Przedoperacyjna charakterystyka przewidywania niewydolności nadgłośniowej dróg oddechowych za pomocą uczenia maszynowego (ERICA) (ERICA)

Śródoperacyjna zmiana postępowania prowadzi nie tylko do opóźnień czasowych, ale także opóźnień czasowych, ale wiąże się również z działaniami stresującymi dla pacjenta, takimi jak pogłębienie znieczulenia i ponowna manipulacja w drogach oddechowych.

Dlatego celem projektu ERICA jest opracowanie algorytmu uczenia maszynowego w oparciu o informacje przedoperacyjne, które 1) może dokładnie przewidzieć ryzyko nieplanowanej konwersji SGA oraz 2) identyfikuje cechy prowadzące do konwersji z SGA na rurkę dotchawiczą.

I. Opracowanie modelu

• Ostateczny zbiór danych zostanie podzielony na kohortę uczącą, testującą i walidacyjną. Stworzonych zostanie pięć modeli w celu przewidywania śródoperacyjnej konwersji z SGA na rurkę dotchawiczą, w tym uogólnione modele liniowe (GLM), głębokie uczenie się, rozproszony losowy las (DRF), xgboost i maszyna do wzmacniania gradientu (GBM). Następnie, poprzez połączenie pięciu modeli, zostanie skonstruowany złożony model zespołowy. Ostatecznie wybrany zostanie najlepszy model sztucznej inteligencji.

II. Zidentyfikuj cechy prowadzące do konwersji i kategoryzacji dróg oddechowych.

• Śródoperacyjne zmiany pozycji pacjenta mogą zmienić ryzyko konwersji, dlatego należy rozważyć operacje polegające na zmianie pozycji
• Identyfikacja cech zależnych od pacjenta i procedury, które prowadzą do przejścia z rurki SGA na rurkę intubacyjną oraz ich znaczenie.