Sottotipi nutrizionali e metabolici associati al delirio postoperatorio dopo intervento di cardiochirurgia

Questo studio ha sfruttato ampi dati medici clinici per stabilire sottotipi nutrizionali preoperatori dei pazienti attraverso l'analisi di clustering K-Means utilizzando indicatori relativi alla glicemia, ai lipidi nel sangue e alle proteine. Successivamente, sono state impiegate analisi univariate e multivariate per studiare la correlazione tra vari sottotipi e POD. Inoltre, è stata utilizzata una coorte clinica indipendente per convalidare il legame tra sottotipi clinici e delirio postoperatorio, esplorando ulteriormente il ruolo di mediazione dei livelli di ossido nitrico (NO) nella relazione tra sottotipi nutrizionali e delirio postoperatorio.

Lo studio si è concentrato su pazienti adulti sottoposti a chirurgia cardiovascolare. Sono stati esclusi dallo studio i pazienti che soddisfacevano i seguenti criteri: 1) minori di 18 anni; 2) donne incinte; 3) individui con delirio preoperatorio preesistente o una storia di disturbi psichiatrici come la schizofrenia e condizioni depressive maggiori; 4) quelli con una lunga storia di farmaci psicotropi; 5) Uso di nitrati dopo il ricovero; e 6) pazienti con disturbi neurologici significativi, come gravi lesioni cerebrali traumatiche o ictus recenti negli ultimi 6 mesi.

I criteri di inclusione ed esclusione per la coorte di validazione erano identici a quelli della coorte di derivazione. I campioni di sangue sono stati raccolti dai pazienti in tre diversi momenti: prima dell'intervento chirurgico dopo il digiuno, durante l'intervento chirurgico e 24 ore dopo l'intervento chirurgico. Questi campioni sono stati conservati in una biobanca centrale a -80°C per analisi future. Sono stati documentati anche i dettagli riguardanti il ​​tipo e la durata dell'anestesia somministrata. I livelli plasmatici di ossido nitrico (NO) sono stati valutati utilizzando campioni di sangue intero di acido etilendiamminotetraacetico (BTK074, Bio-swamp, Wuhan, Cina), con protocolli di analisi specifici accessibili all'indirizzo https://www.bio-swamp.com/goodsDetail/BTK074.

Raccolta di variabili di ricerca Le variabili di ricerca comprendevano indici nutrizionali, che comprendevano la glicemia a digiuno (GLU), il colesterolo lipoproteico a bassa densità (LDL-C), il colesterolo lipoproteico ad alta densità (HDL-C), il colesterolo totale (TC), i trigliceridi (TG ), albumina (ALB) e conta dei linfociti (LYC). I risultati dei test iniziali per questi indici sono stati ottenuti entro 48 ore dal ricovero ospedaliero di ciascun paziente. Nei casi in cui mancavano i dati, sono stati utilizzati i valori corrispondenti registrati nella cartella clinica del paziente negli ultimi 6 mesi. Inoltre, ulteriori dati clinici includevano sesso, età, comorbilità e protocolli di trattamento. Le comorbidità valutate comprendevano ipertensione, diabete, malattia polmonare cronica e insufficienza renale cronica. Le malattie polmonari croniche comprendono la malattia polmonare cronica ostruttiva, l'asma bronchiale, la bronchite cronica e le bronchiectasie.

Definizione e impostazione degli esiti clinici È stato valutato l'esito primario, definito come pazienti che sviluppavano POD entro 72 ore dall'intervento o prima della dimissione. Nella coorte di derivazione, la diagnosi di delirio si basava sulla POD documentata nelle cartelle cliniche. Se non esplicitamente dichiarato, la presenza di POD è stata determinata sulla base dei risultati del metodo di valutazione della confusione per l'unità di terapia intensiva (CAM-ICU) registrati nella documentazione infermieristica. Nella coorte potenziale, i medici formati hanno utilizzato il protocollo CAM-ICU per valutare la coscienza dei pazienti a intervalli di 6 ore fino a 72 ore dopo l'intervento, classificando un paziente con CAM-ICU positivo almeno una volta durante questo periodo o prima della dimissione come affetto da POD .

Gli esiti secondari includevano eventi avversi postoperatori comuni come ventilazione meccanica prolungata (VM) (definita come ventilazione meccanica continua per ≥72 ore dopo l'intervento chirurgico), mortalità intraospedaliera per tutte le cause e il verificarsi di complicanze polmonari postoperatorie (ad es. infezione respiratoria , insufficienza respiratoria, versamento pleurico, atelettasia polmonare, pneumotorace, broncospasmo e polmonite ab ingestis). La raccolta dei dati e i processi diagnostici sono stati condotti in modo indipendente da due ricercatori, con discrepanze risolte da un terzo ricercatore per garantire accuratezza e coerenza.

Processi di machine learning Le tecniche di machine learning sono state implementate utilizzando Python (versione 3.13.0, Python Software Foundation). È iniziata la preelaborazione dei dati, iniziando con l'elaborazione dei valori anomali utilizzando la tecnica Winsorizzazione al 99% per affrontare l'impatto dei valori anomali sui risultati. StandardScaler è stato quindi applicato per normalizzare il set di dati. Il coefficiente di correlazione di Spearman è stato utilizzato per valutare la correlazione tra le caratteristiche del set di dati, visualizzate utilizzando una mappa termica. È stato utilizzato l'algoritmo di clustering K-Means, un metodo fondamentale di apprendimento non supervisionato[15]. I modelli K-Means sono stati addestrati su coorti derivate e il metodo del coefficiente di silhouette ha determinato il numero di cluster ottimale per risultati di clustering robusti. I dati del set di convalida sono stati sottoposti a classificazione utilizzando il modello K-Means pre-addestrato per prevedere le etichette dei cluster per ciascun punto campione.