Convalida prospettica del modello che prevede l'occorrenza del delirio postoperatorio con l'analisi basata sull'apprendimento automatico dei segnali biologici intraoperatori durante l'anestesia in cardiochirurgia

Il delirio postoperatorio (POD) non solo aumenta la durata del ricovero e della degenza in unità di terapia intensiva e i costi medici, ma è anche strettamente associato a prognosi negativa, tra cui mortalità postoperatoria, aumento della morbilità, declino cognitivo a lungo termine dopo l'intervento chirurgico e compromissione della qualità della vita e indipendenza. La valutazione del rischio preoperatorio e la diagnosi precoce della POD sono molto importanti nella corretta gestione della POD. Questo perché il trattamento farmacologico che può prevenire o curare la POD è limitato e per la sua prevenzione e gestione sono necessari un approccio multidisciplinare e una gestione delle risorse che copra quasi tutti gli aspetti della gestione del paziente. Pertanto, se esiste un modello in grado di prevedere l'insorgenza di POD, può essere di grande aiuto nella gestione del delirio dopo un intervento cardiochirurgico attraverso una valutazione del rischio più accurata e una diagnosi precoce. In studi precedenti, l'invecchiamento e il declino cognitivo prima dell'intervento chirurgico sono noti come i principali fattori di rischio per POD, ma l'identificazione dei fattori di rischio prima dell'intervento chirurgico da sola non è sufficiente per prevedere l'insorgenza di POD. È molto probabile che la cardiochirurgia causi cambiamenti fisiopatologici che possono causare POD, perché è associata a instabilità emodinamica, uso cardiopolmonare, cambiamenti della temperatura corporea e risposta infiammatoria sistemica. Questi cambiamenti fisiopatologici possono riflettersi nei dati (biosegnali) ottenuti attraverso vari dispositivi di monitoraggio durante l'anestesia. La maggior parte degli eventi che si verificano durante l'anestesia sono considerati fattori di rischio correggibili di POD, a differenza dei fattori di rischio preoperatori, ed è possibile ridurre l'insorgenza di POD correggendoli attivamente. Pertanto, è necessario analizzare l'effetto di questi biosegnali intraoperatori sul POD. Nel processo di sviluppo del modello di previsione del delirio, piuttosto che dividere semplicemente i dati già raccolti e utilizzarli nel processo di convalida delle prestazioni del modello, è meglio condurre la convalida delle prestazioni del modello sulla base dei dati del paziente raccolti in modo prospettico per prevenire l'overfitting e ottenere prestazioni predittive più elevate. Pertanto, questo studio mira a raccogliere dati prospettici per valutare le prestazioni del modello di previsione del delirio dopo cardiochirurgia costruito utilizzando tecniche di apprendimento automatico basate sui dati già raccolti, inclusi i biosegnali durante l'anestesia. Dopo aver esaminato le cartelle cliniche dal giorno dell'intervento al periodo di degenza in terapia intensiva, se il punteggio ICDSC (Intensive Care Delirium Screening Checklist) è 6 o superiore o è presente un record di consultazione con delirio, viene registrato come POD. Dopo aver strutturato il database attraverso la purificazione, la standardizzazione, il rilevamento dei valori anomali e il campionamento dei dati sui biosegnali generati durante l'intervento chirurgico, vengono raccolte varie variabili ottenute dalle cartelle cliniche per costruire un set di dati di valutazione. Utilizzando questo set di dati, le prestazioni del modello di previsione del delirio creato applicando l'algoritmo di apprendimento automatico vengono valutate attraverso l'analisi della curva caratteristica operativa del ricevitore.