Diagnostyka majaczenia i ocena jakości snu pacjentów przebywających na Oddziale Anestezjologii i Intensywnej Terapii (delirium sleep)

Majaczenie jest stanem obejmującym utratę funkcjonalności mózgu, wynikającą zarówno z nieprawidłowości strukturalnych, jak i naczyniowych, spowodowanych odwodnieniem i hipoperfuzją, które uniemożliwiają transport tlenu i glukozy do neuronów, prowadząc w ten sposób do dysfunkcji metabolicznej w mózgu. Co więcej, delirium, które charakteryzuje się dezorientacją, brakiem uwagi i zmianami myśli i/lub zachowań, jest poważnym i powszechnym schorzeniem neuropsychiatrycznym, które często pozostaje niezauważone, chociaż można mu zapobiec i odwrócić je po odpowiedniej interwencji. Stwierdzono, że na rozwój majaczenia wpływa wiele czynników ryzyka, w tym przedłużony pobyt w szpitalu, stosowanie leków, mechanizmy radzenia sobie w czasie choroby, cechy osobowości i przestrzeganie leczenia. Uważa się, że u pacjentów oddziałów intensywnej terapii ryzyko wystąpienia majaczenia jest wyższe. W związku z tym inwazyjne procedury, regularna opieka pielęgniarska, hałas w otoczeniu, ciągła ekspozycja na światło, istniejące wcześniej zaburzenia snu, ból, lęk, strach i samotność stanowią czynniki fizjologiczne i psychologiczne, które mogą prowadzić do pozbawienia snu u pacjentów intensywnej terapii. Rzeczywiście, miejsca takie jak oddziały intensywnej terapii (OIOM), gdzie pacjenci są narażeni na ciągłe bodźce i mogą odczuwać silny ból, mogą wyzwalać reakcje stresowe prowadzące do pobudzenia, zaburzeń snu i delirium.

Poprzednie badania wykazały, że leki stosowane w celu kontrolowania majaczenia mogą negatywnie wpływać na jakość snu, a pogorszenie jakości snu może zaostrzyć majaczenie. Głównym celem zapobiegania majaczeniu jest zapewnienie regularnego cyklu snu i czuwania, wspieranie odpowiedniego spożycia płynów i składników odżywczych oraz zapewnienie leczenia zapobiegawczego i terapeutycznego poprzez systematyczne, wielodyscyplinarne podejście zespołowe w celu zmniejszenia częstotliwości i czasu trwania majaczenia. Podejścia oparte na sztucznej inteligencji i uczeniu maszynowym umożliwiają maszynom symulowanie złożonych procesów, takich jak myślenie i świadomość, umożliwiając w ten sposób komputerom poznanie relacji między danymi wejściowymi i wynikami z dużych zbiorów danych, co pomaga im w podejmowaniu optymalnych decyzji, analiz i przewidywań. W opiece zdrowotnej technologia taka jest wykorzystywana w wielu obszarach, w tym we wczesnym wykrywaniu i przewidywaniu chorób, klasyfikacji chorób, leczeniu, zapobieganiu niepożądanym skutkom, szybkiej analizie danych klinicznych, inicjatywach oszczędzających koszty, zapewnianiu skutecznej i wysokiej jakości opieki, minimalizacja błędów ludzkich i podejmowanie decyzji klinicznych.

W niniejszym badaniu zbadano związek między majaczeniem a jakością snu u pacjentów przebywających w znieczuleniu i na OIOM-ie oraz przeprowadzono analizę predykcyjną z wykorzystaniem podejścia uczenia maszynowego.

Dane wymagane do tego badania zebrano przy użyciu Formularza informacji o pacjencie, Skali przesiewowej delirium pielęgniarskiego (Nu-DESC), Skali snu Richardsa-Campbella (RCSS), Skali pobudzenia i sedacji Richmond (RASS) i GCS. Zebrane dane poddano analizie za pomocą programu statystycznego SPSS (SPSS-26), a przy raportowaniu wyników kierowano się wytycznymi „Strongening the Reporting of Observational Studies in Epidemiology” (STROBE). Liczebność próby określono znaną metodą obliczania próby populacyjnej. Do opisu rozkładu cech demograficznych uczestników wykorzystano analizę częstotliwościową i procentową, natomiast do określenia poziomów uczestników w stosowanych skalach wykorzystano średnią i odchylenie standardowe. W celu oceny rzetelności skali przeprowadzono analizę rzetelności alfa Cronbacha, a analiza mocy post hoc wykazała, że ​​badanie miało średnią moc przy poziomie ufności 95% i istotności 99%. Aby ocenić normalność rozkładu, sprawdzono wartości skośności-kurtozy. Do oceny różnic pomiędzy grupami wykorzystano test t dla niezależnych próbek. Do porównań pomiędzy więcej niż dwiema grupami zastosowano jednokierunkową analizę wariancji (ANOVA), natomiast analizy krzywych przewidywania i charakterystyki działania odbiornika (ROC) przeprowadzono przy użyciu wersji R 4.1.3.