基于多模态数据融合模型的静脉麻醉维持阶段BIS提前5分钟预测及低BIS值早期预警

《BMC Anesthesiology》：A multimodal data-fusion model for 5-minute-ahead depth-of-anesthesia prediction using VitalDB: a retrospective study

　　**摘要****背景**：双频指数（BIS）监测主要用于评估当前麻醉深度，但不能指示未来趋势。预测未来低BIS值可为麻醉医生提供提前评估潜在麻醉过深的时机，减少不必要的深麻醉暴露。本研究利用VitalDB数据库开发和验证了一种多模态数据融合模型，用于静脉麻醉维持阶段提前5分钟的BIS预测，并评估了其提供BIS<40早期预警的能力。**方法**：我们从VitalDB中选取了2,407例手术病例，整合静脉麻醉维持阶段前120秒的BIS监测、生命体征、通气和静脉麻醉药物数据以及基线临床信息，以预测300秒后的BIS值。每120秒生成一个窗口，患者以约75:25的比例分配至训练集和测试集。采用基于直方图的梯度提升（HGB）回归方法构建了多模态数据融合模型。主要评价指标为平均绝对误差（MAE）。将观察到的提前5分钟BIS<40定义为计算受试者工作特征曲线下面积（AUROC）的阳性结果。以预测BIS<40作为早期预警规则，计算敏感度、特异度、阳性预测值和阴性预测值。采用患者水平的配对自助重采样法估计95%置信区间，并使用SHapley加性解释（SHAP）分析评估特征贡献。**结果**：多模态数据融合模型的MAE为4.61，仅使用BIS监测的HGB模型MAE为4.79，相对降低3.9%；配对差值为0.19（95%置信区间：0.16–0.22）。以预测BIS<40作为早期预警规则，多模态数据融合模型的AUROC为0.841，敏感度为67.8%，特异度为83.4%，阳性预测值为73.5%，阴性预测值为79.2%。**结论**：在静脉麻醉维持阶段的测试数据中，与仅使用BIS监测的HGB模型相比，多模态数据融合模型改善了提前5分钟的BIS预测及对BIS<40的判别能力。其MAE和RMSE表明预测性能优于先前相关研究的报道。