Preoperative egenskaper for prediksjon av supraglottisk luftveissvikt ved bruk av maskinlæring (ERICA) (ERICA)

En intraoperativ prosedyreendring fører ikke bare til tidsforsinkelser men også tidsforsinkelser, men innebærer også tiltak som er belastende for pasienten, som å utdype anestesien og manipulere luftveiene igjen.

Derfor er målet med ERICA å utvikle en maskinlæringsalgoritme basert på preoperativ informasjon 1) som nøyaktig kan forutsi risikoen for en ikke-planlagt SGA-konvertering og 2) identifiserer egenskaper som fører til konvertering fra SGA til trakealtube.

I. Utvikling av modellen

• Det endelige datasettet vil bli delt i en opplærings-, test- og valideringskohort. Fem modeller vil bli laget for å forutsi intraoperativ konvertering fra SGA til trakealrør, inkludert generaliserte lineære modeller (GLM), dyp læring, distribuert tilfeldig skog (DRF), xgboost og gradient boosting machine (GBM). Deretter vil en stablet ensemblemodell bli konstruert gjennom kombinasjon av de fem modellene. Til slutt vil den beste kunstige intelligensmodellen bli valgt.

II. Identifiser egenskaper som fører til luftveiskonvertering og kategorisering.

• Intraoperative endringer av pasientens posisjon kan endre risikoen for konvertering, derfor bør operasjoner med posisjonsendringer vurderes
• Identifiser pasient- og prosedyreavhengige egenskaper som fører til konvertering fra SGA til trakealtube og deres betydning.