心脏手术麻醉期间基于机器学习的术中生物信号分析预测术后谵妄发生的模型的前瞻性验证

术后谵妄 (POD) 不仅会增加住院时间和重症监护室住院时间和医疗费用，而且与不良预后密切相关，包括术后死亡率、发病率增加、术后长期认知能力下降和生活质量受损和独立性。 POD的术前风险评估和早期发现对于正确处理POD非常重要。 这是因为能够预防或治疗 POD 的药物治疗是有限的，对于 POD 的预防和管理，需要涵盖患者管理几乎所有方面的多学科方法和资源管理。 因此，如果有一个模型可以预测POD的发生，通过更准确的风险评估和早期发现，将对心脏手术后谵妄的管理有很大帮助。 在以往的研究中，术前衰老和认知能力下降被认为是 POD 的主要危险因素，但仅在术前识别危险因素不足以预测 POD 的发生。 心脏手术极有可能引起可引起 POD 的病理生理变化，因为它与血流动力学不稳定、心肺使用、体温变化和全身炎症反应有关。 这些病理生理变化可以反映在麻醉过程中通过各种监测设备获得的数据（生物信号）上。 与术前危险因素不同，麻醉期间发生的大多数事件被认为是 POD 的可纠正危险因素，并且有可能通过积极纠正它们来减少 POD 的发生。 因此，有必要分析这些术中生物信号对 POD 的影响。 在谵妄预测模型开发过程中，与其简单地将已经收集到的数据分割并用于模型性能验证过程，不如根据前瞻性收集的患者数据进行模型性能验证，以防止过拟合并获得更高的预测性能。 因此，本研究旨在收集前瞻性数据，以评估心脏手术后谵妄预测模型的性能，该模型基于已收集的数据（包括麻醉期间的生物信号）使用机器学习技术构建。 查阅手术当天至入住ICU期间的病历，若重症监护谵妄筛查量表（ICDSC）评分为6分或以上或有谵妄会诊记录，则记为POD。 通过对手术过程中产生的生物信号数据进行纯化、标准化、异常值检测和采样来构建数据库后，收集从医疗记录中获得的各种变量以构建评估数据集。 使用该数据集，通过接受者操作特征曲线分析评估应用机器学习算法构建的谵妄预测模型的性能。