심장 수술 후 수술 후 정신 착란과 관련된 영양 및 대사 하위 유형

본 연구에서는 광범위한 임상 의료 데이터를 활용하여 혈당, 혈중 지질, 단백질에 관한 지표를 활용한 K-Means 클러스터링 분석을 통해 수술 전 환자의 영양 하위 유형을 확립했습니다. 그 후, 다양한 하위 유형과 POD 간의 상관 관계를 조사하기 위해 단변량 및 다변량 분석이 사용되었습니다. 또한, 독립적인 임상 코호트를 활용하여 임상적 하위 유형과 수술 후 섬망 사이의 연관성을 검증했으며, 영양 하위 유형과 수술 후 섬망 사이의 관계에서 산화질소(NO) 수준의 매개 역할을 추가로 탐구했습니다.

이번 연구는 심혈관 수술을 받는 성인 환자를 대상으로 진행됐다. 다음 기준을 충족하는 환자는 연구에서 제외되었습니다: 1) 18세 미만의 미성년자; 2) 임산부; 3) 기존에 수술 전 섬망이 있거나 정신분열증 및 주요 우울증과 같은 정신 질환의 병력이 있는 개인; 4) 향정신성 약물의 광범위한 병력을 가진 자; 5) 입원 후 질산염 사용; 6) 지난 6개월 이내에 심각한 외상성 뇌 손상이나 최근 뇌졸중과 같은 심각한 신경 장애가 있는 환자.

검증 코호트의 포함 및 제외 기준은 파생 코호트의 포함 기준과 동일했습니다. 수술 전, 금식 후, 수술 중, 수술 후 24시간 등 세 가지 다른 시점에 환자로부터 혈액 샘플을 수집했습니다. 이 샘플은 향후 분석을 위해 -80°C의 중앙 바이오뱅크에 보관되었습니다. 투여된 마취 유형 및 기간에 관한 세부사항도 문서화되었습니다. 혈장 산화질소(NO) 수준은 에틸렌디아민테트라아세트산 전혈 샘플(BTK074, Bio-swamp, 중국 우한)을 사용하여 평가되었으며 특정 분석 프로토콜은 https://www.bio-swamp.com/goodsDetail/BTK074에서 액세스할 수 있습니다.

연구변수 수집 연구변수는 공복혈당(GLU), 저밀도지단백콜레스테롤(LDL-C), 고밀도지단백콜레스테롤(HDL-C), 총콜레스테롤(TC), 중성지방(TG) 등 영양지수로 구성됐다. ), 알부민(ALB) 및 림프구 수(LYC). 이들 지표에 대한 초기 테스트 결과는 각 환자의 병원 입원 후 48시간 이내에 얻어졌습니다. 데이터가 누락된 경우에는 지난 6개월간 환자의 의무기록에 기록된 해당 값을 활용했습니다. 또한 추가 임상 데이터에는 성별, 연령, 동반 질환 및 치료 프로토콜이 포함되었습니다. 평가된 동반질환에는 고혈압, 당뇨병, 만성 폐질환, 만성 신부전이 포함되었습니다. 만성 폐질환에는 만성 폐쇄성 폐질환, 기관지 천식, 만성 기관지염 및 기관지 확장증이 포함됩니다.

임상 결과의 정의 및 설정 수술 후 72시간 이내 또는 퇴원 전 POD가 발생한 환자로 설정된 1차 결과를 평가했습니다. 파생 코호트에서 섬망 진단은 의료 기록에 기록된 POD에 의존했습니다. 명시적으로 언급되지 않은 경우 POD 존재는 간호 문서에 기록된 집중 치료실 혼란 평가 방법(CAM-ICU) 결과를 기반으로 결정되었습니다. 전향적 코호트에서 훈련받은 의사들은 CAM-ICU 프로토콜을 활용하여 수술 후 최대 72시간 동안 6시간 간격으로 환자의 의식을 평가했으며, 이 기간 동안 또는 퇴원 전 최소 한 번 CAM-ICU 양성 환자를 POD가 있는 것으로 분류했습니다. .

2차 결과에는 장기간 기계적 환기(MV)(수술 후 ≥72시간 동안 지속적인 기계적 환기로 정의됨), 병원 내 모든 원인으로 인한 사망, 수술 후 폐 합병증 발생(예: 호흡기 감염)과 같은 일반적인 수술 후 부작용이 포함되었습니다. , 호흡 부전, 흉막 삼출, 폐 무기폐, 기흉, 기관지 경련 및 흡인성 폐렴). 데이터 수집 및 진단 프로세스는 두 명의 연구원이 독립적으로 수행했으며, 정확성과 일관성을 보장하기 위해 세 번째 연구원이 불일치를 해결했습니다.

기계 학습 프로세스 기계 학습 기술은 Python(버전 3.13.0, 파이썬 소프트웨어 재단). 결과에 대한 이상값의 영향을 해결하기 위해 99% Winsorisation 기술을 사용한 이상값 처리부터 시작하여 데이터 전처리가 시작되었습니다. 그런 다음 StandardScaler를 적용하여 데이터 세트를 정규화했습니다. 히트맵을 사용하여 시각화된 데이터 세트 기능 간의 상관 관계를 평가하기 위해 Spearman의 상관 계수가 사용되었습니다. 핵심적인 비지도 학습 방법인 K-Means 클러스터링 알고리즘이 활용되었습니다[15]. K-평균 모델은 파생된 코호트에 대해 훈련되었으며, 실루엣 계수 방법은 강력한 클러스터링 결과를 위한 최적의 클러스터 수를 결정했습니다. 검증 세트 데이터는 사전 훈련된 K-Means 모델을 사용하여 분류를 거쳐 각 샘플 포인트에 대한 클러스터 레이블을 예측했습니다.