Koneoppimiseen perustuva malli Propofolin yksilölliseen lääkeannosennustukseen

Tutkimusmenetelmät:

(1) Tapausvalinta: Potilaat, jotka tarvitsevat valinnaista kirurgista hoitoa Ningxian lääketieteellisen yliopiston yleissairaalan sydän- ja aivoverisuonitautien sairaalassa.

Sisällyttämiskriteerit: Potilaat olivat sukupuolineutraaleja ja iältään ≥ 18 vuotta.

(2) Kliinisen tutkimuksen protokolla: Potilaat otettiin leikkaussaliin suonensisäistä pääsyä varten, jotka liitettiin EKG-seurantaan, EEG-seurantaan, 4 l/min maskin hapetukseen ja reaaliaikaiseen videotallennukseen koko anestesian induktioprosessista videonauhurilla. erilaisten tietojen postoperatiivinen integrointi. Propofolia pumpattiin 100 mg/kg/h, ja propofolia käyttävä anestesiologi arvioi potilaan sedaation asteen, kunnes potilas oli syvästi rauhoittunut ja MOAA/S-pistemäärä oli 0, ja propofolin pumppaus lopetettiin.

(3) Havainnointiindikaattorit: Demografiset tiedot ja yleiset leikkausta edeltävät tiedot kerättiin, mukaan lukien potilaiden sukupuoli, ikä, paino, pituus, ASA-luokitus, painoindeksi (BMI) ja aiempi sairaushistoria (hypertensio, sepelvaltimotauti, diabetes mellitus, hengityselinten sairaus, aivohalvaus).

Systolinen verenpaine, diastolinen verenpaine, keskimääräinen valtimopaine, syke, sormipulssioksimetria (SPO2), elektroenkefalogrammin aaltomuodot, anestesian induktion alusta MOAA/S = 0 annetun propofoliannostus ja propofolin antoaika kirjattiin kaikille perus- ja laajennetuille monitorointiparametreille, vastaavasti, sen jälkeen, kun potilas oli otettu leikkaussaliin ja 0-pistemäärän aikaan. MOAA/S-pisteistä.

(4) Kunkin kohteen arviointimenetelmät Anestesian syvyyden arviointi: Arvioinnissa käytettiin MOAA/S-sedaatiosyvyyttä, ja MOAA/S-pisteet 4-5 luokiteltiin lieväksi sedaatioksi, mikä osoitti, että vastaus nimien kutsumiseen normaalilla äänellä oli herkkä tai hidas; 2-3 luokiteltiin kohtalaiseksi sedaatioksi, mikä osoitti, että äänekkääseen tai toistuvaan nimien huutamiseen reagoitiin tai lievään työntämiseen ja tärinään reagoitiin; ≤1 luokiteltiin syväksi sedaatioksi, mikä osoitti, että kipustimulaatioon oli vaste; 0 luokiteltiin yleisanestesiaksi, mikä osoitti, että kipustimulaatioon oli vaste; 0 luokiteltiin yleisanestesiaksi, mikä osoitti, että kipustimulaatioon oli vaste. ≤1 luokitellaan syväksi sedaatioksi, mikä osoittaa vasteen tuskallisiin ärsykkeisiin; 0 luokitellaan yleisanestesiaksi, mikä tarkoittaa, että kivuliaille ärsykkeille ei ole vastetta.

EEG-ominaisuuden poiminta: käytä python MNE (https://mne.tools/stable/index.html) -moduulipakettia analysointiin, MNE osaa lukea yleisimmät fysiologiset signaalit raakadatamuodossa, erityiset menetelmät ovat seuraavat: ① Tiedon poiminta: tuontitiedot → elektrodien paikannus → hylkää turhat elektrodit → uudelleenviittaus → suodatin → pudotusnäytteenottotaajuus → suorita ICA → eräkäsittely → segmentointi ja perusviivakorjaus → interpolointi huonon johtavuuden ja huonon johtavuuden torjuminen → kohinakomponenttien poistaminen → huonojen segmenttien hylkääminen; ② Tiedonjako: tarvittavien EEG-monitorointipisteiden tiedot on jaettu mukaan lukien valveillaolo ja sedaatio; ③ Ominaisuuden erottaminen: aika-alue, amplitudin neliöjuuriarvo, vinouma, vinous, purskeen vaimennusnopeus/minuutti, taajuusalue ja entropiaindeksi saadaan Fourier-muunnoksen avulla.

(5) Ehdotettu koneoppimisalgoritmi: regressioanalyysi on ennustava mallinnustekniikka, joka toimii datajoukon perusteella määrittääkseen kvantitatiivisia relaatioyhtälöitä tiettyjen muuttujien välillä, testatakseen tilastollisesti näitä muuttujien välisiä relaatioyhtälöitä ja tunnistaakseen muuttujat, joilla on merkittävä vaikutus useiden muuttujien joukossa, jotka vaikuttavat tiettyyn muuttujaan.