Maskinlæringsbasert modell for individualisert medikamentdoseprediksjon for Propofol

Studiemetoder:

（1）Kasusvalg: Pasienter som trenger elektiv kirurgisk behandling på sykehuset for hjerte- og karsykdommer ved General Hospital ved Ningxia Medical University.

Inklusjonskriterier: Pasientene var kjønnsnøytrale og i alderen ≥18 år.

（2) Klinisk studieprotokoll: Pasienter ble innlagt på operasjonssalen for å etablere intravenøs tilgang, koblet til EKG-overvåking, EEG-overvåking, 4L/min maskeoksygenering og sanntids videoopptak av hele anestesiinduksjonsprosessen ved bruk av en videoopptaker for postoperativ integrasjon av ulike data. Propofol ble pumpet inn med 100 mg/kg/t, og anestesilege med propofol vurderte sedasjonsgraden til pasienten inntil pasienten var dypt sedert og MOAA/S-skåren var 0, og pumpingen av propofol ble stoppet.

(3) Observasjonsindikatorer: Demografisk informasjon og generelle preoperative data ble samlet inn, inkludert pasienters kjønn, alder, vekt, høyde, ASA-klassifisering, kroppsmasseindeks (BMI) og tidligere medisinsk historie (hypertensjon, koronar hjertesykdom, diabetes mellitus, luftveissykdom, hjerneslag).

Systolisk blodtrykk, diastolisk blodtrykk, gjennomsnittlig arterielt trykk, hjertefrekvens, fingerpulsoksymetri (SPO2), elektroencefalogrambølgeformer, doseringen av propofol administrert fra starten av anestesiinduksjon til MOAA/S = 0, og tidspunktet for administrering av propofol ble registrert for alle de grunnleggende og utvidede overvåkingsparametrene, henholdsvis etter at pasienten ble innlagt på operasjonsstuen og på tidspunktet av 0-poengsummen til MOAA/S-poengsummen.

(4) Evalueringsmetoder for hvert element Anestesidybdevurdering: MOAA/S sedasjonsdybde ble brukt for vurdering, og MOAA/S-score på 4-5 ble klassifisert som mild sedasjon, noe som indikerte at responsen på å kalle navn i normal tone var følsom eller treg; 2-3 ble klassifisert som moderat sedasjon, som indikerte at det var en respons på å rope navn høyt eller gjentatte ganger, eller det var en respons på lett dytting og vibrasjon; ≤1 ble klassifisert som dyp sedasjon, noe som indikerte at det var respons på smertestimulering; 0 ble klassifisert som generell anestesi, noe som indikerte at det var respons på smertestimulering; 0 ble klassifisert som generell anestesi, noe som indikerte at det var respons på smertestimulering. ≤1 er klassifisert som dyp sedasjon, noe som indikerer en respons på smertefulle stimuli; 0 er klassifisert som generell anestesi, noe som indikerer ingen respons på smertefulle stimuli.

EEG-funksjonsekstraksjon: bruk python MNE (https://mne.tools/stable/index.html) modulpakke for analyse, MNE kan lese de mest vanlige fysiologiske signalene i rådataformat, de spesifikke metodene er som følger: ① Datautvinning: importer data → elektrodeposisjonering → avvis ubrukelige elektroder → re-referanse → filter → dropsampling rate → kjør ICA → batchbehandling → segmentering og grunnlinjekorreksjon → interpolering av dårlig ledningsevne og avvisning av dårlig ledningsevne → fjerning av støykomponenter → avvisning av dårlige segmenter; ② Datadeling: dataene for de nødvendige EEG-overvåkingspunktene er delt inn for å inkludere våkenhet og sedasjon; ③ Funksjonsekstraksjon: tidsdomene, amplitudekvadratrotverdi, kurtose, skjevhet, burst-undertrykkelseshastighet/minutt, frekvensdomene og entropiindeks oppnås ved Fourier-transformasjon.

(5) Foreslått maskinlæringsalgoritme: regresjonsanalyse er en prediktiv modelleringsteknikk som arbeider fra et sett med data for å bestemme kvantitative relasjonsligninger mellom visse variabler, statistisk teste disse relasjonslikningene mellom variablene, og identifisere variablene som har en signifikant effekt fra blant de mange variablene som påvirker en bestemt variabel.