機械学習支援による術中低血圧の個別化治療管理 (HYPOGUARD)

術中低血圧は、一般的に手術中の動脈血圧の低下として定義され、全身麻酔下の患者において頻繁に発生し、臨床的に重要な事象です。 多くの研究により、短時間の低血圧であっても臓器灌流の障害と関連し、急性腎障害、心筋障害、脳卒中、入院期間の延長、死亡率の増加を含む術後合併症のリスク増加に関連する可能性が示されています。 その臨床的影響に関する認識が高まっているにもかかわらず、術中低血圧の最適な管理は麻酔実践における継続的な課題です。

現在の術中血圧管理アプローチは、主に一般的なしきい値、ガイドラインの推奨事項、麻酔科医の個人的な経験に基づいています。 日常的な臨床実践では、低血圧はしばしば輸液投与、昇圧薬、強心薬、またはこれらの介入の組み合わせで治療されます。 しかし、低血圧は単一の均一な臨床実体ではありません。 循環血液量減少、麻酔薬誘発性血管拡張、心筋抑制、または心拍数異常など、異なる基礎となる生理学的メカニズムから生じる可能性があります。 これらのメカニズムは手術中に共存したり動的に変化したりする可能性があり、臨床的意思決定を複雑にしています。

多くの場合、異なる生理学的原因による低血圧の患者に対して同様の治療戦略が適用され、治療反応のばらつきを生じる可能性があります。 例えば、輸液投与は循環血液量減少の患者には有効ですが、主に血管拡張または心機能障害のある患者では有益でないか、有害でさえある可能性があります。 同様に、昇圧薬療法は血管拡張性低血圧では血圧を迅速に回復させるかもしれませんが、低心拍出量による低血圧には適切に対処できない可能性があります。 これは、術中低血圧管理に対するより個別化された、生理学に基づくアプローチの必要性を強調しています。

周術期モニタリングの最近の進歩により、動脈血圧と心拍出量、一回拍出量、全身血管抵抗などの高度な血行動態パラメータの連続的で高解像度の記録が可能になりました。 同時に、機械学習と人工知能の発展により、大規模で複雑なデータセットを分析し、隠れたパターンを特定し、従来の統計的手法では明らかにならないデータ駆動型の洞察を生み出す新たな機会が創出されました。

この前向き観察研究の主な目的は、詳細な血行動態モニタリングと機械学習に基づく分析を統合することにより、術中低血圧の理解を改善することです。 単一の血圧しきい値または孤立した変数に焦点を当てるのではなく、この研究は低血圧エピソードを動的な生理学的イベントとして特徴づけ、基礎となる血行動態パターンに基づいて異なる低血圧サブタイプを特定することを目指します。

この研究は非介入的な観察調査として設計されており、日常的な臨床ケアを変更しません。 低血圧の予防と治療を含むすべての麻酔管理の決定は、担当の麻酔科医が標準的な臨床実践と施設のプロトコルに従って行います。 研究チームは手術中のリアルタイムの推奨事項を提供したり、臨床的意思決定に影響を与えたりしません。 研究チームの役割は、体系的なデータ収集、データ処理、事後分析に限定されます。

全身麻酔下で選択的外科手術を受ける成人患者（18歳以上）が含まれます。 連続的な侵襲的動脈血圧モニタリングは、血圧と波形から導出される血行動態変数の正確な拍動ごとの評価を可能にするため、組み込みに必要です。 データの品質と患者の安全性を確保するために、緊急手術、重度の循環ショック、高度な心機能障害、または信頼できる血行動態測定を妨げる状態の患者は除外されます。

術中期間中、動脈血圧、心拍数、心拍出量、心係数、一回拍出量、一回拍出量指数、全身血管抵抗、および関連する動的前負荷変数が、事前に定義された時間間隔で連続的に記録されます。 低血圧は、臨床的に関連性のあるしきい値を下回る平均動脈圧が最小持続時間以上維持されるものと定義されます。 低血圧が発生した場合、各エピソードの発症時間、持続時間、重症度、頻度が記録されます。

生理学的データに加えて、治療介入に関する詳細な情報が収集されます。 これには、投与された静脈内輸液の種類と量、昇圧薬または強心薬の使用、投与戦略、および低血圧発症に対する介入のタイミングが含まれます。 治療への反応は、血圧が事前に定義された目標値に戻るのに必要な時間を測定し、介入後の他の血行動態パラメータの変化を評価することによって評価されます。

機械学習技術が収集されたデータセットに適用され、低血圧エピソード内のパターンとクラスターを特定します。 クラスタリングアルゴリズムなどの教師なし学習法を使用して、血行動態プロファイルに基づいて低血圧イベントをサブタイプに分類します。 これらのサブタイプは、循環血液量減少、血管拡張、心筋抑制、または心拍数関連低血圧など、異なる主要な生理学的メカニズムを反映することが期待されます。

並行して、教師あり学習モデルを使用して、患者の特徴、血行動態パターン、治療戦略、および治療反応の間の関係を探求します。 年齢、性別、体格指数、身体状態分類、併存疾患、および手術特性などの変数が分析され、低血圧の発生、サブタイプ分布、および特定の介入への反応性との関連が決定されます。

この研究の主要な目的の一つは、特定の低血圧サブタイプまたは患者プロファイルに対して特定の治療がより効果的かどうかを評価することです。 治療反応時間と血行動態回復パターンを分析することにより、この研究はより標的を絞った個別化された治療戦略を支持する証拠を生み出すことを目指します。 これらの分析は、研究中の患者ケアを導くために使用されるのではなく、将来の仮説生成と介入研究の基礎を形成します。

収集されたすべてのデータは匿名化され、データ保護規制に従って安全に保管されます。 研究チームの承認されたメンバーのみがデータセットにアクセスできます。 この研究は臨床研究の倫理原則を遵守し、組み込み前にすべての参加者からインフォームドコンセントが得られます。

この研究の最終的な目標は、データ駆動型の個別化された術中血圧管理アプローチの開発に貢献することです。 高品質の生理学的データと高度な分析方法を組み合わせることにより、この研究は術中低血圧とその異質性の性質についてより深い理解を提供することを目指します。 長期的には、この知見は、リアルタイムの生理学的情報に基づいて各患者に最も適切な治療戦略を選択する際に麻酔科医を支援する臨床意思決定支援システムの開発を支持する可能性があります。

このようなシステムは、臨床的判断に取って代わることなく、患者の安全性を向上させ、術後合併症の負担を軽減し、周術期ケアの質を向上させる可能性があります。 代わりに、複雑なデータパターンから導出された客観的で個別化された洞察を提供することにより、麻酔科医の専門知識を補完することを意図しています。 この研究は、術中低血圧のより正確で個別化された、生理学に導かれた管理に向けた重要な一歩を表しています。