使用监督机器学习来描述手术期间大脑和变化的驱动因素

科学领域:

• 麻醉学 麻醉学
• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学

背景情况:

• 区域大脑氧和 (rSO2) 监测对于评估大脑输液至关重要.
• 优化rSO2可能会改善神经和非神经病人的结果.
• 了解影响rSO2的因素对于有效的业内管理至关重要.

研究的目的:

• 建立影响手术内rSO2变化的血液动力学和呼吸系统变量等级.
• 应用监督机器学习来预测rSO2趋势.
• 量化生理变量对大脑氧化的影响.

主要方法:

• 一个对146名高风险手术患者的后期分析.
• 机器学习分类 (XGBoost) 在血液动力学和呼吸系统数据上进行训练.
• 使用信息获取和排列重要性进行特征重要性分析.

主要成果:

• XGBoost分类器实现了77.1%的准确性和0.86的AUC.
• 对rSO2变化的关键预测因素包括ETCO2倾斜率,SpO2倾斜率和MAP.
• 二氧化碳 (CO2) 在很大程度上调解了手术期间的rSO2波动.

结论:

• 这项研究量化了在手术期间影响rSO2的变量层次.
• 对二氧化碳在大脑血流中的作用的洞察力,可以更好地了解大脑的氧化.
• 这些发现有助于优化手术内管理,以改善患者护理.