A posztoperatív delírium előfordulását előrejelző modell jövőbeli érvényesítése szívsebészeti érzéstelenítés alatti intraoperatív biológiai jelek gépi tanuláson alapuló elemzésével

A posztoperatív delírium (POD) nemcsak a kórházi kezelés és az intenzív osztályon való tartózkodás hosszát és az orvosi költségeket növeli meg, hanem szorosan összefügg a negatív prognózissal is, beleértve a posztoperatív mortalitást, a megnövekedett morbiditást, a műtét utáni hosszú távú kognitív hanyatlást és az életminőség romlását. és a függetlenség. A preoperatív kockázatértékelés és a POD korai felismerése nagyon fontos a POD megfelelő kezelésében. Ennek az az oka, hogy a POD megelőzésére vagy kezelésére alkalmas gyógyszeres kezelés korlátozott, megelőzéséhez és kezeléséhez multidiszciplináris megközelítésre és a betegkezelés szinte minden aspektusára kiterjedő erőforrás-gazdálkodásra van szükség. Ezért, ha létezik olyan modell, amely előre jelezheti a POD előfordulását, az nagy segítséget jelenthet a szívműtét utáni delírium kezelésében a pontosabb kockázatértékelés és a korai felismerés révén. Korábbi tanulmányok szerint az öregedés és a kognitív hanyatlás a műtét előtt a POD fő kockázati tényezőjeként ismert, de a kockázati tényezők műtét előtti azonosítása önmagában nem elegendő a POD előfordulásának előrejelzéséhez. A szívsebészet nagy valószínűséggel kórélettani elváltozásokat okoz, amelyek POD-t okozhatnak, mivel hemodinamikai instabilitással, kardiopulmonális használattal, testhőmérséklet-változásokkal és szisztémás gyulladásos válaszreakcióval járnak együtt. Ezek a patofiziológiai változások tükröződhetnek az altatás során különböző monitorozó eszközökkel nyert adatokban (biojelekben). Az érzéstelenítés során fellépő események többsége a POD korrigálható kockázati tényezőjének tekinthető, ellentétben a preoperatív kockázati tényezőkkel, és ezek aktív korrekciójával csökkenthető a POD előfordulása. Ezért szükséges elemezni ezeknek az intraoperatív bioszignáloknak a POD-ra gyakorolt ​​hatását. A delírium-előrejelzési modellfejlesztési folyamatban a már összegyűjtött adatok egyszerű felosztása és a modellteljesítmény-validálási folyamatban való felhasználása helyett jobb a modellteljesítmény-validálást a prospektíven gyűjtött páciensadatok alapján végezni a túlillesztés elkerülése és a magasabb prediktív teljesítmény elérése érdekében. Ezért ennek a tanulmánynak az a célja, hogy prospektív adatokat gyűjtsön a szívműtét utáni delírium-előrejelzési modell teljesítményének értékeléséhez, amelyet gépi tanulási technikákkal építettek fel a már összegyűjtött adatokon, beleértve az érzéstelenítés alatti bioszignálokat is. A műtét napjától az intenzív osztályon való tartózkodásig tartó orvosi feljegyzések áttekintése után, ha az Intenzív Care Delirium Screening Checklist (ICDSC) pontszáma 6 vagy magasabb, vagy van feljegyzés delíriummal való konzultációról, akkor POD-ként kerül rögzítésre. Az adatbázis tisztítással, szabványosítással, kiugró értékek kimutatásával és a műtét során generált bioszignáladatokból történő mintavételével történő strukturálása után az orvosi feljegyzésekből nyert különböző változókat összegyűjtik egy értékelő adatkészlet felépítéséhez. Ennek az adathalmaznak a felhasználásával a gépi tanulási algoritmus alkalmazásával felépített delírium-előrejelzési modell teljesítményét a Vevő működési jellemzői görbe elemzésével értékeljük.