Gépi tanuláson alapuló modell a Propofol egyedi gyógyszerdózis-előrejelzéséhez

Tanulmányi módszerek:

(1) Esetkiválasztás: Elektív sebészeti kezelést igénylő betegek a Ningxia Orvosi Egyetem Általános Kórházának Cardiovascularis és Cerebrovascularis Betegségek Kórházában.

Bevonási kritériumok: A betegek nemi szempontból semlegesek voltak, és életkoruk ≥18 év.

(2) Klinikai vizsgálati protokoll: A betegeket bevitték a műtőbe, hogy intravénás hozzáférést biztosítsanak, EKG-monitorozáshoz, EEG-monitorozáshoz, 4 l/perc maszkos oxigenizációhoz, valamint a teljes érzéstelenítés indukciós folyamatának valós idejű videórögzítéséhez egy videorögzítő segítségével. különböző adatok posztoperatív integrációja. A propofolt 100 mg/ttkg/óra sebességgel pumpálták be, és a propofollal kezelt aneszteziológus felmérte a beteg szedációjának mértékét, amíg a beteg mélyen el nem nyugodott, és a MOAA/S pontszám 0 lett, és a propofol pumpálását leállították.

(3) Megfigyelési mutatók: Demográfiai információkat és általános preoperatív adatokat gyűjtöttek, beleértve a betegek nemét, életkorát, súlyát, magasságát, ASA-besorolását, testtömeg-indexét (BMI) és korábbi kórtörténetét (magas vérnyomás, szívkoszorúér-betegség, diabetes mellitus, légúti betegség, szélütés).

Szisztolés vérnyomás, diasztolés vérnyomás, átlagos artériás nyomás, pulzusszám, ujj pulzoximetria (SPO2), elektroencefalogram hullámformái, az érzéstelenítés kezdetétől MOAA/S-ig beadott propofol adagja MOAA/S = 0 és a propofol beadásának időpontja minden alapvető és kiterjesztett monitorozási paraméterre feljegyezték a beteg műtőbe való felvétele után, illetve a 0 pontozáskor. a MOAA/S pontszámból.

(4) Az egyes tételek értékelési módszerei Az anesztézia mélységének értékelése: az értékeléshez MOAA/S nyugtatási mélységet használtunk, és a MOAA/S 4-5-ös pontszámot enyhe szedációnak minősítették, ami azt jelzi, hogy a névhívásra adott válasz normál hangon. érzékeny vagy lassú volt; A 2-3. mérsékelt szedációnak minősült, ami azt jelzi, hogy hangos vagy ismételt névadásra, vagy enyhe lökésre és vibrációra reagáltak; ≤1 mély szedációnak minősült, ami azt jelzi, hogy a fájdalomstimulációra reagált; A 0-t általános érzéstelenítésnek minősítették, ami azt jelzi, hogy a fájdalomstimulációra reagáltak; A 0-t általános érzéstelenítésnek minősítették, ami azt jelzi, hogy a fájdalomstimulációra reagáltak. ≤1 mély szedációnak minősül, ami fájdalmas ingerekre adott választ jelez; A 0 általános érzéstelenítésnek minősül, ami azt jelzi, hogy nem reagál a fájdalmas ingerekre.

EEG jellemzők kinyerése: az elemzéshez használja a python MNE (https://mne.tools/stable/index.html) modulcsomagot, az MNE nyers adatformátumban tudja olvasni a leggyakoribb fiziológiai jeleket, a konkrét módszerek a következők: ① Adatkinyerés: adatok importálása → elektródák pozicionálása → haszontalan elektródák elutasítása → újrahivatkozás → szűrő → csepp mintavételi sebesség → ICA futtatása → kötegelt feldolgozás → szegmentálás és alapvonal korrekció → interpoláció a rossz vezetőképesség és a rossz vezetőképesség elutasítása → a zajkomponensek eltávolítása → a rossz szegmensek elutasítása; ② Adatfelosztás: a szükséges EEG monitorozási pontok adatai fel vannak osztva az ébrenlétre és a szedációra; ③ Jellemzők kinyerése: az időtartományt, az amplitúdó négyzetgyök értékét, a görbületet, a ferdeséget, a burst elnyomási sebességet percenként, a frekvenciatartományt és az entrópiaindexet Fourier-transzformációval kapjuk meg.

(5) Javasolt gépi tanulási algoritmus: a regressziós elemzés egy prediktív modellezési technika, amely adatok halmazából dolgozik, hogy kvantitatív relációs egyenleteket határozzon meg bizonyos változók között, statisztikailag tesztelje ezeket a relációs egyenleteket a változók között, és azonosítsa azokat a változókat, amelyek jelentős hatást gyakorolnak egy adott változót befolyásoló több változó között.