Pre-operatieve kenmerken voor het voorspellen van supraglottisch luchtwegfalen met behulp van Machine Learning (ERICA) (ERICA)

Een intraoperatieve procedurewijziging leidt niet alleen tot tijdsvertragingen, maar ook tot tijdsvertragingen, maar brengt ook maatregelen met zich mee die belastend zijn voor de patiënt, zoals het verdiepen van de anesthesie en het opnieuw manipuleren van de luchtweg.

Daarom is het doel van ERICA om een ​​machine learning-algoritme te ontwikkelen op basis van preoperatieve informatie 1) dat nauwkeurig het risico van een ongeplande SGA-conversie kan voorspellen en 2) kenmerken identificeert die leiden tot conversie van SGA naar een tracheatube.

I. Het model ontwikkelen

• De definitieve dataset wordt opgesplitst in een training-, test- en validatiecohort. Er zullen vijf modellen worden gemaakt om de intraoperatieve conversie van SGA naar tracheale tube te voorspellen, waaronder gegeneraliseerde lineaire modellen (GLM), deep learning, gedistribueerd willekeurig bos (DRF), xgboost en gradiënt boosting machine (GBM). Vervolgens zal een gestapeld ensemblemodel worden geconstrueerd door een combinatie van de vijf modellen. Ten slotte zal het beste kunstmatige-intelligentiemodel worden gekozen.

II. Identificeer kenmerken die leiden tot de conversie en categorisering van de luchtwegen.

• Intraoperatieve veranderingen van de positie van de patiënt kunnen het risico op conversie veranderen. Daarom moeten operaties met positieveranderingen worden overwogen
• Identificeer patiënt- en procedure-afhankelijke kenmerken die leiden tot de conversie van SGA naar tracheale tube en hun belang.