Ernæringsmessige og metabolske undertyper assosiert med postoperativt delirium etter hjertekirurgi

Denne studien utnyttet omfattende kliniske medisinske data for å etablere preoperative ernæringssubtyper av pasienter gjennom K-Means klyngeanalyse ved å bruke indikatorer angående blodsukker, blodlipider og proteiner. Deretter ble univariate og multivariate analyser brukt for å undersøke korrelasjonen mellom ulike undertyper og POD. I tillegg ble en uavhengig klinisk kohort brukt for å validere koblingen mellom kliniske subtyper og postoperativt delirium, med ytterligere utforskning av den medierende rollen til nitrogenoksid (NO) nivåer i forholdet mellom ernæringssubtyper og postoperativt delirium.

Studien fokuserte på voksne pasienter som gjennomgår kardiovaskulær kirurgi. Pasienter som oppfyller følgende kriterier ble ekskludert fra studien: 1) mindreårige under 18 år; 2) gravide kvinner; 3) personer med preoperativ delirium eller en historie med psykiatriske lidelser som schizofreni og alvorlige depressive tilstander; 4) de med en omfattende historie med psykotrope medisiner; 5) Bruk av nitrater etter innleggelse; og 6) pasienter med betydelige nevrologiske lidelser, slik som alvorlige traumatiske hjerneskader eller nylig slag i løpet av de siste 6 månedene.

Inkluderings- og eksklusjonskriteriene for valideringskohorten var identiske med kriteriene for avledningskohorten. Blodprøver ble tatt fra pasienter på tre forskjellige tidspunkter - før operasjonen etter faste, under operasjonen og 24 timer etter operasjonen. Disse prøvene ble lagret i en sentral biobank ved -80°C for fremtidig analyse. Detaljer om type og varighet av administrert anestesi ble også dokumentert. Nitrogenoksidnivåer i plasma (NO) ble vurdert ved å bruke etylendiamintetraeddiksyre fullblodprøver (BTK074, Bio-swamp, Wuhan, Kina), med spesifikke analyseprotokoller tilgjengelig på https://www.bio-swamp.com/goodsDetail/BTK074.

Samling av forskningsvariabler Forskningsvariablene omfattet ernæringsindekser som omfattet fastende blodsukker (GLU), low-density lipoprotein kolesterol (LDL-C), high-density lipoprotein kolesterol (HDL-C), total kolesterol (TC), triglyserider (TG). ), albumin (ALB) og lymfocytttelling (LYC). De første testresultatene for disse indeksene ble oppnådd innen 48 timer etter hver pasients sykehusinnleggelse. I tilfeller hvor data manglet, ble tilsvarende verdier registrert i pasientens journal de siste 6 månedene benyttet. Videre inkluderte ytterligere kliniske data kjønn, alder, komorbiditeter og behandlingsprotokoller. Undersøkte komorbiditeter omfattet hypertensjon, diabetes, kronisk lungesykdom og kronisk nyresvikt. Kroniske lungesykdommer omfattet kronisk obstruktiv lungesykdom, bronkial astma, kronisk bronkitt og bronkiektasi.

Definisjon og innstilling av kliniske utfall Det primære utfallet, satt som pasienter som utviklet POD innen 72 timer etter operasjonen eller før utskrivning, ble vurdert. I avledningskohorten var deliriediagnose basert på dokumentert POD i journalen. Hvis det ikke er eksplisitt oppgitt, ble POD-tilstedeværelsen bestemt basert på resultatene fra CAM-ICU (Confusion Assessment Method for Intensive Care Unit) som registrert i sykepleiedokumentasjonen. I den potensielle kohorten brukte trente leger CAM-ICU-protokollen for å vurdere pasientens bevissthet med 6-timers intervaller i opptil 72 timer postoperativt, og klassifiserte en pasient med positiv CAM-ICU minst én gang i løpet av denne perioden eller før utskrivning som å ha POD .

Sekundære utfall inkluderte vanlige postoperative bivirkninger som forlenget mekanisk ventilasjon (MV) (definert som kontinuerlig mekanisk ventilasjon i ≥72 timer etter operasjonen), dødelighet av alle årsaker på sykehus og forekomsten av postoperative lungekomplikasjoner (f.eks. luftveisinfeksjon) , respirasjonssvikt, pleural effusjon, pulmonal atelektase, pneumothorax, bronkospasme og aspirasjonspneumoni). Datainnsamling og diagnostiske prosesser ble utført uavhengig av to forskere, med avvik løst av en tredje forsker for å sikre nøyaktighet og konsistens.

Maskinlæringsprosesser Maskinlæringsteknikker ble implementert ved hjelp av Python (versjon 3.13.0, Python Software Foundation). Dataforbehandling startet, og startet med uteliggerbehandling ved å bruke 99 % Winsorisation-teknikken for å adressere uteliggeres innvirkning på resultatene. StandardScaler ble deretter brukt for å normalisere datasettet. Spearmans korrelasjonskoeffisient ble brukt for å evaluere korrelasjonen mellom datasettfunksjoner, visualisert ved hjelp av et varmekart. K-Means klyngealgoritmen, en sentral uovervåket læringsmetode, ble brukt[15]. K-Means-modeller ble trent på avledede kohorter, og silhuettkoeffisientmetoden bestemte det optimale klyngetallet for robuste klyngeresultater. Valideringssettets data gjennomgikk klassifisering ved bruk av den forhåndstrente K-Means-modellen for å forutsi klyngeetiketter for hvert prøvepunkt.