“与侵入性动脉测量相比，基于AI的无创血压监测” (NICONPRESS-1)

术中血压管理在防止术后并发症（包括器官功能障碍）方面起着至关重要的作用。 虽然振荡学间歇性无创技术是大多数手术患者血压监测的标准，但它们可能无法捕获快速的血液动力学波动，尤其是在高危时期，例如诱导，插管和突然的定位变化。 在这些情况下，连续浸润性动脉血压（IABP）监测通常用于实时血液动力学监测。 但是，IABP监测会带来风险，包括出血，血栓形成，血肿，动脉闭塞和血液感染。 据报道，径向动脉血栓形成率达到19.7％，与导管相关的并发症（如血肿或出血）发生在多达15％的病例中。

对非侵入性连续血压监测（NCBPM）技术的需求不断增加，以避免这种并发症。 源自脉搏血氧仪的光杀菌学（PPG）已成为一种有希望的无创技术。 PPG波形反映了外围灌注的变化，并提供了对心脏周期动态的见解。 然而，基于独立的PPG估计受到其对外围血管张力，运动伪像以及缺乏电气心脏数据的依赖性的限制。

为了克服这些局限性，本研究提出了使用同步光摄影（PPG）和心电图（ECG）信号的混合方法，并通过基于人工智能（AI）的基于人工智能的波形分析来增强。 这种组合旨在提高非侵入性连续血压监测的准确性和时间分辨率。 所提出的方法称为CPE（组合的脉搏血氧仪和ECG信号），基于以下假设：整合电气（ECG）和光学（PPG）信号将允许更好地建模动脉脉冲波速度（PWV），脉冲转运时间（PTT），以及替代性血液动力学参数。

该研究设计包括在全身麻醉下接受选修手术的患者的PPG和ECG信号的术中实时记录，并通过径向动脉导管同时监测IABP。 PPG波形将使用标准的红色/红外双波长脉冲血氧仪（660 nm和940-960 nm）获取，并使用3线连续监测来收集ECG。 使用时间戳记算法将确保同步。 数据采集​​将在不同的术中阶段发生：基线（诱导前），诱导，插管，维护和位置干预措施（±15°Trentelenburg和Resperse Trendelenburg）。

主要结果是通过Bland-Altman分析评估了CPES来源的收缩压和舒张压值和同时记录的浸润性血压值之间的一致性。 临床准确性将通过比较平均绝对误差（MAE）和均方根误差（RMSE）与AAMI/ANSI/ISO 81060-2标准标准来确定，该标准的平均差异为≤5mmHg，标准差为≤8mmHg。

次要结果包括：

CPES系统在诱导和气道操作过程中跟踪快速血压变化（ΔSBP，ΔDBP）的能力。

使用配对的位置比较评估位置对血压估计精度的影响。

衍生血流动力学参数（例如PTT，HRV，PWV）及其与动脉波形态和侵入性BP指标的相关性的探索性建模。

信号处理将涉及伪影去除，搏动检测，归一化和分割。 特征提取将包括PPG和ECG的时域，频域和形态特征。 机器学习模型（例如，梯度提升，LSTM或卷积神经网络）可以在数据集上训练以提高预测性能。

这项研究旨在证明，将电信号和光学信号结合起来可以无创地产生临床上可接受的血压测量，从而提高患者的安全性并减少对侵入性线的需求。 如果经过验证，则可以将此方法集成到现有的手术室监视器中，从而扩大了在常规和资源有限设置中对连续BP监视的访问。