关键词:
苏醒延迟
机器学习
人工神经网络
预测模型
全髋关节置换术
摘要:
研究背景:
全髋关节置换术是一种常见的骨科手术,在老年患者中广泛应用,其术后苏醒和拔管时间是重要的临床指标,能够影响患者术后的恢复及预后。老年患者全麻术后苏醒延迟是常见的全身麻醉并发症之一,但其发生机制尚不完全明确,且临床上并无针对麻醉苏醒延迟的评估工具。研究发现,老年患者苏醒延迟主要可能与患者的年龄、合并基础疾病情况、相关生理参数异常、手术以及麻醉的方式方法等危险因素有关,但各种危险因素之间的相互关系与老年患者麻醉术后苏醒延迟的潜在联系尚不明确。人工智能机器学习能够利用一定算法和数学模型,通过收集整理患者基础情况、麻醉、手术和实验室生化检验等信息,将各种麻醉苏醒延迟的相关危险因素进行多维度整合,进而分析、构建多个预测模型。研究目的:
分析老年全髋关节置换全麻患者麻醉拔管时间的影响因素,利用人工智能机器学习构建和验证老年全髋关节置换全麻患者拔管时间预测模型,协助麻醉医生提前识别可能发生苏醒延迟的高风险群体。
研究方法:
回顾性收集2023年1月至2024年12月在吉林大学第一医院行全麻全髋关节置换术的老年患者的围手术期资料,包括患者一般资料、检验检查结果、麻醉记录和手术记录。使用SPSS 29.0软件进行统计学分析,使用多元线性回归分析得出全麻全髋关节置换老年患者拔管时间的影响因素。将收集的数据以7:1.5:1.5的比例划随机分为训练集、验证集和测试集,使用Matlab R2024a软件分别构建老年全髋关节置换全麻患者拔管时间的不同预测模型,包括模糊神经网络模型、回归算法模型和人工神经网络模型,模型训练评价指标包括均方误差(MSE)、均方根误差(RMSE)、拟合系数(R2)和模型训练时间。使用独立测试集对各个模型进行泛化检验,模型泛化评价指标包括MSE、RMSE、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和R2。
研究结果:
本研究共纳入老年全髋关节置换全麻患者共1046例。经多元回归分析得出影响老年全髋关节置换全麻患者拔管时间的因素(p<0.05)共15个,分别是全身基础疾病,身体质量指数,既往手术史,手术医师,术中出血量,输液量,肌松药种类,是否使用昂丹司琼,是否使用新斯的明,呼气末二氧化碳分压(PETCO2),麻醉时间,麻醉医师,肌酐,尿常规和白蛋白。
在构建的拔管时间预测模型中,拟合程度由高到低依次为模糊神经网络模型、逐步线性回归模型、BR算法模型、SCG算法模型、LM算法模型、回归树集成模型和回归树模型,其R2值分别为0.926、0.920、0.913、0.908、0.905、0.881、0.874。模型预测精确度由高到低依次为模糊神经网络模型、逐步线性回归模型、BR算法模型、LM算法模型、SCG算法模型、回归树集成模型和回归树模型,其RMSE值分别为6.252、6.479、6.887、7.104、7.426、9.153、9.650。
研究结论:
本研究构建的模糊神经网络模型、回归算法模型和人工神经网络模型在预测全麻全髋关节置换老年患者拔管时间上均表现出较好的预测性能(R2:0.874~0.926)。本研究构建的模糊神经网络模型不仅预测性能最佳,而且具备快速的运算能力,能协助麻醉医生提前识别可能发生苏醒延迟的全麻全髋关节置换的老年患者。