Maskininlärningsbaserad modell för individuell förutsägelse av läkemedelsdos för Propofol

Studiemetoder:

（1） Val av fall: Patienter som behöver elektiv kirurgisk behandling på sjukhuset för hjärt- och kärlsjukdomar vid det allmänna sjukhuset vid Ningxia Medical University.

Inklusionskriterier: Patienterna var könsneutrala och i åldern ≥18 år.

（2) Kliniskt studieprotokoll: Patienterna lades in på operationssalen för att etablera intravenös åtkomst, kopplade till EKG-övervakning, EEG-övervakning, 4L/min masksyresättning och realtidsvideoinspelning av hela anestesiinduktionsprocessen med en videobandspelare för postoperativ integration av olika data. Propofol pumpades in med 100 mg/kg/h, och anestesiologen med propofol bedömde graden av sedering hos patienten tills patienten var djupt sederad och MOAA/S-poängen var 0, och pumpningen av propofol stoppades.

(3) Observationsindikatorer: Demografisk information och allmänna preoperativa data samlades in, inklusive patienternas kön, ålder, vikt, längd, ASA-klassificering, kroppsmassaindex (BMI) och tidigare medicinsk historia (hypertoni, kranskärlssjukdom, diabetes mellitus, luftvägssjukdom, stroke).

Systoliskt blodtryck, diastoliskt blodtryck, medelartärtryck, hjärtfrekvens, fingerpulsoximetri (SPO2), elektroencefalogramvågformer, doseringen av propofol administrerad från början av anestesiinduktion till MOAA/S = 0 och tidpunkten för administrering av propofol registrerades för alla grundläggande respektive utökade övervakningsparametrar efter att patienten lades in på operationssalen och vid den tidpunkten av 0-poängen för MOAA/S-poängen.

(4) Utvärderingsmetoder för varje föremål. Anestesidjup bedömning: MOAA/S sederingsdjup användes för bedömning, och MOAA/S-poäng på 4-5 klassificerades som mild sedering, vilket indikerade att svaret på att ringa namn i normal ton var känslig eller långsam; 2-3 klassificerades som måttlig sedering, vilket indikerade att det fanns en reaktion på att ropa namn högt eller upprepade gånger, eller att det fanns en reaktion på lätta knuffar och vibrationer; ≤1 klassificerades som djup sedering, vilket indikerade att det fanns ett svar på smärtstimulering; 0 klassificerades som generell anestesi, vilket indikerade att det fanns ett svar på smärtstimulering; 0 klassificerades som generell anestesi, vilket indikerade att det fanns ett svar på smärtstimulering. ≤1 klassificeras som djup sedering, vilket indikerar ett svar på smärtsamma stimuli; 0 klassificeras som generell anestesi, vilket indikerar inget svar på smärtsamma stimuli.

EEG-funktionsextraktion: använd python MNE (https://mne.tools/stable/index.html) modulpaket för analys, MNE kan läsa de flesta vanliga fysiologiska signalerna i rådataformat, de specifika metoderna är följande: ① Dataextraktion: importera data → elektrodpositionering → avvisa oanvändbara elektroder → re-referens → filter → droppsamplingshastighet → kör ICA → batchbearbetning → segmentering och baslinjekorrigering → interpolering av dålig konduktans och avvisande av dålig konduktans → avlägsnande av bruskomponenter → avvisande av dåliga segment; ② Datauppdelning: data för de nödvändiga EEG-övervakningspunkterna är uppdelade för att inkludera vakenhet och sedering; ③ Funktionsextraktion: tidsdomän, amplitudkvadratrotsvärde, kurtos, skevhet, burstundertryckningshastighet/minut, frekvensdomän och entropiindex erhålls genom Fouriertransform.

(5) Föreslagen maskininlärningsalgoritm: regressionsanalys är en prediktiv modelleringsteknik som arbetar från en uppsättning data för att bestämma kvantitativa relationsekvationer mellan vissa variabler, statistiskt testa dessa relationsekvationer mellan variablerna och identifiera de variabler som har en signifikant effekt från bland de flera variabler som påverkar en viss variabel.