Modello basato sull’apprendimento automatico per la previsione personalizzata della dose di farmaci per il Propofol

Metodi di studio:

（1）Selezione dei casi: Pazienti che necessitano di trattamento chirurgico elettivo nell'Ospedale per malattie cardiovascolari e cerebrovascolari dell'Ospedale Generale dell'Università di Medicina di Ningxia.

Criteri di inclusione: i pazienti erano di genere neutro e di età ≥ 18 anni.

（2) Protocollo dello studio clinico: i pazienti sono stati ammessi in sala operatoria per stabilire un accesso endovenoso, collegato al monitoraggio ECG, monitoraggio EEG, ossigenazione con maschera da 4 l/min e registrazione video in tempo reale dell'intero processo di induzione dell'anestesia utilizzando un videoregistratore per integrazione postoperatoria di vari dati. Il propofol è stato pompato a 100 mg/kg/ora e l'anestesista con il propofol ha valutato il grado di sedazione del paziente finché il paziente non è stato profondamente sedato e il punteggio MOAA/S era 0, quindi il pompaggio del propofol è stato interrotto.

(3) Indicatori di osservazione: sono state raccolte informazioni demografiche e dati preoperatori generali, tra cui sesso, età, peso, altezza, classificazione ASA, indice di massa corporea (BMI) e storia medica pregressa dei pazienti (ipertensione, malattia coronarica, diabete mellito, malattie respiratorie, ictus).

Pressione arteriosa sistolica, pressione arteriosa diastolica, pressione arteriosa media, frequenza cardiaca, pulsossimetria da dito (SPO2), forme d'onda dell'elettroencefalogramma, dosaggio di propofol somministrato dall'inizio dell'induzione dell'anestesia a MOAA/S = 0 e tempo di somministrazione di propofol sono stati registrati per tutti i parametri del monitoraggio base ed esteso, rispettivamente, dopo l'ammissione del paziente in sala operatoria e al momento del punteggio 0 del MOAA/S.

(4) Metodi di valutazione di ciascun elemento Valutazione della profondità dell'anestesia: per la valutazione è stata utilizzata la profondità di sedazione MOAA/S e il punteggio MOAA/S di 4-5 è stato classificato come sedazione lieve, il che indicava che la risposta ai nomi chiamati con tono normale era sensibile o lento; 2-3 è stato classificato come sedazione moderata, il che indicava che c'era una risposta al chiamare nomi ad alta voce o ripetutamente, o che c'era una risposta a leggere spinte e vibrazioni; ≤1 è stato classificato come sedazione profonda, il che indicava che c'era una risposta alla stimolazione del dolore; 0 è stato classificato come anestesia generale, il che indicava che c'era una risposta alla stimolazione del dolore; 0 è stato classificato come anestesia generale, il che indicava che c'era una risposta alla stimolazione del dolore. ≤1 è classificato come sedazione profonda, che indica una risposta agli stimoli dolorosi; 0 è classificato come anestesia generale, indicando nessuna risposta agli stimoli dolorosi.

Estrazione delle caratteristiche EEG: utilizza il pacchetto del modulo Python MNE (https://mne.tools/stable/index.html) per l'analisi, MNE può leggere i segnali fisiologici più comuni in formato dati grezzi, i metodi specifici sono i seguenti: ① Estrazione dei dati: importare dati → posizionamento elettrodo → rifiutare elettrodi inutili → rifare riferimento → filtro → frequenza di campionamento goccia → eseguire ICA → elaborazione batch → segmentazione e correzione della linea di base → interpolazione di cattiva conduttanza e rifiuto di cattiva conduttanza → rimozione di componenti di rumore → rifiuto di segmenti errati; ② Divisione dei dati: i dati dei punti di monitoraggio EEG richiesti sono divisi per includere veglia e sedazione; ③ Estrazione delle caratteristiche: dominio del tempo, valore della radice quadrata dell'ampiezza, curtosi, asimmetria, velocità/minuto di soppressione dei burst, dominio della frequenza e indice di entropia sono ottenuti mediante trasformata di Fourier.

(5) Algoritmo di apprendimento automatico proposto: l'analisi di regressione è una tecnica di modellazione predittiva che funziona da un insieme di dati per determinare equazioni relazionali quantitative tra determinate variabili, testare statisticamente queste equazioni relazionali tra le variabili e identificare le variabili che hanno un effetto significativo da tra le molteplici variabili che influenzano una particolare variabile.