Modèle basé sur l'apprentissage automatique pour la prévision individualisée de la dose de médicament pour le propofol

Méthodes d'étude :

（1）Sélection des cas ： Patients nécessitant un traitement chirurgical électif à l'hôpital des maladies cardiovasculaires et cérébrovasculaires de l'hôpital général de l'Université médicale de Ningxia.

Critères d'intégration : Les patients étaient de sexe neutre et âgés de ≥ 18 ans.

（2) Protocole d'étude clinique ： Les patients ont été admis en salle d'opération pour établir un accès intraveineux, connectés à une surveillance ECG, une surveillance EEG, une oxygénation au masque 4 L/min et un enregistrement vidéo en temps réel de l'ensemble du processus d'induction de l'anesthésie à l'aide d'un enregistreur vidéo pour intégration postopératoire de diverses données. Le propofol a été injecté à raison de 100 mg/kg/h, et l'anesthésiologiste chargé du propofol a évalué le degré de sédation du patient jusqu'à ce que le patient soit profondément sous sédation et que le score MOAA/S soit de 0, et que le pompage du propofol soit arrêté.

(3) Indicateurs d'observation : des informations démographiques et des données préopératoires générales ont été collectées, notamment le sexe, l'âge, le poids, la taille des patients, la classification ASA, l'indice de masse corporelle (IMC) et les antécédents médicaux (hypertension, maladie coronarienne, diabète sucré, maladie respiratoire, accident vasculaire cérébral).

Pression artérielle systolique, pression artérielle diastolique, pression artérielle moyenne, fréquence cardiaque, oxymétrie de pouls au doigt (SPO2), courbes d'électroencéphalogramme, dose de propofol administrée depuis le début de l'induction de l'anesthésie jusqu'à MOAA/S = 0 et heure d'administration du propofol. ont été enregistrés pour tous les paramètres de surveillance de base et étendue, respectivement, après l'admission du patient en salle d'opération et au moment de l'obtention du score 0 du score MOAA/S.

(4) Méthodes d'évaluation de chaque élément Évaluation de la profondeur de l'anesthésie : la profondeur de sédation MOAA/S a été utilisée pour l'évaluation, et le score MOAA/S de 4 à 5 a été classé comme sédation légère, ce qui indique que la réponse aux injures sur un ton normal était sensible ou lent ; 2-3 a été classé comme sédation modérée, ce qui indique qu'il y a eu une réponse à des appels de noms forts ou répétés, ou qu'il y a eu une réponse à de légères poussées et vibrations ; ≤ 1 a été classé comme sédation profonde, ce qui indique qu'il y a eu une réponse à la stimulation de la douleur ; 0 était classé comme anesthésie générale, ce qui indiquait qu'il y avait une réponse à la stimulation de la douleur ; 0 a été classé comme anesthésie générale, ce qui indique qu'il y a eu une réponse à la stimulation de la douleur. ≤ 1 est classé comme sédation profonde, indiquant une réponse à des stimuli douloureux ; 0 est classé comme anesthésie générale, indiquant l’absence de réponse aux stimuli douloureux.

Extraction des caractéristiques EEG : utilisez le package de module python MNE (https://mne.tools/stable/index.html) pour l'analyse, MNE peut lire les signaux physiologiques les plus courants au format de données brutes, les méthodes spécifiques sont les suivantes : ① Extraction des données : importer des données → positionnement des électrodes → rejeter les électrodes inutiles → re-référencer → filtre → baisse du taux d'échantillonnage → exécuter ICA → traitement par lots → segmentation et correction de la ligne de base → interpolation de mauvaise conductance et rejet de mauvaise conductance → suppression des composants de bruit → rejet de segments défectueux ; ② Division des données : les données des points de surveillance EEG requis sont divisées pour inclure l'éveil et la sédation ; ③ Extraction des caractéristiques : le domaine temporel, la valeur de racine carrée d'amplitude, l'aplatissement, l'asymétrie, le taux de suppression de rafale/minute, le domaine fréquentiel et l'indice d'entropie sont obtenus par transformée de Fourier.

(5) Algorithme d'apprentissage automatique proposé : l'analyse de régression est une technique de modélisation prédictive qui fonctionne à partir d'un ensemble de données pour déterminer des équations relationnelles quantitatives entre certaines variables, tester statistiquement ces équations relationnelles entre les variables et identifier les variables qui ont un effet significatif sur parmi les multiples variables qui affectent une variable particulière.