麻酔集中治療室の患者におけるせん妄の診断と睡眠の質の評価 (delirium sleep)

せん妄は、構造異常と血管異常の両方により脱水と低灌流が引き起こされ、ニューロンへの酸素とグルコースの輸送が妨げられ、それによって脳の代謝機能障害が引き起こされる、脳の機能喪失を伴う状態です。 さらに、見当識障害、不注意、思考や行動の変化を特徴とするせん妄は、適切な介入により予防可能であり、回復可能であるにも関わらず、しばしば気づかれない重篤かつ広範な精神神経疾患です。 せん妄の発症には、長期の入院、薬物使用、病気時の対処メカニズム、性格特性、治療遵守など、数多くの危険因子が影響していることがわかっています。 集中治療を受けている患者はせん妄を発症するリスクが高いと考えられています。 この点において、侵襲的処置、定期的な看護、環境騒音、継続的な光への曝露、既存の睡眠障害、痛み、不安、恐怖、孤独は、集中治療患者の睡眠不足につながる可能性のある生理学的および心理的要因となります。 実際、患者が継続的な刺激にさらされ、激しい痛みを経験する可能性がある集中治療室 (ICU) などの場所では、興奮、睡眠障害、せん妄につながるストレス反応が引き起こされる可能性があります。

これまでの研究では、せん妄を制御するために使用される薬剤が睡眠の質に悪影響を与える可能性があり、睡眠の質を悪化させるとせん妄が悪化する可能性があることが示されています。 せん妄を予防する主な目標は、規則的な睡眠覚醒サイクルを確保し、適切な水分と栄養素の摂取をサポートし、体系的で学際的なチームベースのアプローチを通じて予防と治療の両方を提供して、せん妄の頻度と期間を減らすことです。 人工知能と機械学習のアプローチにより、機械は思考や意識などの複雑なプロセスをシミュレートできるようになり、それによってコンピューターが大規模なデータセットからの入力と出力の関係を学習できるようになり、最適な意思決定、分析、予測を行うのに役立ちます。 ヘルスケア分野では、このようなテクノロジーは、病気の早期発見と予測、病気の分類、治療、有害転帰の予防、臨床データの迅速な分析、コスト削減の取り組み、効果的で質の高いケアの提供、人的エラーの最小化と臨床上の意思決定。

本研究では、麻酔科および ICU にいる患者のせん妄と睡眠の質の関係を調査し、機械学習アプローチを使用した予測分析を実行しました。

この研究に必要なデータは、患者情報フォーム、看護せん妄スクリーニング スケール (Nu-DESC)、リチャーズ-キャンベル睡眠スケール (RCSS)、リッチモンド興奮-鎮静スケール (RASS)、および GCS を使用して収集されました。 収集されたデータは SPSS 統計プログラム (SPSS-26) を使用して分析され、結果を報告する際には疫学観察研究の報告強化 (STROBE) ガイドラインに従いました。 サンプル サイズは、既知の母集団サンプル計算方法を使用して決定されました。 参加者の人口統計学的特徴の分布を記述するために頻度分析とパーセンテージ分析の両方が使用され、利用されたスケールでの参加者のレベルを決定するために平均と標準偏差が使用されました。 クロンバックのアルファ信頼性分析はスケールの信頼性を評価するために実施され、事後検出力分析では、この研究の検出力が 95% の信頼水準で中程度、有意性が 99% であることが示されました。 歪度尖度値をチェックして、分布の正規性を評価しました。 独立したサンプルの t 検定を使用して、グループ間の差異を評価しました。 3 つ以上のグループ間の比較では、一元配置分散分析 (ANOVA) が適用され、予測および受信者動作特性 (ROC) 曲線分析は R バージョン 4.1.3 を使用して実行されました。