基于机器学习的术后期的定量疼痛评估
Gayeon Ryu1, Jae Moon Choi2, Hyeon Seok Seok1,3
1Department of Digital Medicine, Asan Medical Center, Brain Korea 21 Project, University of Ulsan College of Medicine, Seoul, 05505, Republic of Korea.
NPJ digital medicine
|January 24, 2025
概括
这项研究开发了一种基于光斑血图 (PPG) 的模型来评估手术疼痛. 该模型有效地评估了手术内和术后疼痛,在术后评估中表现优于商业指数.
科学领域:
- 生物医学工程 生物医学工程
- 麻醉学 麻醉学
- 医疗信息学 医疗信息学
背景情况:
- 在手术期间准确的疼痛评估对于患者的福祉和最佳麻醉管理至关重要.
- 摄影电磁镜 (PPG) 提供了一种非侵入性方法来监测可能与疼痛相关的生理变化.
- 现有的手术内疼痛评估方法在准确性和实时适用性方面可能存在局限性.
研究的目的:
- 开发和验证一个机器学习模型,使用PPG数据进行术后疼痛评估.
- 将开发模型的性能与商业手术疼痛指数进行比较.
- 为了确定关键的PPG波形特征,表明手术内和术后疼痛.
主要方法:
- 基于XGBoost的模型的开发,使用提取的光聚体图波形特征.
- 从242名手术患者收集PPG数据和疼痛评分 (数值评分表或临床标准),每隔2分钟.
- 使用接收器操作特征曲线 (AUC) 下面的面积来评估模型性能.
主要成果:
- 开发的手术内部模型实现了0.819的AUC,与商业指数 (0.829) 相比.
- 与商业指数 (0.577) 相比,开发的术后模型达到0.927的显著更高的AUC.
- 发现的关键特征包括波形曲和腹痛阶段率下降在手术内疼痛,缩阶段区域或基线波动在手术后疼痛.
结论:
- 开发的基于PPG的模型证明了在术后疼痛评估中具有很高的有效性.
- 该模型在术后疼痛评估方面表现特别强,超过了商业替代品.
- 特定的PPG波形特征是手术期间和之后实时疼痛监测的有价值指标.


