Validação externa do algoritmo de previsão usando dispositivo de monitoramento não invasivo para hipotensão intraoperatória

A hipotensão que ocorre durante a cirurgia está associada ao mau prognóstico de pacientes após a cirurgia. Estudos anteriores relataram que mesmo um curto período de tempo de hipotensão aumenta o risco de complicações pós -operatórias, como lesão renal. Se pudermos prever a hipotensão intraoperatória com antecedência, podemos prevenir ou minimizar os danos.

Recentemente, existem muitos relatórios sobre modelos de inteligência artificial médica que prevêem a hipotensão intraoperatória. Entre eles, o modelo do índice de previsão de hipotensão (HPI) já foi comercializado e usado na prática clínica. No entanto, o HPI tem limitações, pois é necessário executar técnicas invasivas (canulação arterial) ou usar equipamentos dedicados a alto custo. No entanto, como muitas das anestesia geral são realizadas sem dispositivos de monitoramento invasivos, o uso de dispositivos médicos de HPI está sujeito a restrições consideráveis.

We have reported the prediction algorithm for intraoperative hypotension using five non-invasive monitoring devices commonly used in general anesthesia: 1) blood pressure (NBP, number), 2) electrocardiogram (ECG, waveform), 3) end-oxygen saturation waveform (PPG, waveform), 4) end-stage carbon dioxide waveform (ETCO2, waveform), and 5) an anesthesia Profundidade (BIS, número) Ao conduzir um processo retrospectivo de validação externa usando dados clínicos públicos de outras instituições (Hospital Universitário Nacional de Seul), o modelo final conseguiu ter boa previsibilidade com uma área sob o valor da curva característica (AUROC) que operam o receptor (AUROC) de 0,917.

No entanto, não validamos externamente esse algoritmo por meio de um estudo prospectivo projetado. Este estudo pretende validar externamente o "modelo de previsão de hipertensão durante a cirurgia usando um dispositivo de monitoramento não invasivo", que já relatou que é esperado que a utilidade e as limitações do modelo de previsão possam ser avaliadas novamente e o modelo possa ser avançado com base nos resultados.