Deliriumin diagnoosi ja unen laadun arviointi anestesia- ja tehohoitoyksikön potilailla (delirium sleep)

Delirium on tila, johon liittyy aivojen toiminnallisia menetyksiä, jotka johtuvat sekä rakenteellisista että verisuonihäiriöistä, jotka aiheuttavat kuivumista ja hypoperfuusiota, jotka estävät hapen ja glukoosin kuljetuksen hermosoluihin, mikä johtaa aivojen metaboliseen toimintahäiriöön. Lisäksi delirium, jolle on ominaista desorientaatio, tarkkaamattomuus ja muutokset ajatuksissa ja/tai käyttäytymisessä, on vakava ja laajalle levinnyt neuropsykiatrinen tila, joka jää usein huomaamatta, vaikka se on ehkäistävissä ja korjattavissa asianmukaisella toimenpiteellä. Lukuisten riskitekijöiden on havaittu vaikuttavan deliriumin kehittymiseen, mukaan lukien pitkittynyt sairaalahoito, lääkkeiden käyttö, selviytymismekanismit sairauden aikana, persoonallisuuden piirteet ja hoitomyöntyvyys. Uskotaan, että tehohoitopotilailla on suurempi riski saada delirium. Tässä suhteessa invasiiviset toimenpiteet, säännöllinen hoitotyö, ympäristömelu, jatkuva altistuminen valolle, olemassa olevat unihäiriöt, kipu, ahdistus, pelko ja yksinäisyys ovat fysiologisia ja psykologisia tekijöitä, jotka voivat johtaa tehohoitopotilaiden univajeeseen. Itse asiassa paikat, kuten tehohoitoyksiköt (ICU), joissa potilaat altistuvat jatkuville ärsykkeille ja voivat kokea voimakasta kipua, voivat laukaista stressireaktioita, jotka johtavat levottomuuteen, unihäiriöihin ja deliriumiin.

Aiemmat tutkimukset ovat osoittaneet, että deliriumin hallintaan käytetyt lääkkeet voivat vaikuttaa negatiivisesti unen laatuun, kun taas unen laadun huononeminen voi pahentaa deliriumia. Päätavoitteena deliriumin ehkäisyssä on varmistaa säännöllinen uni-heräilysykli, tukea riittävää nesteen ja ravintoaineiden saantia sekä tarjota sekä ennaltaehkäiseviä että terapeuttisia hoitoja systemaattisella, monitieteisellä tiimipohjaisella lähestymistavalla deliriumin esiintymistiheyden ja keston vähentämiseksi. Tekoälyn ja koneoppimisen lähestymistavat antavat koneille mahdollisuuden simuloida monimutkaisia ​​prosesseja, kuten ajattelua ja tietoisuutta, jolloin tietokoneet voivat oppia syötteiden ja tulosten väliset suhteet suurista tietojoukoista, mikä auttaa niitä tekemään optimaalisia päätöksiä, analyyseja ja ennusteita. Terveydenhuollon alalla tällaista teknologiaa käytetään monilla aloilla, mukaan lukien sairauksien varhainen havaitseminen ja ennustaminen, sairauksien luokittelu, hoito, haittavaikutusten ehkäisy, kliinisten tietojen nopea analysointi, kustannussäästöaloitteet, tehokkaan ja laadukkaan hoidon tarjoaminen, inhimillisten virheiden minimointi ja kliininen päätöksenteko .

Tässä tutkimuksessa tarkasteltiin deliriumin ja unen laadun suhdetta anestesia- ja teho-osastolla olevilla potilailla ja suoritettiin ennustava analyysi koneoppimislähestymistapaa käyttäen.

Tätä tutkimusta varten tarvittavat tiedot kerättiin käyttämällä potilastietolomaketta, sairaanhoidon delirium-seulontaskaalaa (Nu-DESC), Richards-Campbellin uniasteikkoa (RCSS), Richmondin agitaatio-sedaatioasteikkoa (RASS) ja GCS:ää. Kerätyt tiedot analysoitiin SPSS-tilasto-ohjelmalla (SPSS-26), ja tulosten raportoinnissa noudatettiin STROBE-ohjeistusta. Otoskoko määritettiin käyttämällä tunnettua populaatiootoksen laskentamenetelmää. Sekä frekvenssi- että prosenttianalyysejä käytettiin kuvaamaan osallistujien demografisten ominaisuuksien jakautumista, kun taas keskiarvon ja keskihajonnan avulla määritettiin osallistujien tasot käytetyillä asteikoilla. Cronbachin alfa-luotettavuusanalyysi suoritettiin asteikon luotettavuuden arvioimiseksi, ja post hoc -tehoanalyysi osoitti, että tutkimuksella oli keskiteho 95 %:n luottamustasolla ja 99 %:n merkitys. Vino-kurtoosi-arvot tarkistettiin jakauman normaaliuden arvioimiseksi. Riippumattomien näytteiden t-testiä käytettiin arvioimaan ryhmien välisiä eroja. Enemmän kuin kahden ryhmän vertailuja varten käytettiin yksisuuntaista varianssianalyysiä (ANOVA), kun taas ennuste- ja vastaanottimen toimintaominaisuuksien (ROC) käyräanalyysit suoritettiin käyttämällä R-versiota 4.1.3.