プロポフォールの個別薬剤投与量予測のための機械学習ベースのモデル

勉強方法:

（1）症例の選択：寧夏医科大学総合病院心血管・脳血管疾患病院で待機的外科的治療を必要とする患者。

対象基準: 患者は性別に関係なく、年齢は 18 歳以上でした。

（2）臨床研究プロトコール： 患者は静脈アクセスを確立するために手術室に入院し、心電図モニタリング、脳波モニタリング、4L/分のマスク酸素化に接続され、ビデオレコーダーを使用して麻酔導入プロセス全体をリアルタイムでビデオ録画しました。術後の各種データの統合。 プロポフォールが 100 mg/kg/h でポンプ注入され、プロポフォールを使用した麻酔科医は、患者が深く鎮静され MOAA/S スコアが 0 になるまで患者の鎮静の程度を評価し、プロポフォールのポンプ注入を停止しました。

(3) 観察指標： 患者の性別、年齢、体重、身長、ASA 分類、体格指数（BMI）、過去の病歴（高血圧、冠状動脈性心疾患、糖尿病、呼吸器疾患、脳卒中）。

収縮期血圧、拡張期血圧、平均動脈圧、心拍数、指パルスオキシメトリー（SPO2）、脳波波形、麻酔導入開始からMOAA/S=0までのプロポフォール投与量、プロポフォール投与時間患者が手術室に入院した後、および診断スコア 0 の時点で、すべての基本モニタリングパラメータと拡張モニタリングパラメータがそれぞれ記録されました。 MOAA/S スコア。

(4) 各項目の評価方法 麻酔深度評価：MOAA/S 鎮静深度を評価に使用し、MOAA/S スコア 4 ～ 5 を軽度鎮静と分類し、正常な口調で名前を呼んだときの反応が良好であることを示しました。敏感だった、または遅かった。 2-3 は中程度の鎮静として分類され、大声または繰り返し名前を呼ぶことに対して反応があったこと、またはわずかな押しや振動に対して反応があったことを示しました。 ≤1 は深い鎮静として分類され、痛みの刺激に対する反応があることを示しました。 0 は全身麻酔として分類され、痛みの刺激に対する反応があることを示しました。 0 は全身麻酔として分類され、痛みの刺激に対する反応があることを示しました。 ≤1 は深い鎮静として分類され、痛みを伴う刺激に対する反応を示します。 0 は全身麻酔に分類され、痛みを伴う刺激に対して反応がないことを示します。

EEG 特徴抽出: 分析には Python MNE (https://mne.tools/stable/index.html) モジュール パッケージを使用します。MNE は、最も一般的な生理学的信号を生データ形式で読み取ることができます。具体的な方法は次のとおりです。 ① データ抽出:データのインポート → 電極の位置決め → 不要な電極の拒否 → 再参照 → フィルタ → サンプリング レートの低下 → ICA の実行 → バッチ処理 → セグメンテーションとベースライン補正 → 不良コンダクタンスの補間と不良コンダクタンスの拒否 → ノイズ成分の除去 → 不良電極の拒否セグメント。 ② データ分割：必要な脳波モニタリングポイントのデータは覚醒時と鎮静時を含むように分割されます。 ③特徴抽出：時間領域、振幅平方根値、尖度、歪度、バースト抑圧率/分、周波数領域、エントロピー指数をフーリエ変換により取得します。

(5) 提案された機械学習アルゴリズム: 回帰分析は、一連のデータから機能して、特定の変数間の定量的な関係式を決定し、変数間のこれらの関係式を統計的にテストし、結果に重大な影響を与える変数を特定する予測モデリング手法です。特定の変数に影響を与える複数の変数の中から。