基于儿童手术期间呼气末二氧化碳浓度建立动脉二氧化碳估算模型

《Anesthesiology》：Development of an Arterial Carbon Dioxide Estimation Model Using End-Tidal Carbon Dioxide Levels during Surgery in the Pediatric Population

　　

摘要

背景：

术中动脉二氧化碳分压监测对于儿童呼吸管理至关重要，但需要进行有创的动脉采样。虽然呼气末二氧化碳提供了一种无创替代方法，但其准确性会受到个体生理差异的影响。本研究构建了一种机器学习模型，利用呼气末二氧化碳及术中临床指标来估算儿童的动脉二氧化碳分压。

方法：

我们回顾性分析了VitalDB数据库中3,586名儿童患者的8,853组呼气末二氧化碳与动脉二氧化碳分压的匹配数据。通过临床和呼吸相关指标训练了四种机器学习算法，缺失数据则通过年龄分组进行填补。模型性能通过2,138组最近数据的内部时间验证以及另一家医院92组数据的外部验证来评估。特征重要性则通过Shapley加性解释值来确定。

结果：

梯度提升模型表现最佳，平均绝对误差为2.73毫米汞柱，均方根误差为4.13毫米汞柱。外部验证显示该模型的通用性良好，机构内的平均绝对误差为3.65毫米汞柱，时间上的平均绝对误差为3.67毫米汞柱。其中，呼气末二氧化碳、体温、吸入氧浓度以及术前血红蛋白是影响预测效果的最重要特征。

结论：

我们的机器学习模型能够利用无创参数准确估算术中动脉二氧化碳分压，并且在不同时间和不同样本群体中都能保持稳定的性能。