自动解释深度学习模型用于分析腹腔镜妇科瘤手术中的血液动力学变化和肺部并发症,使用纳尔梅芬化与全身麻醉相结合

科学领域:

• 智能计算是一种智能计算.
• 生物医学信号分析分析
• 麻醉学 麻醉学

背景情况:

• 腹腔镜妇科瘤手术 (GTS) 涉及全身麻醉 (GA),需要监测血液动力学变化和肺部并发症.
• 智能计算为在手术期间分析生物信号提供了先进的方法.

研究的目的:

• 为了研究血动力学变化和肺部并发症与纳尔梅芬化结合GA在GTS.
• 评估智能计算在GTS期间分析患者生物信号的有效性.

主要方法:

• 接受计算机辅助GTS的80名患者被随机分为控制 (n=40) 和观察 (n=40) 组.
• 使用波形神经网络和Android界面定义语言 (AIDL) 模型分析了心电图 (ECG) 信号.
• 观察组接受了手术后的纳尔梅芬化,而对照组接受了安慰剂. 对血液动力学参数和不良反应进行了监测.

主要成果:

• 与对照组 (75%在30分钟) 相比,纳尔梅芬化组的恢复率明显更快 (95%在30分钟).
• 观察组的平均唤醒时间 (AWT) 与对照组 (16.46 ± 5.32 分钟) 相比,观察组的平均唤醒时间 (11.87 ± 5.78 分钟) 显著缩短.
• 实验组之间在输血过程中观察到心率 (HR),静脉血压 (SBP) 和透气血压 (DBP) 的显著差异.

结论:

• 纳尔梅芬化与GA结合,利用AIDL模型,有效地加速了GTS患者的觉醒.
• 智能计算生物信号检测对外科开发和患者监测有好处.
• 患有先前心脏病的患者有较高的术后肺部并发症风险.