心臓手術における麻酔中の術中生体信号の機械学習ベースの分析による術後せん妄の発生を予測するモデルの前向き検証

術後せん妄（POD）は、入院期間や集中治療室の滞在期間、医療費を増加させるだけでなく、術後の死亡率、罹患率の増加、術後の長期的な認知機能の低下、生活の質の低下などの予後不良にも密接に関連しています。そして独立。 術前のリスク評価と POD の早期発見は、POD の適切な管理において非常に重要です。 なぜなら、PODを予防または治療できる薬物治療には限界があり、その予防と管理には、患者管理のほぼすべての側面をカバーする学際的なアプローチとリソース管理が必要だからです。 したがって、POD の発生を予測できるモデルがあれば、より正確なリスク評価と早期発見を通じて心臓手術後のせん妄を管理する上で大きな助けとなる可能性があります。 これまでの研究では、手術前の老化と認知機能の低下がPODの主な危険因子として知られていますが、手術前の危険因子の特定だけではPODの発生を予測するには不十分です。 心臓手術は、血行動態の不安定性、心肺機能の使用、体温の変化、全身性炎症反応を伴うため、POD を引き起こす可能性のある病態生理学的変化を引き起こす可能性が非常に高くなります。 これらの病態生理学的変化は、麻酔中にさまざまなモニタリング装置を通じて取得されるデータ (生体信号) に反映されます。 麻酔中に発生するイベントのほとんどは、術前危険因子とは異なり、修正可能な POD 危険因子であると考えられており、それらを積極的に修正することで POD の発生を軽減できる可能性があります。 したがって、これらの術中の生体信号が POD に及ぼす影響を分析する必要があります。 せん妄予測モデルの開発プロセスでは、すでに収集されたデータを単に分割してモデルの性能検証プロセスに使用するのではなく、将来的に収集された患者データに基づいてモデルの性能検証を行う方が、過剰適合を防ぎ、より高い予測性能を達成できます。 そこで本研究では、既に収集されている麻酔時の生体信号などのデータに基づいて、機械学習技術を用いて構築された心臓手術後のせん妄予測モデルの性能を評価するための前向きデータを収集することを目的としている。 手術当日からICU滞在期間までの医療記録を精査し、集中治療せん妄スクリーニングチェックリスト（ICDSC）のスコアが6以上、またはせん妄の受診記録がある場合はPODとして記録されます。 手術中に生成される生体信号データの精製、標準化、外れ値検出、サンプリングなどを経てデータベースを構築した後、医療記録から得られるさまざまな変数を収集して評価データセットを構築します。 このデータセットを使用して、機械学習アルゴリズムを適用して構築されたせん妄予測モデルのパフォーマンスが、受信者動作特性曲線分析によって評価されます。