基于机器学习的异丙酚个体化药物剂量预测模型

研究方法：

（1）病例选择：宁夏医科大学总医院心脑血管病医院需要择期手术治疗的患者。

纳入标准：患者性别中立，年龄≥18岁。

（2）临床研究方案：患者入手术室建立静脉通路，连接心电监护、脑电监护、4L/min面罩给氧，并用录像机实时录像整个麻醉诱导过程，以进行临床研究。术后整合各种数据。 以100 mg/kg/h泵入异丙酚，麻醉师用异丙酚评估患者的镇静程度，直至患者深度镇静且MOAA/S评分为0时，停止泵入异丙酚。

(3)观察指标：收集人口学信息和术前一般资料，包括患者的性别、年龄、体重、身高、ASA分级、体重指数（BMI）、既往病史（高血压、冠心病、糖尿病、呼吸系统疾病、中风）。

收缩压、舒张压、平均动脉压、心率、手指脉搏血氧饱和度（SPO2）、脑电图波形、麻醉诱导开始至MOAA/S=0时的丙泊酚给药剂量、丙泊酚给药时间分别记录患者入院后和MOAA/S评分为0时的所有基本监测参数和扩展监测参数。

（4）各项目评价方法 麻醉深度评价：采用MOAA/S镇静深度进行评价，MOAA/S评分4-5分为轻度镇静，表示对正常语气呼唤名字的反应敏感或迟钝； 2-3为中度镇静，表示对大声或反复喊名字有反应，或对轻微推压、振动有反应； ≤1为深度镇静，表明对疼痛刺激有反应； 0为全身麻醉，表示对疼痛刺激有反应； 0分为全身麻醉，表明对疼痛刺激有反应。 ≤1属于深度镇静，表示对疼痛刺激有反应； 0 被归类为全身麻醉，表示对疼痛刺激没有反应。

脑电特征提取：使用python MNE（https://mne.tools/stable/index.html）模块包进行分析，MNE可以读取原始数据格式的最常见的生理信号，具体方法如下： ①数据提取：导入数据→电极定位→剔除无用电极→重新参考→过滤→降低采样率→运行ICA→批处理→分​​割和基线校正→不良电导插值并剔除不良电导→去除噪声成分→剔除坏段; ②数据划分：将所需脑电监测点的数据划分为清醒和镇静； ③特征提取：通过傅里叶变换得到时域、幅度平方根值、峰度、偏度、突发抑制率/分钟、频域、熵指数。

(5)提出的机器学习算法：回归分析是一种预测建模技术，它从一组数据出发确定某些变量之间的定量关系方程，统计检验这些变量之间的关系方程，并识别出对模型有显着影响的变量。在影响特定变量的多个变量中。