机器学习模型的开发和验证,以利用临床特征和多睡眠学变量预测术后妄想
Woo-Seok Ha1, Bo-Kyu Choi1,2, Jungyeon Yeom1
1Department of Neurology, Severance Hospital, Yonsei University College of Medicine, Seoul 03722, Republic of Korea.
Journal of clinical medicine
|September 28, 2024
概括
机器学习通过将临床数据与多睡眠学 (PSG) 睡眠模式相结合,准确地预测术后妄想. 早期使用睡眠因素识别高风险患者可以改善结果并减少并发症.
科学领域:
- 麻醉学 麻醉学
- 睡眠医学 睡眠医学
- 人工智能的人工智能
背景情况:
- 手术后妄想影响高风险手术后多达50%的患者,导致长期预后不佳.
- 识别妄的预测因素对于开发有针对性的干预措施和改善患者的治疗结果至关重要.
研究的目的:
- 使用机器学习模型预测术后妄想,该模型整合了多睡眠学 (PSG) 和睡眠障碍问卷数据.
- 确定与睡眠相关的关键因素,有助于妄想风险.
- 为了提高早期发现和管理妄症.
主要方法:
- 研究了一组912名在全身麻醉下接受手术的成年患者,使用现有的PSG数据进行了研究.
- 在术后14天内临床评估了 Delirium.
- 机器学习模型,包括极端梯度提升,被训练和测试以预测妄想,分析特征的重要性.
主要成果:
- 结合临床和PSG数据的综合模型的AUC为0.84,超过仅使用临床数据 (AUC0.81) 或仅使用PSG数据 (AUC0.60) 的模型.
- 重要的预测因素包括手术持续时间,年龄,米达佐拉姆的使用,氧和最低点,周期性四肢运动指数和减少快速眼动 (REM) 情节.
- 较少的REM情节和增加的白天嗜睡与更高的妄想风险有关.
结论:
- 一个集临床和睡眠变量的人工智能模型可靠地预测术后妄想.
- 与睡眠相关的因素是妄风险及其预测的重要因素.
- 通过人工智能驱动的睡眠模式分析,早期识别高风险患者可能会降低妄相关的成本和并发症.
