마취 및 중환자실 환자의 섬망 진단 및 수면의 질 평가 (delirium sleep)

섬망은 구조적 및 혈관적 이상으로 인한 탈수 및 관류 저하로 인해 뇌의 기능적 손실을 수반하는 상태로, 이로 인해 산소와 포도당이 뉴런으로 전달되는 것을 방해하여 뇌의 대사 기능 장애를 초래합니다. 더욱이, 방향 감각 상실, 부주의, 생각 및/또는 행동의 변화를 특징으로 하는 섬망은 심각하고 널리 퍼져 있는 신경정신병적 상태로, 적절한 개입을 통해 예방 및 되돌릴 수 있음에도 불구하고 종종 간과되는 경우가 많습니다. 장기간의 입원, 약물 사용, 질병 중 대처 메커니즘, 성격 특성 및 치료 순응도를 포함하여 섬망 발병에 영향을 미치는 수많은 위험 요소가 발견되었습니다. 집중 치료를 받는 환자는 섬망이 발생할 위험이 더 높은 것으로 알려져 있습니다. 이와 관련하여, 침습적 시술, 정기적인 간호, 환경 소음, 지속적인 빛 노출, 기존의 수면 장애, 통증, 불안, 두려움, 외로움은 중환자실 환자의 수면 부족을 초래할 수 있는 생리적, 심리적 요인을 나타냅니다. 실제로 환자가 지속적인 자극에 노출되고 심한 통증을 경험할 수 있는 중환자실(ICU)과 같은 장소는 초조함, 수면 장애 및 정신 착란으로 이어지는 스트레스 반응을 유발할 수 있습니다.

이전 연구에서는 섬망을 조절하는 데 사용되는 약물이 수면의 질에 부정적인 영향을 미칠 수 있으며, 수면의 질이 악화되면 섬망이 악화될 수 있다는 사실이 밝혀졌습니다. 섬망 예방의 주요 목표는 규칙적인 수면-각성 주기를 보장하고, 적절한 수분 및 영양분 섭취를 지원하며, 섬망의 빈도와 기간을 줄이기 위해 체계적인 다학문적 팀 기반 접근 방식을 통해 예방 및 치료 치료를 모두 제공하는 것입니다. 인공 지능과 기계 학습 접근 방식을 통해 기계는 사고 및 의식과 같은 복잡한 프로세스를 시뮬레이션할 수 있으므로 컴퓨터는 대규모 데이터 세트의 입력과 출력 간의 관계를 학습하여 최적의 결정, 분석 및 예측을 내리는 데 도움이 됩니다. 의료 분야에서 이러한 기술은 질병의 조기 발견 및 예측, 질병 분류, 치료, 부작용 예방, 임상 데이터의 신속한 분석, 비용 절감 계획, 효과적이고 품질 높은 진료 제공, 인적 오류 최소화 및 임상 의사 결정.

본 연구에서는 마취 및 중환자실 환자의 섬망과 수면의 질 사이의 관계를 조사하고 기계 학습 접근법을 이용한 예측 분석을 수행했습니다.

본 연구에 필요한 데이터는 환자 정보 양식, Nursing Delirium Screening Scale(Nu-DESC), Richards-Campbell Sleep Scale(RCSS), Richmond Agitation-Sedation Scale(RASS) 및 GCS를 사용하여 수집되었습니다. 수집된 자료는 SPSS 통계 프로그램(SPSS-26)을 이용하여 분석하였으며, 결과 보고 시 STROBE(Strengening the Reporting of Observational Studies in Epidemiology) 지침을 따랐다. 표본 크기는 알려진 모집단 표본 계산 방법을 사용하여 결정되었습니다. 참가자의 인구통계학적 특성 분포를 설명하기 위해 빈도 및 백분율 분석이 사용되었으며, 활용 척도에서 참가자의 수준을 결정하기 위해 평균 및 표준 편차가 사용되었습니다. 척도 신뢰도를 평가하기 위해 Cronbach's alpha 신뢰도 분석을 실시하였고, 사후 검정력 분석 결과 해당 연구는 95% 신뢰수준, 99% 유의수준에서 중간 검정력을 갖는 것으로 나타났다. 분포의 정규성을 평가하기 위해 왜도-첨도 값을 확인했습니다. 그룹 간의 차이를 평가하기 위해 독립 샘플 t- 테스트가 사용되었습니다. 두 개 이상의 그룹 간 비교를 위해 일원분산분석(ANOVA)을 적용하였고, 예측 및 ROC(Receiver Operating Characteristic) 곡선 분석은 R 버전 4.1.3을 사용하여 수행하였다.