Op machine learning gebaseerd model voor geïndividualiseerde dosisvoorspelling van propofol

Studiemethoden:

(1) Casusselectie: Patiënten die een electieve chirurgische behandeling nodig hebben in het Cardiovasculaire en Cerebrovasculaire Ziekteziekenhuis van het Algemeen Ziekenhuis van de Ningxia Medical University.

Inclusiecriteria: Patiënten waren geslachtsneutraal en ≥18 jaar oud.

(2) Klinisch onderzoeksprotocol: Patiënten werden opgenomen in de operatiekamer om intraveneuze toegang tot stand te brengen, verbonden met ECG-monitoring, EEG-monitoring, 4L/min maskeroxygenatie en real-time video-opname van het gehele anesthesie-inductieproces met behulp van een videorecorder voor postoperatieve integratie van verschillende gegevens. Propofol werd ingepompt met een snelheid van 100 mg/kg/uur, en de anesthesist met propofol beoordeelde de mate van sedatie van de patiënt totdat de patiënt diep verdoofd was en de MOAA/S-score 0 was, en het pompen van propofol werd gestopt.

(3) Observatie-indicatoren: Demografische informatie en algemene preoperatieve gegevens werden verzameld, waaronder het geslacht, de leeftijd, het gewicht, de lengte, de ASA-classificatie, de body mass index (BMI) en de medische voorgeschiedenis van de patiënt (hypertensie, coronaire hartziekten, diabetes mellitus, luchtwegaandoeningen, beroerte).

Systolische bloeddruk, diastolische bloeddruk, gemiddelde arteriële druk, hartslag, vingerpulsoximetrie (SPO2), elektro-encefalogramgolfvormen, de dosering van propofol toegediend vanaf het begin van de anesthesie-inductie tot MOAA/S = 0, en het tijdstip van toediening van propofol werden geregistreerd voor alle fundamentele en uitgebreide monitoringparameters, respectievelijk nadat de patiënt was opgenomen in de operatiekamer en op het moment van de 0-score van de MOAA/S-score.

(4) Evaluatiemethoden voor elk item Beoordeling van de diepte van de anesthesie: Voor de beoordeling werd gebruik gemaakt van de MOAA/S-diepte van sedatie, en de MOAA/S-score van 4-5 werd geclassificeerd als milde sedatie, wat aangaf dat de reactie op het roepen van scheldwoorden op normale toon was gevoelig of langzaam; 2-3 werd geclassificeerd als matige sedatie, wat aangaf dat er een reactie was op het luid of herhaaldelijk roepen van namen, of dat er een reactie was op licht duwen en trillen; ≤1 werd geclassificeerd als diepe sedatie, wat aangaf dat er een reactie was op pijnstimulatie; 0 werd geclassificeerd als algemene anesthesie, wat aangaf dat er een reactie was op pijnstimulatie; 0 werd geclassificeerd als algemene anesthesie, wat aangaf dat er een reactie was op pijnstimulatie. ≤1 wordt geclassificeerd als diepe sedatie, wat wijst op een reactie op pijnlijke stimuli; 0 wordt geclassificeerd als algemene anesthesie, wat aangeeft dat er geen reactie is op pijnlijke stimuli.

EEG-functie-extractie: gebruik het python MNE (https://mne.tools/stable/index.html) modulepakket voor analyse, MNE kan de meest voorkomende fysiologische signalen in onbewerkt gegevensformaat lezen, de specifieke methoden zijn als volgt: ① Gegevensextractie: gegevens importeren → elektrodepositionering → nutteloze elektroden afwijzen → herreferentie → filter → bemonsteringsfrequentie verlagen → ICA uitvoeren → batchverwerking → segmentatie en basislijncorrectie → interpolatie van slechte geleiding en afwijzing van slechte geleiding → verwijdering van ruiscomponenten → afwijzing van slechte segmenten; ② Gegevensverdeling: de gegevens van de vereiste EEG-meetpunten worden verdeeld over waakzaamheid en sedatie; ③ Functie-extractie: tijdsdomein, amplitudevierkantswortelwaarde, kurtosis, scheefheid, burst-onderdrukkingssnelheid/minuut, frequentiedomein en entropie-index worden verkregen door Fourier-transformatie.

(5) Voorgesteld machine learning-algoritme: regressieanalyse is een voorspellende modelleringstechniek die werkt op basis van een reeks gegevens om kwantitatieve relationele vergelijkingen tussen bepaalde variabelen te bepalen, deze relationele vergelijkingen tussen de variabelen statistisch te testen en de variabelen te identificeren die een significant effect hebben op tussen de meerdere variabelen die een bepaalde variabele beïnvloeden.