Caractéristiques préopératoires pour la prédiction de l'insuffisance des voies respiratoires supraglottiques à l'aide de l'apprentissage automatique (ERICA) (ERICA)

Un changement de procédure peropératoire entraîne non seulement des retards mais également des retards, mais implique également des mesures stressantes pour le patient, comme l'approfondissement de l'anesthésie et la manipulation à nouveau des voies respiratoires.

Par conséquent, l'objectif d'ERICA est de développer un algorithme d'apprentissage automatique basé sur des informations préopératoires 1) qui peuvent prédire avec précision le risque d'une conversion non planifiée du SGA et 2) identifie les caractéristiques conduisant à la conversion du SGA en tube trachéal.

I. Développement du modèle

• L'ensemble de données final sera divisé en une cohorte de formation, de test et de validation. Cinq modèles seront créés pour prédire la conversion peropératoire du SGA en tube trachéal, y compris les modèles linéaires généralisés (GLM), l'apprentissage en profondeur, la forêt aléatoire distribuée (DRF), xgboost et la machine d'amplification de gradient (GBM). Ensuite, un modèle d’ensemble empilé sera construit grâce à la combinaison des cinq modèles. Enfin, le meilleur modèle d'intelligence artificielle sera choisi.

II. Identifiez les caractéristiques menant à la conversion et à la catégorisation des voies respiratoires.

• Les changements peropératoires de position du patient peuvent modifier le risque de conversion, c'est pourquoi des opérations avec changements de position doivent être envisagées.
• Identifiez les caractéristiques dépendant du patient et de la procédure qui conduisent à la conversion du SGA en tube trachéal et leur importance.