Vielen Dank für Ihren Besuch auf nature.com.Sie verwenden eine Browserversion mit eingeschränkter CSS-Unterstützung.Um die beste Erfahrung zu erzielen, empfehlen wir Ihnen, einen aktuelleren Browser zu verwenden (oder den Kompatibilitätsmodus im Internet Explorer zu deaktivieren).In der Zwischenzeit zeigen wir die Website ohne Stile und JavaScript an, um eine kontinuierliche Unterstützung zu gewährleisten.Scientific Reports Band 12, Artikelnummer: 17724 (2022 ) Diesen Artikel zitierenDie auf den optimalen zerebralen Perfusionsdruck (CPPopt) ausgerichtete Behandlung von Patienten mit traumatischer Hirnverletzung (TBI) erfordert eine 2–8-stündige multimodale Überwachungsdatensammlung, um den CPPopt-Wert für den einzelnen Patienten zu identifizieren.Die Minimierung der für die Überwachung der Datenakkumulation erforderlichen Zeit ist erforderlich, um die Wirksamkeit der CPPopt-gerichteten Therapie zu verbessern.Eine retrospektive Analyse von multimodalen physiologischen Überwachungsdaten von 87 schweren SHT-Patienten wurde durchgeführt, indem Indizes der zerebrovaskulären Autoregulation (CA) in Bezug auf CPP, arteriellen Blutdruck (ABP) und Hirndruck (ICP) getrennt dargestellt wurden, um die bestehenden CPPopt-Identifikationsalgorithmen zu verbessern.Auf maschinellem Lernen (ML) basierende Algorithmen wurden für die automatische Identifizierung informativer Datensegmente entwickelt, die für die zuverlässige Identifizierung von CPPopt, ABPopt, ICPopt und den unteren/oberen Grenzen der CA (LLCA/ULCA) verwendet wurden.Die Referenzdatensätze der informativen Datensegmente und artefaktverzerrten Segmente sowie die Datensätze verschiedener klinischer Situationen wurden zum Trainieren der ML-basierten Algorithmen verwendet, sodass wir das geeignete individualisierte CPP-, ABP- oder ICP-geführte Management auswählen können 79 % der gesamten Überwachungszeit für die untersuchte Population.Die entwickelten ML-basierten Algorithmen ermöglichen es uns, aussagekräftige physiologische ABD/ICP-Variationen innerhalb von 24-Minuten-Intervallen mit einer Genauigkeit von bis zu 79 % (im Vergleich zur anfänglichen Genauigkeit von 74 %) zu erkennen und diese Segmente zur zeitnahen Bestimmung des optimalen Werts oder zur Bestimmung von CA-Grenzwerten zu verwenden in CPP-, ABP- oder ICP-Daten.Prospektive klinische Studien sind erforderlich, um die Effizienz der entwickelten Algorithmen zu beweisen.Die Aufrechterhaltung eines patientenspezifischen zerebralen Perfusionsdrucks (CPP) zur Gewährleistung eines stabilen und angemessenen zerebralen Blutflusses ist wichtig, um das Ergebnis von Patienten mit traumatischer Hirnverletzung (TBI) zu verbessern1,2,3.Die Leitlinien der Brain Trauma Foundation empfehlen einen CPP-Zielbereich von 60–70 mmHg, um Folgeschäden durch Ischämie oder verstärkte Ödeme zu vermeiden4.Dieser universelle Zielbereich für CPP ist jedoch möglicherweise nicht optimal für die vielfältige Population, die von TBI betroffen ist.Viele Faktoren können den individuellen optimalen CPP-Bereich beeinflussen, einschließlich Alter, erhöhter intrakranieller Druck (ICP), Schweregrad der Hirnverletzung, Glukosespiegel, pharmazeutische Behandlung und Schweregrad des Hirntraumas5.Ein auf den optimalen zerebralen Perfusionsdruck (CPPopt) ausgerichtetes Management wurde als mögliche Lösung für die personalisierte Patientenbehandlung bei schweren Fällen von SHT und Subarachnoidalblutung (SAB) vorgeschlagen6,7,8,9.Diese Art des Managements basiert auf der Kontrolle des CPP und dessen Aufrechterhaltung auf dem patientenspezifischen CPPopt-Wert, wodurch Beeinträchtigungen der zerebrovaskulären Autoregulation (CA) und sekundäre Hirnverletzungen vermieden werden.Der Nutzen einer auf CPPopt ausgerichteten Behandlung zur Verbesserung der Ergebnisse von TBI/SAB-Patienten wurde in Pilotstudien und retrospektiven Studien1,5,6,7,8,9,10,11,12 sowie in klinischen Phase-II-Studien2,13,14 analysiert.Es wurde gezeigt, dass eine CPP-Abweichung vom identifizierten CPPopt-Wert mit schlechteren Patientenergebnissen verbunden ist und die Aufrechterhaltung des CPP innerhalb von +/- 5–10 mmHg des CPPopt-Werts eine Strategie ist, die zu günstigeren Patientenergebnissen führt8,11,12,14, fünfzehn.Größere Abweichungen vom CPPopt-Wert außerhalb der patientenspezifischen Grenzen sind mit einer CA-Beeinträchtigung verbunden, was zu Ischämie, Hyperämie und folglich zu ungünstigen Ergebnissen führt15.Die ICM+-Software (Cambridge Enterprise Ltd., UK) wird in klinischen TBI/SAH-Studien1,2,5,6,7,8,9,10,11,12,13,14 zur Bestimmung des CPPopt-Werts verwendet.Erfordert in der Regel 4 oder mehr Stunden kontinuierliche Überwachung von hochauflösenden ICP(t)- und arteriellen Blutdruckdaten (ABP(t)), kontinuierliche CA-Beurteilung durch Berechnung des Druckreaktivitätsindex (PRx(t)) und Bestimmung von CPPopt Wert im besten intakten CA-Zustand erforderlich.PRx(t)-Werte werden als gleitender Pearson-Korrelationskoeffizient zwischen langsamen ICP(t)- und ABP(t)-Wellen innerhalb eines Fensters mit gleitendem Mittelwert von mindestens 5 Minuten identifiziert14.Die negativen PRx(t)-Werte stellen eine intakte CA dar, während die positiven PRx(t)-Werte eine beeinträchtigte CA darstellen.Im Idealfall erzeugt die Auftragung von PRx gegen CPP eine „U-förmige“ Kurve mit einem Minimalpunkt, der den CPPopt-Wert als Ziel für eine personalisierte Behandlung des TBI-Patienten anzeigt6,7.Viele Faktoren begrenzen jedoch immer noch die praktische Anwendung der CPPopt-gerichteten Behandlung.Die Identifizierung von PRx(t) erfordert das Vorhandensein langsamer ABP(t)- und ICP(t)-Wellen, um den CA-Status zuverlässig zu beurteilen.Langsame intrakranielle Wellen haben eine intermittierende Natur mit zufälligen Schwankungen in Amplitude und Oszillationsfrequenz16.PRx-Werte sind nahe Null, wenn die Amplitude langsamer Wellen zu niedrig ist.Diagnoseinformationen gehen in solchen Fällen verloren17.Die „U-förmige“ Kurve beim Auftragen von PRx gegen CPP wird nur dann erhalten, wenn der CPP in einem ausreichend breiten Bereich schwankt (z. B. von den unteren zu den oberen Autoregulationsgrenzen) und die PRx-Werte ohne inakzeptable Unsicherheit bei Vorhandensein von Slow identifiziert werden ABP(t)- und ICP(t)-Wellen mit geeigneter Amplitude.Andernfalls kann keine "U-förmige" Kurve erhalten werden, oder nur ein Teil dieser Kurve kann identifiziert werden.Die Qualität der „U-förmigen“ Kurve wird auch beeinträchtigt, wenn die Überwachungsdaten, die für die CPPopt-Identifizierung verwendet werden, Artefakte enthalten.Alle diese Faktoren können die Qualität der informativen Daten, die zur Bestimmung des CPPopt-Werts erforderlich sind, erheblich beeinflussen.Dennoch kann der CPPopt-Wert selbst bei einem 4-stündigen ABP(t)/ICP(t)-Datensammelfenster in etwa 50–60 % der Überwachungszeit identifiziert werden.Bei manchen Patienten ist die Bestimmung des CPPopt-Werts unmöglich18.Kürzlich wurde ein neuer adaptiver, gewichteter Multifenster-Ansatz für die Identifizierung von CPPopt-Werten vorgeschlagen, der die Möglichkeit bietet, CPPopt-Werte innerhalb von bis zu 89 % der gesamten Überwachungszeit zu identifizieren19.Dieser Ansatz basiert auf der adaptiven Erweiterung des Zeitfensters für die Datensammlung von 2 auf 8 Stunden, bis der CPPopt-Wert identifiziert ist18,19.Eine derart lange Datenakkumulation und Verarbeitungszeit sind jedoch mit einem verzögerten CPPopt-geführten TBI-Management verbunden.Klinische Beweise deuten darauf hin, dass eine zerebrovaskuläre Beeinträchtigung, die länger als 40–60 Minuten andauert, mit einem Risiko für Hirnschäden verbunden ist, was sich auf die Ergebnisse von SHT-Patienten auswirkt5,20.Wir müssen CPPopt-Werte in weniger als 2 bis 8 Stunden der Erfassung von Überwachungsdaten identifizieren, um eine patientenspezifische CPPopt-gerichtete Therapie zu implementieren, die klinisch wirksam ist.In unserer Forschung geht es darum, die Möglichkeit aufzuzeigen, die bestehenden CPPopt-Identifikationsalgorithmen durch Anwendung von Methoden des maschinellen Lernens (ML) zu verbessern, um die Zeit zu verkürzen, die zum Identifizieren optimaler und kritischer Werte für CPP/ABP/ICP sowie zum Auswählen eines erforderlich ist geeignete Managementstrategie für eine zeitnahe Stabilisierung des CA-Status.Die Problematik und Hauptidee dieser Forschung sind in Abb. 1 dargestellt.Problematik der CPPopt-Wertidentifikation und Forschungsidee.Auf maschinellem Lernen (ML) basierende Algorithmen werden angewendet, um die informativen physiologischen ABD/ICP-Variationen in kurzen (20–30 min) Intervallen zu erkennen und diese Datenepisoden für die rechtzeitige Identifizierung des optimalen Werts (oder der unteren/oberen CA-Grenzen) im CPP zu verwenden , ABP- oder ICP-Daten.Der CPPopt(t)-Wert wird gemäß anerkannten „informativen“ Datenepisoden (rot markiert) als Mindestpunkt der „U-Form“-Annäherung im PRx = f(CPP)-Diagramm identifiziert.Techniken des maschinellen Lernens (ML) wie Support Vector Machines, Entscheidungsbäume und künstliche neuronale Netze wurden bereits für die Entwicklung von Modellen zur Vorhersage des Outcomes von TBI-Patienten21,22,23,24 angewendet, die den Anstieg des ICP vorhersagen25, und für die Zurückweisung von Überwachungsartefakten in Echtzeit26.Eine Literaturanalyse hat gezeigt, dass ML-Methoden immer noch nicht in CPPopt-Identifikationsalgorithmen verwendet werden, um die CPPopt-Identifikationszeit so weit wie möglich zu reduzieren, was zu einer effektiveren CPPopt-gerichteten Behandlung für TBI-Patienten führt.Die retrospektive Analyse von multimodalen physiologischen Überwachungsdaten von 87 schweren SHT-Patienten mit unterschiedlichen Ergebnissen (67,8 % Überleben, 32,2 % Todesfälle), Alter (18–86 Jahre) und Geschlecht (67 % männlich, 33 % weiblich) trug zu dieser Forschung bei.Die hochauflösenden kontinuierlichen Überwachungsdaten von ICP(t), ABP(t), CPP(t) und PRx(t) wurden mit der ICM + -Software registriert und analysiert.Die Überwachungszeit der Patienten variierte zwischen 6 h und 10 Tagen.Die Daten wurden von 2013–2018 auf der Intensivstation des Republican Vilnius University Hospital und der Litauischen University of Health Science Kaunas Clinics erhoben. Die Einschlusskriterien waren wie folgt: TBI-Patienten mit invasiven ICP- und ABP-Sensoren, Alter > 18 Jahre und minimal Zeit der CA-Überwachungsdaten 6-h.Patienten oder ihre Angehörigen unterschrieben eine Einverständniserklärung.Detaillierte demografische Merkmale und Durchschnittswerte der überwachten klinischen Daten der in diese Analyse eingeschlossenen SHT-Patienten sind in Tabelle 1 aufgeführt.Die Erhebung klinischer Daten, die in dieser Studie verwendet wurden, wurde in Übereinstimmung mit Studienprotokollen durchgeführt, die von den Ethikkommissionen der regionalen Ethikkommissionen für biomedizinische Forschung in Vilnius und Kaunas (Litauen) genehmigt wurden (Protokoll Nr. 158200-06-498-145, 158200-16-854). -364, 12.07.2016, 158200-15-801-323, 06.10.2015 und BE-2-6, 06.01.2015).Alle Untersuchungen und Patientenbehandlungen wurden in Übereinstimmung mit den litauischen Leitlinien für die Diagnose und Behandlung von Kopfverletzungen (2010) und den nationalen methodischen Empfehlungen für die Diagnose und Behandlung von Hirnverletzungen (2017) durchgeführt.Die Teilnehmer und/oder ihre Erziehungsberechtigten unterzeichneten eine informierte schriftliche Zustimmung zur Verwendung ihrer anonymisierten klinischen Daten in dieser retrospektiven Analyse.Die Software für die retrospektive multimodale Überwachungsdatenanalyse auf der Intensivstation wurde mit der Toolbox MATLAB 9.9 (R2020b) entwickelt.Diese Software bietet die Möglichkeit, retrospektiv überwachte ABP(t)-, ICP(t)-, CPP(t)- und PRx(t)-Daten innerhalb eines ausgewählten Zeitfensters von 0,5 h bis 4 h zu überprüfen und diese Daten durch Auftragen der drei zu analysieren Diagramme: PRx = f(CPP), PRx = f(ABP) und PRx = f(ICP).Jede ausgewählte Überwachungsepisode wurde in fünf farbmarkierte Segmente unterteilt, die manuell in PRx = f(CPP)-, PRx = f(ABP)-, PRx = f(ICP)-Diagramme ein- oder ausgeschlossen werden konnten, wodurch eine separate Analyse von ermöglicht wurde den Einfluss jedes der farbmarkierten Segmente auf die CPPopt-Wertidentifikation.Die Farben (Grün, Cyan, Blau, Pink und Rot) wurden jedem Segment zugeordnet, um sie zusammen mit dem Zeitfenster zu trennen und zu unterscheiden (Abb. 2).Softwaretool für multimodale Überwachungsdatenanalyse auf der Intensivstation und CPPopt-Identifikation.Der Beitrag von farbmarkierten ABP- und ICP-Episoden (dh grün, cyan, blau, pink und rot) zur Bildung quadratischer Näherungskurven kann analysiert werden, indem sie in PRx = f(CPP), PRx = f aufgenommen oder daraus entfernt werden (ABP) und PRx = f(ICP)-Diagramme.Farblich markierte Segmente werden aus dem Softwaremenü ausgewählt, indem Segmente den Klassen „artefaktfrei“/„artefaktgestört“ oder „informativ“/„nicht informativ“ zugeordnet werden, die zum Trainieren und Testen der ML-Algorithmen erforderlich sind.Das Beispiel in (A) stellt den Fall dar, in dem CPPopt und ABPopt zusammen mit den oberen Grenzen der Autoregulation (ULCA) identifiziert werden, was zeigt, dass eine CPPopt-gerichtete Behandlung für das personalisierte Management zur Kontrolle intakter CA angewendet werden kann.Das Beispiel in (B) zeigt, dass die CPPopt-Identifikation aufgrund eines ICP-Anstiegs gestört werden kann.Allerdings zeigt die nachgewiesene ULCA für ICP, dass ein ICP-Anstieg über 26 mmHg zu einer beeinträchtigten CA führt.Hier ist ND „nicht erkannt“.Die Software wird verwendet, um das quadratische Polynom über die Graphen PRx = f(CPP), PRx = f(ABP) und PRx = f(ICP) anzupassen, um „U-förmige“ Annäherungen zu erhalten.Die Minimalpunkte der „U-förmigen“ Kurven werden für die Diagramme PRx = f(CPP) und PRx = f(ABP) berechnet und als CPPopt- und ABPopt-Werte dargestellt.Zusätzlich wurden die Werte für die untere Grenze der zerebralen Autoregulation (LLCA) und die obere Grenze der zerebralen Autoregulation (ULCA) aus den Diagrammen PRx = f(CPP) und PRx = f(ABP) an den Punkten berechnet, an denen die Näherungskurve PRx = 0,3 schneidet unter der Annahme, dass CA außerhalb dieser Grenzen beeinträchtigt ist15,27,28.Ein Schwellenwert von PRx = + 0,3 wurde gemäß früheren Studien gewählt, in denen gezeigt wurde, dass der Durchschnittswert von PRx, der + 0,3 überschreitet, bei Patienten mit schwerem SHT mit einem tödlichen Ausgang verbunden ist.Daher kann dieser Wert für die Bestimmung von LLCA und ULCA in „U-Form“-Näherung verwendet werden15,27,28.ULCA wird nur für den PRx = f(ICP)-Graphen berechnet, wobei berücksichtigt wird, dass die optimale ICP-Berechnung in SHT-Fällen bedeutungslos ist.Die vorgeschlagene dreifache grafische Zerlegung der PRx-Abhängigkeiten von CPP, ABP und ICP ermöglicht eine einfachere Interpretation der klinischen Phänomene und hilft bei der Entscheidung, welcher Faktor (ABP, ICP oder CPP) verwendet werden sollte, um den CA-Status und die zu stabilisieren kritische Grenzen (LLCA und ULCA) dieser Parameter.Beispiele für Fenster in der entwickelten Software sind in Abb. 2A, B dargestellt.Abbildung 2A stellt den Fall dar, in dem CPPopt und ABPopt zusammen mit ULCA identifiziert werden, was zeigt, dass ABP als treibender Parameter verwendet werden sollte, um die CA intakt zu halten.Abbildung 2B zeigt ein Beispiel, wenn die CPPopt-Identifizierung aufgrund der gestörten U-Form durch einen Anstieg des ICP-Ereignisses unmöglich ist.Dieses Ereignis ermöglicht es uns jedoch, ULCA in ICP-Daten zu erkennen, was zeigt, dass ein ICP-Anstieg über 26 mmHg zu einer beeinträchtigten CA führt.Die entwickelte Software beinhaltet eine Annotationsfunktion, die die Zuordnung der überwachten Segmente zu den Klassen „informativ“/„nicht informativ“ und „artefaktfrei“/„artefaktverzerrt“ ermöglicht.Die „informativen“ Segmente werden den Segmenten zugeordnet, die physiologische Reaktionen von vasogenen langsamen intrakraniellen B-Wellen widerspiegeln16,29 und zur Bildung der gewünschten „U-Form“ beitragen und daher zur Identifizierung von CPPopt (bzw ABPopt), LLCA oder ULCA.Es steht eine zusätzliche Option zur Verfügung, um die Segmente zu klassifizieren, die „artefaktfreie“ oder „artefaktverzerrte“ Klassen darstellen.Die Segmentannotation wird durchgeführt, indem die entsprechenden farbigen Segmente ausgewählt und in die Berechnungen aufgenommen oder daraus entfernt werden.Die Annotation aller Patientendaten wurde von zwei klinischen Physikern durchgeführt.Bei der Erstellung eines ML-basierten Algorithmus verwendeten wir 2-h-Datenfenster-Episoden, die für die Episodendekonstruktion in fünf Segmente von 24 Minuten unterteilt wurden.Eine zusätzliche Softwarefunktion ist die Möglichkeit, fünf verschiedene klinische Situationen entsprechend der Möglichkeit zu kommentieren, verschiedene Managementstrategien zur Stabilisierung des intakten CA-Status anzuwenden:CPP-geführtes Management (wenn die U-Form oder LLCA/ULCA in PRx = f(CPP) existieren).ABP-geführtes Management (wenn die U-Form oder LLCA/ULCA in PRx = f(ABP) vorhanden sind).ICP-geführtes Management (wenn ULCA in PRx existiert = f(ICP)).CA ist intakt (PRx < 0);daher ist keine spezielle Behandlung erforderlich.CA ist kritisch (wenn der mittlere PRx für alle CPP-Werte über 0,3 liegt);Dies erfordert sofortiges Eingreifen.Das überwachte ML-Modell auf der Grundlage von Support-Vektor-Maschinen (SVMs)30 wurde angewendet, um mithilfe von R: A Language and Environment for Statistical Computing (Paket e1071) multimodale Analysealgorithmen für Überwachungsdaten zu erstellen.Zwei Datensätze mit 324 2-h-Episoden von 1620 „artefaktfreien“/„artefaktverzerrten“ kommentierten Segmenten und 255 2-h-Episoden von 1275 „informativen“/„nicht-informativen“ kommentierten Segmenten wurden gebildet und zum Trainieren der ML-Modelle verwendet sowohl „artefaktverzerrte“ als auch „informative“ Episoden erkennen.Die Eingabedaten „X1“ für das Artefakterkennungsmodell waren der Satz von ABP- und ICP-bezogenen Parametern aus den annotierten Segmenten und beinhalten die Differenz zwischen systolischen und diastolischen Werten, die Ableitung dieser Differenz und die Dauer von Ereignissen bei dieser Differenz unter den speziell ausgewählten Werten (5 und 10 mmHg) liegt.Die Ausgabedaten „Y1“ für das Artefakterkennungsmodell waren die annotierten 24-Minuten-Segmente, die mit „1“ für „artefaktfreie“ Segmente und „0“ für „artefaktverzerrte“ Segmente gekennzeichnet waren.Die Eingabedaten „X2“ für die „informative“ Segmenterkennung war der Satz von ABP- und ICP-bezogenen Parametern, einschließlich Segmenten der Standardabweichungen von ICP- und ABP-Werten, gefiltert mit 1-, 2-, 3- und 4-Minuten gleitende durchschnittliche Zeitfenster und der Mittelwert der Werte von ABP und ICP.Die Ausgabedaten „Y2“ für das informative Segmenterkennungsmodell waren die kommentierten 24-Minuten-Segmente, die mit „1“ für „informative“ Segmente und „0“ für „nicht informative“ Segmente gekennzeichnet waren.Eine SVM mit einem radialen Basisfunktionskern (RBF) wurde verwendet, um ML-Modelle für die Erkennung von „informativen“ und „artefaktfreien“ Segmenten und CPP-, ABP- oder ICP-geführten Managementstrategien zu erstellen.Unterscheidungsmerkmal der Kernfunktionsanwendung im SVM-Algorithmus ist gleichbedeutend mit der Möglichkeit, nichtlinear getrennte Klassen (z. B. "informative"/"nichtinformative" Segmente) zu erkennen, indem sie in einem mehrdimensionalen Hyperraum getrennt werden.Der Soft-Margin und die Abbildung auf den Merkmalsraum durch den RBF-Kernel werden auf getrennte nichtlinear verteilte Klassen30 angewendet.Die Parameter C (Regulierungskosten) und γ (Gamma, die Breite eines RBF) wurden unter Verwendung einer Gittersuche ausgewählt.Da der Bereich dieser Parameter unbekannt ist, wurden in der ersten Untersuchung die Standardwerte (C = 1 und γ = Kehrwert der Dimension der Eingabevariablen) um exponentiell wachsende Faktoren (dh 1/32, 1/16, 1/8) angepasst , ¼, ½, 1, 2, 4, 8, 16 und 32).Die Gittersuche trainierte das SVM-Modell mit jedem Paar (C, γ) im kartesischen Produkt dieser beiden Sätze, indem die Modellleistung mithilfe einer zehnfachen Kreuzvalidierung bewertet wurde, um die optimale Kombination von C und γ gemäß der höchsten Genauigkeit von ML-Modellen zu finden.Da die Kreuzvalidierungstechnik die separaten Teile der Stichprobe zur Modellerstellung und zur Genauigkeitsschätzung verwendet, wird die Auswahl überangepasster Modelle vermieden31.Alle Überwachungsdaten der Patienten wurden verarbeitet, um die durch Artefakte verzerrten Episoden zu entfernen und „informative“ Segmente zu identifizieren, die für die Identifizierung von CPPopt (oder ABP opt) und LLCA und ULCA verwendet werden könnten.Zusätzliche „artefaktfreie“ Segmente wurden nach ihrem Beitrag zur Qualität der U-förmigen Approximationskurve analysiert und in die Berechnung von CPPopt (oder ABP opt) und LLCA und ULCA einbezogen, wenn sie das R2 der Approximationsanpassungskurve erhöhten .Das Ablaufdiagramm der multimodalen Monitoring-Datenanalyse mit ML-Modellen ist in Abb. 3 dargestellt.Arbeitsablaufdiagramm der multimodalen Überwachungsdatenanalyse unter Verwendung von ML-Modellen für die CPPopt-, ABPopt-, LLCA- und ULCA-Identifizierung.Die multimodalen Überwachungsdaten der Patienten, die zum Erstellen und Testen der entwickelten Modelle verwendet wurden, enthielten 2410 2-Episoden, bestehend aus 12.050 kommentierten Segmenten, darunter 655 „artefaktverzerrte“ und 11.395 „artefaktfreie“ Segmente (Ungleichgewichtsverhältnis 0,945) und 8969 „informative“ Segmente. und 3081 „nicht informative“ (Ungleichgewichtsverhältnis 0,74432) Episoden.Die entwickelten Modelle wurden getestet, indem die Genauigkeit, Sensitivität und Spezifität zur Erkennung von „artefaktverzerrten“ und „informativen“ Datenüberwachungsepisoden sowie zur Diagnose, welche physiologischen Parameter (CPP, ABP oder ICP) verwendet werden könnten, um CA intakt zu halten, bestimmt wurden Vergleichen der Leistung von ML-basierten Modellen mit einem Standardmodell (dh einem Modell ohne ML).Die Gesamtleistung des Modells wurde getestet, indem der Prozentsatz der Zeit (auch Ausbeute genannt18,19) berechnet wurde, in der die Werte von CPPopt, ABPopt oder LLCA/ULCA im 2-Stunden-Überwachungsfenster identifiziert wurden.Die diagnostischen Eigenschaften des ermittelten SVM-Modells (Genauigkeit, Sensitivität, Spezifität und Fläche unter der Kurve) zur automatischen Erkennung von „artefaktverzerrten“ Segmenten, „informativen“ Segmenten und der Identifizierung von Leitfaktoren (CPP, ABP oder ICP) für ein personalisiertes Management werden aufgelistet in Tabelle 2. Beispiele für die Identifizierung patientenspezifischer CPPopt-Werte unter Verwendung der informativen Segmente, die mit den entwickelten ML-basierten Algorithmen erkannt wurden, sind in Abb. 4 dargestellt.Beispiele für die CPPopt-Identifikation nach aussagekräftigen ABP- und ICP-Episoden (rot markiert).Das PRx = f(CPP)-Diagramm zeigte den Beitrag informativer Datenpunkte (rosa) und nicht informativer Datenpunkte (grau) zur Bildung der U-Form-Approximation und der CPPopt-Identifikationsergebnisse.Die rote Kurve im Diagramm PRx = f(CPP) stellt die U-förmige Annäherung dar, wenn ML angewendet wird, und die schwarze Kurve ist die Annäherung, wenn ML nicht angewendet wird.Diese Ergebnisse zeigen, dass kurze informative Episoden (20–30 min) mit informativen physiologischen ABD- und ICP-Datenänderungen ausreichen, um die U-Form zu erhalten und den CPPopt-Wert zu identifizieren.(a) – Ohne ML (schwarze Farbe) CPPopt = 84 mmHg, LLCA wird nicht erkannt und ULCA = 102 mmHg.Mit dem ML-Algorithmus (rote Farbe) CPPopt = 78 mmHg, LLCA nicht erkannt und ULCA = 95 mmHg.(b) – Ohne ML (schwarze Farbe) wird CPPopt nicht erkannt, LLCA = 73 mmHg und ULCA wird nicht erkannt.Mit dem ML-Algorithmus (rote Farbe) CPPopt = 82 mmHg, LLCA = 69 mmHg und ULCA wird nicht erkannt.(c) Ohne ML (schwarze Farbe) CPPopt = 100 mmHg, LLCA = 89 mmHg und ULCA = 112 mmHg.Mit dem ML-Algorithmus (rote Farbe) CPPopt = 100 mmHg, LLCA = 88 mmHg und ULCA = 112 mmHg.(d) Ohne ML (schwarze Farbe) CPPopt = 84 mmHg, LLCA = 74 mmHg und ULCA = 94 mmHg.Mit dem ML-Algorithmus (rote Farbe) CPPopt = 88 mmHg, LLCA = 81 mmHg und ULCA = 95 mmHg.Hier ist ND „nicht erkannt“.Die Gesamtleistung des Modells wurde getestet, indem die prozentuale Zeit berechnet wurde, in der die Identifizierung von CPPopt, ABPopt und LLCA, einschließlich ULCA (ULCA für ICP) möglich war.Die Ergebnisse der prozentualen Zeitberechnung in den Fällen mit und ohne Verwendung von ML-Modellen sind in Tabelle 3 aufgeführt. Die Receiver Operating Characteristic (ROC)-Analyse zeigt die prädiktiven Fähigkeiten von ML-Modellen, ein geeignetes CPP-, ABP- oder ICP-geführtes Management zu erkennen und zu Fälle von kritischen oder intakten CA-Zuständen zu identifizieren, sind in Abb. 5 dargestellt.Darstellung der diagnostischen Fähigkeit des entwickelten ML-Modells, CPP-, ABP- oder ICP-geführtes Management zu erkennen, wie durch die Receiver Operating Characteristic (ROC)-Kurven gezeigt.ROC-Merkmale zur Erkennung CPP-geführtes Management: Sensitivität 68 %, Spezifität 66 %, AUC 0,74;ABP-geführtes Management: Sensitivität 51 %, Spezifität 81 %, AUC 0,74, ICP-geführtes Management: Sensitivität 31 %, Spezifität 89 %, AUC 0,75;Erkennung des kritischen Zustands: Sensitivität 87 %, Spezifität 97 %, AUC 0,98;Erkennung des intakten CA-Status: Sensitivität 77 %, Spezifität 94 %, AUC 0,95.Das Ziel dieser Forschung ist es, das Potenzial zur Verbesserung der Leistung des CPPopt-basierten personalisierten Managements aufzuzeigen, indem die optimalen und kritischen Werte der CPP-, ABP- oder ICP-geführten Behandlung identifiziert und die geeignete Behandlungsstrategie zur Normalisierung der intakten CA ausgewählt werden rechtzeitig.Viele klinische Studien haben gezeigt, dass die Zeit, die unterhalb von CPPopt verbracht wird, schädlich ist, insbesondere wenn CA beeinträchtigt ist1,5,8,15.Ein Absinken des CPP unter LLCA führt zu Hypoperfusion und ist für TBI-Patienten tödlich, während ein Anstieg des CPP über ULCA Hyperperfusion verursacht und mit schweren Behinderungen verbunden ist8.Eine personalisierte Patientenbehandlung ist jedoch nur möglich, wenn CPPopt rechtzeitig identifiziert wird, was die Implementierung eines CA-geführten Managements ermöglicht.Die Nichtbestimmung des CPPopt-Werts ist mit dem Auftreten einer verzögerten zerebralen Ischämie bei aneurysmatischen SAB-Patienten verbunden32.Das Auftreten verschiedener Faktoren während des langen Datenakkumulationszeitfensters, wie z. B. Artefakte oder unphysiologische Datenvariationen, plötzliche Änderungen des klinischen Zustands des Patienten, der Einfluss von Anästhetika oder verschiedenen pharmazeutischen Therapien, kann die Überwachungsdaten verzerren, was die Identifizierung des CPPopt-Werts unmöglich macht33, 34.Darüber hinaus kann CPPopt nicht berechnet werden, wenn der CA-Status vollständig beeinträchtigt ist (wenn der PRx-Wert kontinuierlich über dem kritischen Schwellenwert von 0,3 liegt), wenn CA intakt ist (PRx < 0) oder wenn der CPP in einem kleinen Bereich variiert, der den LLCA nicht erreicht oder ULKA.In einigen Fällen können die Identifizierung von CPPopt und die Interpretation der CA-Überwachungsergebnisse von Kliniker zu Arzt unterschiedlich sein33.CPPopt-Kurven können durch viele Faktoren gestört werden, was bedeutet, dass ein gewisses Maß an ärztlicher Beurteilung und Interpretation der autoregulierten Daten erforderlich ist34.In dieser Studie haben wir Ansätze vorgeschlagen, um die Leistung der CPPopt-Identifikationsmethode zu verbessern.Um die erforderliche Zeitgenauigkeit für die Identifizierung des CPP-Opt-Werts zu erreichen, verwendeten wir zunächst ein 2-Stunden-Zeitfenster, das in 5 Segmente mit jeweils 24 Minuten Länge unterteilt war.Wir haben ML-Methoden angewendet und sie darauf trainiert, Datensegmente zu erkennen, die informative physiologische langsame Variationen in ABP- und ICP-Signalen enthalten, und sie als Schlüsselsegmente zur Identifizierung des CPPopt-Werts oder der CA-Grenze zu verwenden.Zusätzliche „artefaktfreie“ Segmente wurden ebenfalls in die Berechnung aufgenommen, wenn sie das r-Quadrat der U-förmigen Näherungskurve vergrößerten.Zweitens ist es nicht erforderlich, den genauen CPPopt-Wert zu kennen, um die Zeit zu minimieren, die erforderlich ist, um eine geeignete Entscheidung bezüglich der Behandlung des Patienten zu treffen.In vielen Fällen reicht es aus, die CPP-Grenzen (ULCA oder LLCA) zu kennen, bei denen sich CA zu verschlechtern beginnt.Aus diesem Grund ist es nicht notwendig, einige Stunden zu warten, bis sich der CPP in einem ausreichend breiten Bereich ändert, um eine „U-förmige“ Annäherungskurve zu erhalten.Es reicht aus, „informative“ Episoden mit CPP (oder ABP)-Änderungen zu identifizieren, um die Richtung der CPP (oder ABP/ICP)-Änderungen zu bestimmen, um CA in einen intakten Zustand zu bringen.Drittens schlugen wir vor, die PRx-Überwachungsdaten in Bezug auf ABP, ICP und CPP getrennt darzustellen, indem wir drei Diagramme PRx = f(CPP), PRx = f(ABP) und PRx = f(ICP) zeichnen.Solche Darstellungen könnten Ärzten helfen, das geeignete individualisierte Management auszuwählen, indem sie bestimmen, welcher Faktor, ABP, CPP oder ICP, ein Schlüsselparameter für die Normalisierung des CA-Status ist, insbesondere in komplexen Szenarien, wenn CPPopt nicht identifiziert wird.Beispielsweise kann eine gleichzeitige Dynamik in ICP und ABP dazu führen, dass die Identifizierung von CPPopt aufgrund von ICP-Einfluss nicht möglich ist.ICP-Management sollte angewendet werden, um den CA-Status zu normalisieren, wenn ULCA für ICP identifiziert wird (Abb. 2b).Darüber hinaus haben wir festgestellt, dass diese dreifachen Diagrammdarstellungen die Ausbeute erhöhen können, wenn die geeigneten ABP-, ICP- oder CPP-Parameter zur Normalisierung des CA-Status ausgewählt werden.Unsere Studie zeigte, dass die erzielte Ausbeute für die CPPopt-Identifizierung unter Verwendung eines 2-stündigen Überwachungsfensters etwa 32–34 % beträgt.Diese Ausbeute kann jedoch auf 66–68 % erhöht werden, wenn die Fälle von nachgewiesener ULCA oder LLCA in die CPP-Daten aufgenommen werden (Tabelle 3).Die Ausbeute für die ABPopt-Identifizierung beträgt 25–26 %, diese Ausbeute stieg jedoch auf 55–58 %, wenn die Fälle von ULCA- oder LLCA-Identifizierung in ABP-Daten einbezogen wurden.Darüber hinaus ergibt sich durch Kombinieren aller Fälle, in denen CPPopt, ABPopt oder LLCA/ULCA identifiziert wurden, und einschließlich der Fälle, in denen ICP(ULCA) identifiziert wurde, eine Gesamtausbeute für die Auswahl des geeigneten geführten TBI-Managements von bis zu 75 % (ohne ML) und 79 % (mit ML) erreicht wurde.Es wurde auch gezeigt, dass in 12 % der Fälle, wenn die CA kontinuierlich normal war (PRx < 0), und in 3 % der Fälle, wenn die CA kontinuierlich vollständig gestört war (PRx > 0,3), die Identifizierung von CPPopt, ABPopt oder LLCA erfolgte /ULCA-Werte war unmöglich.In dieser Studie konzentrierten wir uns auf die Möglichkeiten zur Verbesserung der Leistung der bestehenden gezielten CPPopt-Managementstrategien durch Anwendung von ML-Methoden, die darauf abzielen, informative Datensegmente und klinische Situationen zu erkennen, wenn eine CPPopt-Identifizierung möglich ist.Der anfängliche Test von ML-Modellen an den Referenzdatensätzen der Segmente „informativ“/„nicht informativ“ und „artefaktfrei“/„artefaktgestört“ zeigte eine etwas höhere Genauigkeit bei der Erkennung der für CPPopt, ABP opt oder ULCA/LLCA-Identifikation aus zeitlich begrenzten Daten durch Anwendung der SVM-Methode mit einem RBF-Kernel im Vergleich zu anderen Methoden (SVMs ohne Kernel, Entscheidungsbäume, Boosting (unter Verwendung der XGBoost-Bibliothek), zufällige Wälder und künstliche neuronale Netze).Die Analyse der angewandten Modelle zeigte, dass die Hauptfaktoren, die die Leistung des ML-Modells beeinflussten, das anfängliche Ungleichgewicht der Klassengrößen und die subjektive Datenannotation bei der Zuordnung von Daten zu Klassen waren.Die entwickelten ML-basierten Algorithmen bieten die Möglichkeit, eine Genauigkeit von bis zu 96 % bei der Erkennung von Artefakten, 79 % bei der Erkennung informativer Episoden und bis zu 67–77 % bei der Erkennung eines angemessenen Managements für die TBI-Behandlung zu erreichen.Obwohl diese Zahlen hoch erscheinen, betrug die tatsächliche Verbesserung der Genauigkeit beim Erkennen oder Erkennen bestimmter klinischer Situationen (im Vergleich zum anfänglichen Ungleichgewicht in den Datensätzen) + 2,7 % für die Erkennung von Artefakten, + 4,5 % für die Erkennung informativer Datensegmente, + 14,4 % für die Erkennung CPP-geführte Managementfälle, + 10 % für die Erkennung von ABP-geführten Managementfällen und + 3,9 % für die Erkennung von ICP-geführten Managementfällen, + 10,4 % für die Erkennung von intakten CA-Fällen (wenn keine spezifische Therapie erforderlich ist) und + 12,3 % für Erkennen kritischer CA-Fälle.Eine relativ geringe Verbesserung der Klassifizierungsgenauigkeit ist mit dem relativ hohen anfänglichen Ungleichgewicht von Datenklassen innerhalb von Datensätzen (~ 0,7–0,8) verbunden, was sich auf die Leistung der ML-basierten Methode auswirkt.Daher können tatsächliche Genauigkeitseigenschaften für entwickelte Modelle nur durch die Durchführung weiterer prospektiver Studien abgeschätzt werden.Eine zusätzliche Einschränkung besteht darin, dass die Datensatzvorbereitung und Datenanmerkung spezifische Kenntnisse und Erfahrungen in der Behandlung von SHT-Patienten und die Wahrnehmung eines CPPopt-geführten persönlichen SHT-Managements erfordern.Die Annotationen der Datenüberwachungssegmente, dh die Zuordnung von Segmenten zu bestimmten Klassen sowie die Gruppierung klinischer Ereignisse nach dem am besten geeigneten ABP-, ICP- oder CPP-Management, wurden von zwei erfahrenen klinischen Physikern aus zwei verschiedenen medizinischen Zentren durchgeführt.Diese Physiker führten eine Datenanalyse nur an den Patienten durch, die in den Intensivabteilungen ihrer jeweiligen Einrichtungen behandelt wurden.Obwohl beide Kommentatoren Erfahrung in Gehirnphysik und TBI-Behandlung haben, steht die Genauigkeit der entwickelten ML-Modelle in direktem Zusammenhang mit der persönlichen Erfahrung der Kommentatoren und ihrer subjektiven Bewertung jedes einzelnen Falls.Trotz dieser Einschränkungen wurde gezeigt, dass die entwickelten ML-basierten Algorithmen es uns ermöglichen, informative physiologische ABD/ICP-Variationen innerhalb von 24-Minuten-Intervallen zu erkennen und sie für eine rechtzeitige Identifizierung des optimalen Werts oder der CA-Grenzwertbestimmung in CPP-, ABP- oder ICP-Daten zu verwenden.Die in Abb. 4 bereitgestellten Beispiele zeigen, dass der entwickelte ML-basierte Algorithmus verwendet werden könnte, um CPPopt (oder LLCA/ULCA)-Werte sogar aus einzelnen 24-Minuten-Datensegmenten zu identifizieren (was im Vergleich zu den bestehenden Methoden fünfmal schneller ist). erfordern eine minimale 2-stündige Überwachungszeit für die Datenakkumulation) in den Fällen, in denen informative physiologische ABP/ICP-Variationen oder langsame Wellen festgestellt wurden.Krit.Neurol.AuflösungKrit.Krit.Artikel PubMed PubMed CentralGoogle ScholarKrit.Krit.Med.Artikel PubMed PubMed CentralGoogle ScholarKrit.Br.Wissenschaft.Inf.Wissenschaft.Sie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSie können diesen Autor auch in PubMed Google Scholar suchenSpringer Nature bleibt neutral in Bezug auf Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Verwendung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, solange Sie den/die ursprünglichen Autor(en) und die Quelle angemessen nennen. Stellen Sie einen Link zur Creative Commons-Lizenz bereit und geben Sie an, ob Änderungen vorgenommen wurden.Die Bilder oder andere Materialien von Drittanbietern in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in einer Quellenangabe für das Material nichts anderes angegeben ist.Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung durch gesetzliche Bestimmungen nicht gestattet ist oder die zulässige Nutzung überschreitet, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen.Eine Kopie dieser Lizenz finden Sie unter http://creativecommons.org/licenses/by/4.0/.Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:Leider ist für diesen Artikel derzeit kein teilbarer Link verfügbar.Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedItDurch das Absenden eines Kommentars erklären Sie sich mit unseren Nutzungsbedingungen und Community-Richtlinien einverstanden.Wenn Sie etwas missbräuchlich finden oder unseren Bedingungen oder Richtlinien nicht entsprechen, markieren Sie es bitte als unangemessen.Wissenschaftliche Berichte (Sci Rep) ISSN 2045-2322 (online)Melden Sie sich für den Nature Briefing-Newsletter an – was in der Wissenschaft wichtig ist, täglich kostenlos in Ihrem Posteingang.