Пищевые и метаболические подтипы, связанные с послеоперационным делирием после кардиохирургии

В этом исследовании использовались обширные клинические медицинские данные для установления предоперационных подтипов питания пациентов с помощью кластерного анализа K-Means с использованием показателей, касающихся уровня сахара в крови, липидов и белков в крови. Впоследствии одномерный и многомерный анализы были использованы для изучения корреляции между различными подтипами и ПОД. Кроме того, независимая клиническая когорта была использована для подтверждения связи между клиническими подтипами и послеоперационным бредом с дальнейшим изучением опосредующей роли уровней оксида азота (NO) во взаимосвязи между алиментарными подтипами и послеоперационным бредом.

Исследование было сосредоточено на взрослых пациентах, перенесших сердечно-сосудистую операцию. Из исследования были исключены пациенты, соответствующие следующим критериям: 1) несовершеннолетние в возрасте до 18 лет; 2) беременные женщины; 3) лица с ранее существовавшим предоперационным бредом или психическими расстройствами в анамнезе, такими как шизофрения и большие депрессивные состояния; 4) лица с обширным опытом приема психотропных препаратов; 5) Употребление нитратов после приема; и 6) пациенты со значительными неврологическими расстройствами, такими как тяжелые черепно-мозговые травмы или недавние инсульты в течение последних 6 месяцев.

Критерии включения и исключения для когорты валидации были идентичны критериям для деривационной когорты. Образцы крови были взяты у пациентов в три разных момента времени: до операции, после голодания, во время операции и через 24 часа после операции. Эти образцы хранились в центральном биобанке при -80°C для дальнейшего анализа. Также были задокументированы подробности относительно типа и продолжительности введенной анестезии. Уровни оксида азота (NO) в плазме оценивали с использованием образцов цельной крови с этилендиаминтетрауксусной кислотой (BTK074, Bio-swamp, Ухань, Китай) со специальными протоколами анализа, доступными по адресу https://www.bio-swamp.com/goodsDetail/BTK074.

Сбор переменных исследования. Переменные исследования включали показатели питания, включая уровень глюкозы в крови натощак (ГЛУ), холестерин липопротеинов низкой плотности (ХС-ЛПНП), холестерин липопротеинов высокой плотности (ХС-ЛПВП), общий холестерин (ОХ), триглицериды (ТГ). ), альбумин (ALB) и количество лимфоцитов (LYC). Первоначальные результаты тестирования этих показателей были получены в течение 48 часов после госпитализации каждого пациента. В случаях отсутствия данных использовались соответствующие значения, зафиксированные в медицинской документации пациента за последние 6 месяцев. Кроме того, дополнительные клинические данные включали пол, возраст, сопутствующие заболевания и протоколы лечения. Оцениваемые сопутствующие заболевания включали гипертонию, диабет, хронические заболевания легких и хроническую почечную недостаточность. Хронические заболевания легких включали хроническую обструктивную болезнь легких, бронхиальную астму, хронический бронхит и бронхоэктазы.

Определение и определение клинических исходов. Первичным исходом оценивали развитие ПОД у пациентов в течение 72 часов после операции или до выписки. В производной когорте диагноз делирия основывался на документированных POD в медицинских записях. Если не указано иное, наличие POD определялось на основе результатов метода оценки спутанности сознания для отделений интенсивной терапии (CAM-ICU), зафиксированных в документации медсестры. В проспективной когорте обученные врачи использовали протокол CAM-ICU для оценки сознания пациентов с 6-часовыми интервалами на протяжении до 72 часов после операции, классифицируя пациента с положительным результатом CAM-ICU по крайней мере один раз в течение этого периода или перед выпиской как больного ПОД. .

Вторичные результаты включали распространенные послеоперационные нежелательные явления, такие как длительная искусственная вентиляция легких (ИВЛ) (определяемая как непрерывная искусственная вентиляция легких в течение ≥72 часов после операции), внутрибольничная смертность от всех причин и возникновение послеоперационных легочных осложнений (например, респираторной инфекции). , дыхательная недостаточность, плевральный выпот, ателектаз легких, пневмоторакс, бронхоспазм и аспирационная пневмония). Сбор данных и диагностические процессы проводились двумя исследователями независимо, а расхождения устранялись третьим исследователем для обеспечения точности и последовательности.

Процессы машинного обучения Методы машинного обучения были реализованы с использованием Python (версия 3.13.0, Фонд программного обеспечения Python). Началась предварительная обработка данных, начиная с обработки выбросов с использованием метода 99% Winsorisation для устранения влияния выбросов на результаты. Затем был применен StandardScaler для нормализации набора данных. Коэффициент корреляции Спирмена использовался для оценки корреляции между функциями набора данных, визуализированных с помощью тепловой карты. Был использован алгоритм кластеризации K-Means, основной метод обучения без учителя [15]. Модели K-Means были обучены на производных когортах, а метод коэффициентов силуэта определил оптимальное количество кластеров для получения надежных результатов кластеризации. Данные набора проверки подверглись классификации с использованием предварительно обученной модели K-Means для прогнозирования меток кластера для каждой точки выборки.