Prospektywna walidacja modelu przewidującego wystąpienie delirium pooperacyjnego za pomocą opartej na uczeniu maszynowym analizy śródoperacyjnych sygnałów biologicznych podczas znieczulenia w kardiochirurgii

Delirium pooperacyjne (POD) nie tylko zwiększa długość hospitalizacji i pobytu na oddziale intensywnej terapii oraz koszty leczenia, ale jest również ściśle związane z negatywnymi rokowaniami, w tym śmiertelnością pooperacyjną, zwiększoną chorobowością, długotrwałym pogorszeniem funkcji poznawczych po operacji i pogorszeniem jakości życia i niezależność. Przedoperacyjna ocena ryzyka i wczesne wykrycie POD są bardzo ważne w prawidłowym leczeniu POD. Wynika to z faktu, że leczenie farmakologiczne, które może zapobiegać lub leczyć POD, jest ograniczone, a zapobieganie i leczenie wymaga wielodyscyplinarnego podejścia i zarządzania zasobami obejmującego prawie wszystkie aspekty postępowania z pacjentem. Dlatego, jeśli istnieje model, który może przewidywać występowanie POD, może być bardzo pomocny w leczeniu majaczenia po operacji kardiochirurgicznej poprzez dokładniejszą ocenę ryzyka i wczesne wykrywanie. We wcześniejszych badaniach starzenie się i pogorszenie funkcji poznawczych przed operacją były znane jako główne czynniki ryzyka POD, ale sama identyfikacja czynników ryzyka przed operacją jest niewystarczająca, aby przewidzieć wystąpienie POD. Istnieje duże prawdopodobieństwo, że operacja kardiochirurgiczna spowoduje zmiany patofizjologiczne, które mogą powodować POD, ponieważ wiąże się z niestabilnością hemodynamiczną, krążeniem, zmianami temperatury ciała i ogólnoustrojową reakcją zapalną. Te zmiany patofizjologiczne mogą znaleźć odzwierciedlenie w danych (biosygnałach) uzyskanych za pomocą różnych urządzeń monitorujących podczas znieczulenia. Większość zdarzeń występujących podczas znieczulenia uważa się za możliwe do skorygowania czynniki ryzyka POD, w przeciwieństwie do przedoperacyjnych czynników ryzyka, i istnieje możliwość zmniejszenia częstości występowania POD poprzez ich aktywną korekcję. Dlatego konieczna jest analiza wpływu tych śródoperacyjnych biosygnałów na POD. W procesie opracowywania modelu przewidywania delirium, zamiast prostego dzielenia już zebranych danych i wykorzystywania ich w procesie walidacji działania modelu, lepiej jest przeprowadzić walidację działania modelu na podstawie prospektywnie zebranych danych pacjenta, aby zapobiec nadmiernemu dopasowaniu i osiągnąć wyższą wydajność predykcyjną. Dlatego niniejsze badanie ma na celu zebranie prospektywnych danych w celu oceny wydajności modelu przewidywania delirium po operacji kardiochirurgicznej zbudowanego przy użyciu technik uczenia maszynowego w oparciu o już zebrane dane, w tym biosygnały podczas znieczulenia. Po przejrzeniu dokumentacji medycznej od dnia operacji do okresu pobytu na OIT, jeśli wynik Intensive Care Delirium Screening Checklist (ICDSC) wynosi 6 lub więcej lub istnieje zapis konsultacji z delirium, jest to odnotowywane jako POD. Po ustrukturyzowaniu bazy danych poprzez oczyszczenie, standaryzację, wykrywanie wartości odstających i próbkowanie danych biosygnałowych generowanych podczas operacji, zbierane są różne zmienne uzyskane z dokumentacji medycznej w celu skonstruowania zestawu danych do oceny. Korzystając z tego zestawu danych, wydajność modelu przewidywania delirium zbudowanego przy użyciu algorytmu uczenia maszynowego jest oceniana za pomocą analizy krzywej charakterystyki operacyjnej odbiornika.