此页面是自动翻译的，不保证翻译的准确性。请参阅 英文版 对于源文本。

机器学习预测脊髓麻醉持续时间

2026年8月11日 更新者：Sıddık Varolgunes、Kocaeli City Hospital

机器学习算法预测脊髓麻醉终止时间的比较评估

在膝关节置换术中，与全身麻醉相比，脊髓麻醉具有显著优势，包括减少失血量、加快恢复速度以及降低并发症发生率。 然而，准确预测其持续时间对于患者安全和有效的术后管理至关重要。 本研究评估了机器学习（ML）算法在预测脊髓麻醉终止时间及患者准备活动能力方面的实用性。 利用人口统计学、手术和麻醉变量，训练了机器学习模型以估计麻醉持续时间。 准确的预测可能有助于改善术中规划、优化术后护理并提升患者预后。 将基于机器学习的预测系统整合到麻醉实践中，可以为更安全、更高效和个性化的围手术期管理做出贡献。

研究概览

地位

完全的

条件

干预/治疗

详细说明

摘要

在全膝关节置换术中，脊髓麻醉相比全身麻醉具有多项优势，包括减少术中失血量、减轻术后疼痛、加快恢复速度以及缩短住院时间。 它还能最大程度地减少麻醉相关并发症，并促进早期活动，因此成为许多骨科手术的首选技术。 然而，准确预测脊髓麻醉的持续时间仍然具有挑战性，且对于确保患者安全、优化术后疼痛控制以及预防麻醉相关并发症具有重要的临床意义。

准确估计麻醉持续时间有助于更有效的手术规划、及时的镇痛药物管理，并提高患者满意度。 意外延长的麻醉可能会增加不良反应的风险，而过早终止则可能导致疼痛管理不足。

机器学习技术通过分析复杂的多维数据集，为预测麻醉实践中的临床结果提供了有前景的工具。 先前的研究已证明机器学习算法在预测围手术期事件（如低血压、输血需求及术后并发症）方面的潜力。

在本研究中，我们探讨了机器学习模型在预测脊髓麻醉终止时间及患者活动准备情况方面的可用性和有效性。 通过整合多项临床变量（如患者人口统计学特征、麻醉药物剂量及手术因素），我们的模型旨在提供准确、数据驱动的预测。 这些预测性见解可帮助麻醉医师定制围手术期管理方案，降低并发症风险，并改善患者的整体预后。 最终，将基于机器学习的预测系统整合到麻醉实践中，有望提升围手术期护理的安全性、效率及个性化水平。

研究类型

观察性的

注册 (实际的)

145

联系人和位置

本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。

学习地点

参与标准

研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

  • 成人
  • 年长者

接受健康志愿者

不

取样方法

非概率样本

研究人群

本研究将纳入2025年11月至2026年3月期间在科贾埃利市立医院手术室接受脊髓麻醉下择期全膝关节置换术（TKA）的成年患者。

所有参与者将使用0.5%高比重布比卡因接受脊髓麻醉，术中监测将根据机构麻醉标准进行。研究人群代表一个常规应用脊髓麻醉的同质手术群体，可实现标准化麻醉方案并可靠测量麻醉持续时间。

符合资格的患者将被分类为ASA身体状况I级或II级，且年龄在18岁或以上。

描述

纳入标准：

  1. 计划于2025年11月至2026年3月期间在科贾埃利市立医院手术室接受全膝关节置换术的患者。
  2. 已提供书面知情同意书参与研究的患者。
  3. 计划在脊髓麻醉下进行手术的患者。
  4. 在研究期间能够获得完整临床数据的患者。
  5. 年龄18岁或以上，美国麻醉医师协会（ASA）身体状况分级为I级或II级的成人患者。

排除标准：

  1. 手术期间转为全身麻醉或最初在全身麻醉下进行手术的患者。
  2. 麻醉后需要进入术后重症监护室（ICU）的患者。
  3. 出现手术并发症且无法计划术后活动的患者。
  4. 存在认知障碍，无法在术后完成疼痛评估量表的患者。
  5. 患有神经病理性疼痛、多发性硬化症或其他神经运动障碍的患者将被排除在研究之外。

学习计划

本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。

研究是如何设计的？

设计细节

队列和干预

团体/队列
干预/治疗
膝关节置换组
将接受脊髓麻醉下膝关节置换手术的患者组
程序：脊髓麻醉（布比卡因）
在患者被置于手术台前，需确保其体位舒适并为手术做好准备工作。 启动标准化监测，包括五导联心电图（ECG）、无创血压（NIBP）和脉搏血氧饱和度（SpO₂）。 记录心率、收缩压和舒张压、平均动脉压（MAP）以及血氧饱和度的基线测量值。 插入18或20号静脉留置针，并给予适当的晶体液预负荷。 确保无菌条件后，将患者置于坐姿，使用25号Whitacre针在L3-L4或L4-L5椎间隙进行脊髓穿刺。 观察到脑脊液自由流出后，缓慢注入0.5%高比重布比卡因（10-15毫克）。 注射完成后

研究衡量的是什么？

主要结果指标

结果测量
措施说明
大体时间
机器学习预测性能
大体时间：从鞘内注射结束（T₀）至完全运动功能恢复（T_end），预计在注射后6小时内完成。

本研究的主要结果是机器学习（ML）算法基于术前和术中变量预测脊髓麻醉持续时间（以分钟计）的预测性能。

指标：R²（决定系数）。无量纲（无单位）
从鞘内注射结束（T₀）至完全运动功能恢复（T_end），预计在注射后6小时内完成。

次要结果测量

结果测量
措施说明
大体时间
脊髓麻醉终止时间
大体时间：从鞘内注射结束（T₀）到完全运动功能恢复（T_end），预计在注射后6小时内完成。
这是从脊髓麻醉完成时刻起，直至患者下肢运动阻滞完全解除的这段时间。
从鞘内注射结束（T₀）到完全运动功能恢复（T_end），预计在注射后6小时内完成。
视觉模拟评分法
大体时间：从鞘内注射结束（T₀）到完全运动功能恢复（T_end），预计在注射后6小时内完成。
一种用于帮助个人评估某些感觉和情绪强度的工具，例如疼痛。 疼痛视觉模拟评分尺是一条直线，一端表示无痛，另一端表示可以想象到的最严重的疼痛。 患者在线条上标记一个点，以匹配他或她感受到的疼痛程度。 它可用于帮助选择正确剂量的止痛药。
从鞘内注射结束（T₀）到完全运动功能恢复（T_end），预计在注射后6小时内完成。

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

赞助

Kocaeli City Hospital

调查人员

  • 研究主任：Ahmet Yüksek, MD、Kocaeli City Hospital

出版物和有用的链接

负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。

一般刊物

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (实际的)

2025年10月31日

初级完成 (实际的)

2026年5月14日

研究完成 (实际的)

2026年6月1日

研究注册日期

首次提交

2025年11月20日

首先提交符合 QC 标准的

2025年11月20日

首次发布 (实际的)

2025年12月1日

研究记录更新

最后更新发布 (实际的)

2026年8月13日

上次提交的符合 QC 标准的更新

2026年8月11日

最后验证

2026年8月1日

更多信息

与本研究相关的术语

关键字

其他相关的 MeSH 术语

其他研究编号

  • KSH_SVG_1

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)？

未定

此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.

订阅