姓名: 宋悦孜

医院（或学校）: 天津市胸科医院

论文类别: 麻醉与大数据科学

科室: 麻醉科

论文摘要: 目的： 探讨机器学习算法融合术前基线特征与术中动态数据预测非体外循环冠状动脉搭桥术（OPCABG）患者术后谵妄（POD）的价值。 方法： 采用单中心回顾性研究设计，纳入2021年6月1日—2023年4月30日在天津市胸科医院接受OPCABG治疗的1041例患者的术前和术中资料。POD诊断依据ICU意识模糊评估法标准。收集术前基线数据（人口统计学、合并症、实验室检查等）和术中时间序列数据（生命体征、脑氧饱和度、麻醉深度等）。数据集按8:2随机分为训练集和测试集，对数据进行预处理。基线数据使用8个机器学习模型(LR、GBDT、XGBoost、AdaBoost、RF、 SVM、 KNN、DT)进行训练并建立OPCABG术后谵妄的风险预测模型，术中时间序列数据采用CONV-LSTM深度学习模型进行特征提取，将基线数据与术中特征通过迁移学习进行数据融合，再输入到8个机器学习模型进行训练。计算预测模型的准确率和AUC，以选择预测OPCABG术后谵妄的最佳模型。使用DT模型计算特征重要性并进行排序，筛选出主要风险因素。结果： 在最终纳入分析的813例患者中，共有68例患者被确诊发生术后谵妄，发生率为8.4%。基于基线数据和基线及术中数据集预测OPCABG术后谵妄效果最好的模型均为GBDT模型：在基线数据集中AUC为0.715，准确率0.892；在融合数据集中AUC提升至0.842，准确率达0.915，AUC增幅达0.127。在基线数据集中，支持向量机（SVM）和自适应提升（AdaBoost）模型AUC分别为0.698和0.685；决策树（DT）模型AUC仅为0.532。在融合数据集中，随机森林（RF）和XGBoost模型AUC分别达到0.781和0.769，但与GBDT模型相比仍存在显著差距（P<0.05）。特征重要性分析显示，预测价值最高的前10个特征依次为：术中脑电双频指数（BIS）的波动性（标准差）、术前简易精神状态检查（MMSE）评分、术中平均右脑组织氧饱和度（SctO2）曲线下面积、患者年龄、术中低血压（MAP<65mmHg）事件累计持续时间、术前白蛋白水平、术中血糖最大值、苯二氮䓬类药物术前使用史、术中体温最低值以及手术持续时间。结论： GBDT机器学习模型能有效预测OPCABG患者术后谵妄风险，融合术中动态生理数据可显著提升预测性能。该模型具有良好的临床应用前景，可作为辅助工具帮助临床医生早期识别谵妄高危患者，为针对性干预提供决策支持。 关键词： 非体外循环冠状动脉搭桥术；术后谵妄；机器学习；风险预测；脑功能监测