Модель на основе машинного обучения для индивидуального прогнозирования дозы препарата пропофол

Методы исследования:

(1) Выбор случая: Пациенты, которым требуется плановое хирургическое лечение в больнице сердечно-сосудистых и цереброваскулярных заболеваний больницы общего профиля Медицинского университета Нинся.

Критерии включения: Пациенты были гендерно-нейтральными и были в возрасте ≥18 лет.

（2) Протокол клинического исследования: Пациенты были госпитализированы в операционную для установления внутривенного доступа, подключенного к мониторингу ЭКГ, мониторингу ЭЭГ, оксигенации по маске со скоростью 4 л/мин и видеозаписи всего процесса индукции анестезии в реальном времени с использованием видеорегистратора для послеоперационная интеграция различных данных. Пропофол вводили со скоростью 100 мг/кг/ч, и анестезиолог с помощью пропофола оценивал степень седации пациента до тех пор, пока пациент не достиг глубокой седации и показатель MOAA/S не стал 0, и введение пропофола не было прекращено.

(3) Показатели наблюдения: собирали демографическую информацию и общие предоперационные данные, включая пол пациентов, возраст, вес, рост, классификацию ASA, индекс массы тела (ИМТ) и историю болезни (гипертония, ишемическая болезнь сердца, сахарный диабет, респираторные заболевания, инсульт).

Систолическое артериальное давление, диастолическое артериальное давление, среднее артериальное давление, частота сердечных сокращений, пальцевая пульсоксиметрия (SPO2), формы волн электроэнцефалограммы, дозировка пропофола, введенная от начала индукции анестезии до MOAA/S = 0, и время введения пропофола. регистрировались для всех параметров базового и расширенного мониторинга соответственно после поступления пациента в операционную и на момент получения 0 баллов по шкале MOAA/S.

(4) Методы оценки каждого пункта. Оценка глубины анестезии: для оценки использовалась глубина седации MOAA/S, а показатель MOAA/S 4–5 классифицировался как легкая седация, что указывало на то, что реакция на обращение по имени нормальным тоном был чувствительным или медлительным; 2–3 классифицировали как умеренную седацию, что указывало на наличие реакции на громкое или неоднократное выкрикивание имен или на легкое толчок и вибрацию; ≤1 классифицировали как глубокую седацию, что указывало на наличие ответа на болевую стимуляцию; 0 классифицировали как общую анестезию, что указывало на наличие ответа на болевую стимуляцию; 0 классифицировали как общую анестезию, что указывало на наличие реакции на болевую стимуляцию. ≤1 классифицируется как глубокая седация, что указывает на реакцию на болевые стимулы; 0 классифицируется как общая анестезия, что указывает на отсутствие реакции на болевые раздражители.

Извлечение функций ЭЭГ: для анализа используйте пакет модулей Python MNE (https://mne.tools/stable/index.html). MNE может считывать наиболее распространенные физиологические сигналы в формате необработанных данных. Конкретные методы следующие: ① Извлечение данных: импортировать данные → расположение электродов → отклонить ненужные электроды → повторное сравнение → фильтр → снизить частоту выборки → запустить ICA → пакетную обработку → сегментацию и коррекцию базовой линии → интерполяцию плохой проводимости и отклонение плохой проводимости → удаление шумовых компонентов → отбраковка плохих сегментов; ② Разделение данных: данные необходимых точек мониторинга ЭЭГ разделены, включая бодрствование и седацию; ③ Извлечение признаков: временная область, значение квадратного корня амплитуды, эксцесс, асимметрия, скорость подавления всплесков в минуту, частотная область и индекс энтропии получаются с помощью преобразования Фурье.

(5) Предлагаемый алгоритм машинного обучения: регрессионный анализ — это метод прогнозного моделирования, который работает на основе набора данных для определения количественных уравнений отношений между определенными переменными, статистической проверки этих уравнений отношений между переменными и выявления переменных, которые оказывают существенное влияние от среди множества переменных, которые влияют на конкретную переменную.