Modelo baseado em aprendizado de máquina para previsão individualizada de dose de medicamento para propofol

Métodos de estudo:

（1）Seleção de caso: Pacientes que necessitam de tratamento cirúrgico eletivo no Hospital de Doenças Cardiovasculares e Cerebrovasculares do Hospital Geral da Universidade Médica de Ningxia.

Critérios de inclusão: Os pacientes eram de gênero neutro e tinham idade ≥18 anos.

（2) Protocolo de estudo clínico: Os pacientes foram admitidos na sala de cirurgia para estabelecimento de acesso intravenoso, conectado ao monitoramento de ECG, monitoramento de EEG, oxigenação por máscara de 4L/min e gravação de vídeo em tempo real de todo o processo de indução anestésica usando um gravador de vídeo para integração pós-operatória de vários dados. Propofol foi bombeado a 100 mg/kg/h, e o anestesiologista com propofol avaliou o grau de sedação do paciente até que o paciente estivesse profundamente sedado e o escore MOAA/S fosse 0, e o bombeamento de propofol fosse interrompido.

(3) Indicadores de observação: Foram coletadas informações demográficas e dados pré-operatórios gerais, incluindo sexo dos pacientes, idade, peso, altura, classificação ASA, índice de massa corporal (IMC) e histórico médico pregresso (hipertensão, doença coronariana, diabetes mellitus, doença respiratória, acidente vascular cerebral).

Pressão arterial sistólica, pressão arterial diastólica, pressão arterial média, frequência cardíaca, oximetria de pulso digital (SPO2), formas de onda do eletroencefalograma, dosagem de propofol administrada desde o início da indução anestésica até MOAA/S = 0 e horário de administração de propofol foram registrados para todos os parâmetros de monitorização básica e estendida, respectivamente, após a admissão do paciente na sala de cirurgia e no momento da pontuação 0 do escore MOAA/S.

(4) Métodos de avaliação de cada item Avaliação da profundidade da anestesia: a profundidade da sedação MOAA/S foi usada para avaliação, e a pontuação MOAA/S de 4-5 foi classificada como sedação leve, o que indicou que a resposta a xingar nomes em tom normal era sensível ou lento; 2-3 foi classificado como sedação moderada, o que indicou que houve resposta a xingamentos altos ou repetidos, ou houve resposta a leves empurrões e vibrações; ≤1 foi classificado como sedação profunda, o que indicou que houve resposta ao estímulo doloroso; 0 foi classificado como anestesia geral, o que indicou que houve resposta ao estímulo doloroso; 0 foi classificado como anestesia geral, o que indicou que houve resposta ao estímulo doloroso. ≤1 é classificado como sedação profunda, indicando resposta a estímulos dolorosos; 0 é classificado como anestesia geral, indicando ausência de resposta a estímulos dolorosos.

Extração de recursos EEG: use o pacote de módulo python MNE (https://mne.tools/stable/index.html) para análise, MNE pode ler os sinais fisiológicos mais comuns em formato de dados brutos, os métodos específicos são os seguintes: ① Extração de dados: importar dados → posicionamento do eletrodo → rejeitar eletrodos inúteis → re-referência → filtro → diminuir a taxa de amostragem → executar ICA → processamento em lote → segmentação e correção de linha de base → interpolação de má condutância e rejeição de má condutância → remoção de componentes de ruído → rejeição de má condutância segmentos; ② Divisão de dados: os dados dos pontos de monitoramento EEG necessários são divididos para incluir vigília e sedação; ③ Extração de recursos: domínio do tempo, valor da raiz quadrada da amplitude, curtose, assimetria, taxa de supressão de burst/minuto, domínio da frequência e índice de entropia são obtidos pela transformada de Fourier.

(5) Algoritmo de aprendizado de máquina proposto: a análise de regressão é uma técnica de modelagem preditiva que funciona a partir de um conjunto de dados para determinar equações relacionais quantitativas entre certas variáveis, testar estatisticamente essas equações relacionais entre as variáveis ​​e identificar as variáveis ​​que têm um efeito significativo de entre as múltiplas variáveis ​​que afetam uma determinada variável.