Podtypy żywieniowe i metaboliczne związane z majaczeniem pooperacyjnym po operacji kardiochirurgicznej

W badaniu tym wykorzystano obszerne kliniczne dane medyczne w celu ustalenia przedoperacyjnych podtypów żywieniowych pacjentów za pomocą analizy skupień K-Means z wykorzystaniem wskaźników dotyczących poziomu cukru we krwi, lipidów i białek we krwi. Następnie zastosowano analizy jedno- i wieloczynnikowe w celu zbadania korelacji między różnymi podtypami i POD. Ponadto niezależna kohorta kliniczna została wykorzystana do sprawdzenia związku między podtypami klinicznymi a majaczeniem pooperacyjnym, przy dalszym badaniu pośredniczącej roli poziomu tlenku azotu (NO) w związku między podtypami odżywiania a majaczeniem pooperacyjnym.

Badanie skupiało się na dorosłych pacjentach poddawanych operacjom kardiochirurgicznym. Z badania wyłączono pacjentów spełniających następujące kryteria: 1) małoletni do 18. roku życia; 2) kobiety w ciąży; 3) osoby z istniejącym przed operacją delirium lub zaburzeniami psychicznymi, takimi jak schizofrenia i duże stany depresyjne w wywiadzie; 4) osoby z bogatą historią stosowania leków psychotropowych; 5) Stosowanie azotanów po przyjęciu; oraz 6) pacjenci ze znaczącymi zaburzeniami neurologicznymi, takimi jak ciężkie urazy mózgu lub niedawny udar mózgu w ciągu ostatnich 6 miesięcy.

Kryteria włączenia i wyłączenia dla kohorty walidacyjnej były identyczne z kryteriami dla kohorty wyprowadzającej. Próbki krwi pobierano od pacjentów w trzech różnych punktach czasowych – przed operacją, na czczo, podczas operacji i 24 godziny po operacji. Próbki te przechowywano w centralnym biobanku w temperaturze -80°C do przyszłej analizy. Udokumentowano również szczegóły dotyczące rodzaju i czasu trwania podanego znieczulenia. Poziom tlenku azotu (NO) w osoczu oceniano przy użyciu próbek pełnej krwi z kwasem etylenodiaminotetraoctowym (BTK074, Bio-swamp, Wuhan, Chiny), zgodnie ze szczegółowymi protokołami testów dostępnymi na stronie https://www.bio-swamp.com/goodsDetail/BTK074.

Zbiór zmiennych badawczych Zmiennymi badawczymi były wskaźniki odżywienia, obejmujące stężenie glukozy we krwi na czczo (GLU), cholesterol lipoprotein o małej gęstości (LDL-C), cholesterol lipoprotein o dużej gęstości (HDL-C), cholesterol całkowity (TC), triglicerydy (TG) ), albumina (ALB) i liczba limfocytów (LYC). Wstępne wyniki badań tych wskaźników uzyskano w ciągu 48 godzin od przyjęcia każdego pacjenta do szpitala. W przypadku braku danych wykorzystano odpowiednie wartości zapisane w dokumentacji medycznej pacjenta w ciągu ostatnich 6 miesięcy. Ponadto dodatkowe dane kliniczne obejmowały płeć, wiek, choroby współistniejące i protokoły leczenia. Oceniane choroby współistniejące obejmowały nadciśnienie, cukrzycę, przewlekłą chorobę płuc i przewlekłą niewydolność nerek. Do przewlekłych chorób płuc zaliczano przewlekłą obturacyjną chorobę płuc, astmę oskrzelową, przewlekłe zapalenie oskrzeli i rozstrzenie oskrzeli.

Definicja i ustalenie wyników klinicznych Oceniono pierwotny wynik, ustalony jako rozwój POD w ciągu 72 godzin po operacji lub przed wypisem ze szpitala. W kohorcie wyprowadzającej rozpoznanie delirium opierało się na udokumentowanym POD w dokumentacji medycznej. Jeśli nie zostało to wyraźnie określone, obecność POD określono na podstawie wyników metody oceny splątania na oddziale intensywnej terapii (CAM-ICU) zarejestrowanych w dokumentacji pielęgniarskiej. W kohorcie prospektywnej przeszkoleni lekarze stosowali protokół CAM-ICU do oceny stanu świadomości pacjentów w 6-godzinnych odstępach przez okres do 72 godzin po operacji, klasyfikując pacjenta z dodatnim wynikiem CAM-ICU co najmniej raz w tym okresie lub przed wypisem ze szpitala jako pacjenta z POD .

Drugorzędne wyniki obejmowały częste pooperacyjne zdarzenia niepożądane, takie jak przedłużona wentylacja mechaniczna (MV) (definiowana jako ciągła wentylacja mechaniczna przez ≥72 godziny po operacji), śmiertelność wewnątrzszpitalna ze wszystkich przyczyn oraz występowanie pooperacyjnych powikłań płucnych (np. infekcji dróg oddechowych). niewydolność oddechowa, wysięk opłucnowy, niedodma płuc, odma opłucnowa, skurcz oskrzeli i zachłystowe zapalenie płuc). Zbieranie danych i procesy diagnostyczne były prowadzone niezależnie przez dwóch badaczy, a rozbieżności wyjaśniał trzeci badacz, aby zapewnić dokładność i spójność.

Procesy uczenia maszynowego Techniki uczenia maszynowego zostały wdrożone przy użyciu języka Python (wersja 3.13.0, Fundacja oprogramowania Python). Rozpoczęto wstępne przetwarzanie danych, zaczynając od przetwarzania wartości odstających przy użyciu techniki 99% Winsoryzacji, aby uwzględnić wpływ wartości odstających na wyniki. Następnie zastosowano StandardScaler w celu normalizacji zbioru danych. Do oceny korelacji między cechami zbioru danych, wizualizowanej za pomocą mapy cieplnej, zastosowano współczynnik korelacji Spearmana. Wykorzystano algorytm grupowania K-Means, kluczową metodę uczenia się bez nadzoru [15]. Modele K-średnie trenowano na pochodnych kohortach, a metoda współczynników sylwetki określiła optymalną liczbę skupień w celu uzyskania solidnych wyników grupowania. Dane zestawu walidacyjnego poddano klasyfikacji przy użyciu wstępnie wytrenowanego modelu K-średnich w celu przewidywania etykiet skupień dla każdego punktu próbkowania.