Model oparty na uczeniu maszynowym do zindywidualizowanego przewidywania dawki leku dla propofolu

Metody badania:

(1) Wybór przypadku: Pacjenci wymagający planowego leczenia chirurgicznego w Szpitalu Chorób Układu Sercowo-Naczyniowego i Naczyniowo-Mózgowego Szpitala Ogólnego Uniwersytetu Medycznego Ningxia.

Kryteria włączenia: Pacjenci byli neutralni pod względem płci i byli w wieku ≥18 lat.

(2) Protokół badania klinicznego: Pacjenci byli przyjmowani na salę operacyjną w celu założenia dostępu dożylnego, podłączonego do monitorowania EKG, monitorowania EEG, natleniania przez maskę 4 l/min i nagrywania wideo w czasie rzeczywistym całego procesu indukcji znieczulenia przy użyciu rejestratora wideo pooperacyjna integracja różnych danych. Propofol pompowano w dawce 100 mg/kg/h, a anestezjolog stosujący propofol oceniał stopień sedacji pacjenta do momentu uzyskania głębokiej sedacji i wyniku MOAA/S wynoszącego 0, po czym zaprzestano pompowania propofolu.

(3) Wskaźniki obserwacyjne: Zebrano informacje demograficzne i ogólne dane przedoperacyjne, w tym płeć, wiek, masę ciała, wzrost pacjentów, klasyfikację ASA, wskaźnik masy ciała (BMI) i historię chorób w przeszłości (nadciśnienie, choroba niedokrwienna serca, cukrzyca, choroby układu oddechowego, udar).

Skurczowe ciśnienie krwi, rozkurczowe ciśnienie krwi, średnie ciśnienie tętnicze, częstość akcji serca, pulsoksymetria na palcu (SPO2), przebiegi elektroencefalogramu, dawka propofolu podana od początku wprowadzenia do znieczulenia do MOAA/S = 0 i czas podania propofolu rejestrowano odpowiednio dla wszystkich parametrów monitorowania podstawowego i rozszerzonego, po przyjęciu pacjenta na salę operacyjną oraz w momencie uzyskania 0 punktów w skali MOAA/S.

(4) Metody oceny każdej pozycji Ocena głębokości znieczulenia: Do oceny wykorzystano głębokość sedacji MOAA/S, a wynik MOAA/S wynoszący 4-5 został sklasyfikowany jako łagodna sedacja, co wskazywało, że reakcja na wywoływanie nazwisk normalnym tonem był wrażliwy lub powolny; 2-3 sklasyfikowano jako umiarkowaną sedację, co wskazywało, że występowała reakcja na głośne lub wielokrotne wyzywanie lub reakcja na lekkie pchanie i wibracje; ≤1 uznano za głęboką sedację, co wskazywało na reakcję na stymulację bólową; 0 sklasyfikowano jako znieczulenie ogólne, co wskazywało na reakcję na stymulację bólową; 0 sklasyfikowano jako znieczulenie ogólne, co wskazywało na reakcję na stymulację bólową. ≤1 zalicza się do głębokiej sedacji, wskazującej na reakcję na bodźce bólowe; Wartość 0 jest klasyfikowana jako znieczulenie ogólne, co oznacza brak reakcji na bodźce bólowe.

Ekstrakcja cech EEG: użyj pakietu modułów Pythona MNE (https://mne.tools/stable/index.html) do analizy, MNE może odczytać najczęstsze sygnały fizjologiczne w formacie surowych danych. Konkretne metody są następujące: ① Ekstrakcja danych: import danych → pozycjonowanie elektrod → odrzuć niepotrzebne elektrody → ponowne odwołanie → filtr → częstotliwość próbkowania kropli → uruchom ICA → przetwarzanie wsadowe → segmentacja i korekta linii bazowej → interpolacja złego przewodnictwa i odrzucenie złego przewodnictwa → usuwanie składowych szumu → odrzucenie złych segmentów; ② Podział danych: dane dotyczące wymaganych punktów monitorowania EEG są podzielone w celu uwzględnienia stanu czuwania i sedacji; ③ Ekstrakcja cech: dziedzina czasu, wartość pierwiastka kwadratowego amplitudy, kurtoza, skośność, współczynnik tłumienia impulsów na minutę, dziedzina częstotliwości i indeks entropii są uzyskiwane za pomocą transformaty Fouriera.

(5) Proponowany algorytm uczenia maszynowego: analiza regresji to technika modelowania predykcyjnego, która wykorzystuje zestaw danych w celu określenia ilościowych równań relacyjnych między określonymi zmiennymi, statystycznie testuje te równania relacyjne między zmiennymi i identyfikuje zmienne, które mają znaczący wpływ na pomiędzy wieloma zmiennymi wpływającymi na konkretną zmienną.