Prospektiv validering av modellen som förutsäger postoperativ delirium med maskininlärningsbaserad analys av intraoperativa biologiska signaler under anestesi vid hjärtkirurgi

Postoperativt delirium (POD) ökar inte bara längden på sjukhusvistelse och intensivvårdsvistelse och medicinska kostnader, utan är också nära förknippad med negativ prognos, inklusive postoperativ mortalitet, ökad sjuklighet, långvarig kognitiv försämring efter operation och försämrad livskvalitet och oberoende. Den preoperativa riskbedömningen och tidig upptäckt av POD är mycket viktiga för korrekt hantering av POD. Detta beror på att läkemedelsbehandling som kan förebygga eller behandla POD är begränsad, och för att förebygga och hantera det krävs ett multidisciplinärt tillvägagångssätt och resurshantering som täcker nästan alla aspekter av patienthantering. Därför, om det finns en modell som kan förutsäga förekomsten av POD, kan den vara till stor hjälp för att hantera delirium efter hjärtkirurgi genom mer noggrann riskbedömning och tidig upptäckt. I tidigare studier är åldrande och kognitiv försämring före operation kända som stora riskfaktorer för POD, men identifiering av riskfaktorer före operation enbart är otillräcklig för att förutsäga förekomsten av POD. Hjärtkirurgi är högst sannolikt att orsaka patofysiologiska förändringar som kan orsaka POD, eftersom det är associerat med hemodynamisk instabilitet, hjärt-lunganvändning, förändringar i kroppstemperatur och systemisk inflammatorisk respons. Dessa patofysiologiska förändringar kan återspeglas i data (biosignaler) som erhålls genom olika övervakningsanordningar under anestesi. De flesta händelser som inträffar under anestesi anses vara korrigerbara riskfaktorer för POD, till skillnad från preoperativa riskfaktorer, och det finns en potential att minska förekomsten av POD genom att aktivt korrigera dem. Därför är det nödvändigt att analysera effekten av dessa intraoperativa biosignaler på POD. I utvecklingsprocessen för deliriumförutsägelsemodeller, snarare än att bara dela upp de redan insamlade data och använda dem i valideringsprocessen för modellprestanda, är det bättre att utföra modellprestandavalidering baserad på patientdata som prospektivt samlas in för att förhindra överanpassning och uppnå högre prediktiv prestanda. Därför syftar denna studie till att samla in prospektiva data för att utvärdera prestandan för deliriumprediktionsmodellen efter hjärtkirurgi byggd med hjälp av maskininlärningstekniker baserade på redan insamlade data inklusive biosignaler under anestesi. Efter att ha granskat journalerna från operationsdagen till vistelsen på intensivvårdsavdelningen, om poängen för Intensive Care Delirium Screening Checklist (ICDSC) är 6 eller högre eller det finns ett register över konsultation med delirium, registreras det som POD. Efter strukturering av databasen genom rening, standardisering, detektering av extremvärden och provtagning av biosignaldata som genererats under operationen, samlas olika variabler som erhållits från medicinska journaler in för att konstruera en utvärderingsdatauppsättning. Med hjälp av denna datauppsättning utvärderas prestandan hos deliriumprediktionsmodellen som byggts genom att tillämpa maskininlärningsalgoritmen genom analys av en kurva för mottagarens driftkarakteristik.