kanssa on neuvoteltu, se kirjataan POD:ksi. Kun tietokanta on jäsennelty puhdistuksen, standardoinnin, poikkeavien havaitsemisen ja leikkauksen aikana tuotettujen biosignaalitietojen näytteiden ottamisen avulla, kerätään erilaisia ​​lääketieteellisistä tiedoista saatuja muuttujia arviointitietojoukon muodostamiseksi. Tätä aineistoa käyttämällä koneoppimisalgoritmia soveltamalla rakennetun delirium-ennustemallin suorituskykyä arvioidaan vastaanottimen toimintaominaisuuksien käyräanalyysin avulla.