预测麻醉深度使用自回归变压器在诱导阶段的propofol输液在诱导阶段的预测

科学领域:

• 麻醉学 麻醉学
• 机器学习在医学中的应用
• 制药指标 (Pharmacometrics) 是一个指标.

背景情况:

• 准确的麻醉深度 (DOA) 预测对于在全静脉麻醉期间安全输注普罗福尔至关重要.
• 传统的药理动力学 (PK) 和药理动力学 (PD) 模型往往缺乏实时DOA预测所需的精度.
• 机器学习 (ML) 模型通过匹配临床数据来提高DOA预测的准确性.

研究的目的:

• 探索实时信息对DOA预测的优势.
• 提出和评估新的自回归 (AR) 框架,以提高在麻醉诱导过程中DOA预测的准确性.
• 通过更准确的DOA预测,提高普罗波福尔剂量调整的精度.

主要方法:

• 两个自动回归框架,循环内自动回归 (ILAR) 和实时自动回归 (RTAR) 被开发和实施了注意力机制.
• 这些模型使用528名接受麻醉诱导的患者的数据进行了训练和验证,其中80%用于训练,20%用于验证.
• 使用绝对中位性能误差 (MDAPE),中位性能误差 (MDPE) 和根平均平方误差 (RMSE) 评估性能,与传统的前 (LSTM-MLP) 框架相比较.

主要成果:

• 拟议的ILAR和RTAR框架在预测麻醉诱导期间的DOA方面明显优于LSTM-MLP框架.
• ILAR和RTAR的MDAPE值分别为2.5%和11.6%,而LSTM-MLP的MDAPE值为17.7%.
• 使用实时双光谱指数 (BIS) 值的RTAR框架实现了最低的MDAPE和RMSE,显示出卓越的性能.

结论:

• 在麻醉诱导阶段,ILAR和RTAR自回归框架提供了准确的DOA预测.
• 这些模型提供了灵活性,适用于具有或没有实时BIS监控的场景.
• 与以前的LSTM-MLP方法相比,建议的AR方法显著提高了BIS价值预测的准确性.