基于麻醉与围术期医学专科数据平台的术后急性中重度疼痛风险因素分析

目的基于麻醉与围术期医学专科数据平台,回顾性分析影响术后急性中重度疼痛发生的风险因素。方法通过数据平台,筛选2018年5月至2020年5月在我院行非局麻手术且术后采用连续静脉镇痛的成年患者1445例,根据术后24 h运动VAS评分,将患者分成轻度疼痛(VAS<4分,n=976)和中重度疼痛(VAS≥4分,n=469)两组,筛选所有患者术前、术中和术后疼痛发生具有一定相关性指标共21项,采用单因素及多因素logistics回归方法分析与术后中重度疼痛发生相关的风险因素。结果单因素分析显示术后轻度疼痛和中重度疼痛两组年龄、性别、麻醉方法、手术级别、禁饮时间、手术麻醉时间、有创监测操作、补液量及术中舒芬太尼和肌松药物使用差异有统计学意义(P<0.05),多因素logistics回归分析显示性别、手术级别、禁饮时间、术中舒芬太尼使用和动脉穿刺置管是影响术后急性中重度疼痛的独立危险因素(P<0.05)。结论术后急性中重度疼痛发生与性别、手术级别、禁饮时间、术中舒芬太尼使用和动脉穿刺置管有关,值得临床大数据研究参考。

术后急性中重度疼痛风险预测模型构建

目的:基于数据平台,应用机器学习算法构建术后急性中重度疼痛风险预测模型。方法:在数据平台中收集非日间且非局麻手术患者1634例用于模型建立和验证,收集1000例相同条件的患者用于外部验证;将患者分为干预组和对照组,使用术后运动VAS评分作为结局变量,采用机器学习算法构建预测模型,并以AUC、准确率、F1值等5种指标评估预测效果。结果:轻量级梯度提升机、随机森林、梯度提升、自适应提升4种模型在内部验证中AUC值均超过0.75;其中前3种模型在外部验证中AUC值均超过0.7;麻醉时长、手术时长、年龄、用药等变量在模型中展现出较高重要性。结论:基于数据平台和机器学习算法构建的术后急性中重度疼痛风险预测模型具有较好的准确性,可供临床参考。