University of Twente Student Theses
Voorspelling van inductiedosis propofol met machine learning voor algehele anesthesie
Rozeboom, Sil and Kaak, Tom and Dieleman, Peter (2024) Voorspelling van inductiedosis propofol met machine learning voor algehele anesthesie.
Full text not available from this repository.
| Full Text Status: | Access to this publication is restricted |
| Abstract: | De toediening van het anestheticum propofol vereist hoge nauwkeurigheid om de patiëntveiligheid tijdens chirurgische procedures te waarborgen. Huidige doseringsmethoden falen in het aanpassen aan individuele patiëntkenmerken. Dat leidt tot suboptimale uitkomsten als overdosering of onderdosering en daarmee tot hemodynamische instabiliteit of een oppervlakkige diepte van anesthesie. Het onderzoek evalueert de klinische toepasbaarheid van het Eleveld model en machine learning modellen voor propofoldosering op basis van patiëntkenmerken en intra-operatieve bloeddrukmetingen. Verschillende supervised machine learning modellen, waaronder regressiemodellen, classificatiemodellen, en Artificial Neural Network met custom loss functie, zijn getraind en getest. Uit een database van het Medisch Spectrum Twente is een subset van 7193 patiënten gecreëerd, waaruit 5898 patiënten zijn geselecteerd voor training van de modellen. Verder is de modelevaluatie geoptimaliseerd met hyperparameter tuning en getest met cross validatie. Naast de ML-modellen is ook het Eleveld model geëvalueerd. Primaire uitkomstmaten zijn de mean squared error, de mean absolute error en het percentage gevallen waarbij het model een lagere dosis voorspelt bij gevallen van hypotensie. De dosis van de anesthesioloog leidde in 7.0%, 67.8% en 25.2%, respectievelijk, tot hypertensie, hypotensie en normotensie. Bij 46.1% was intraoperatief cardiovasculaire medicatie vereist. Het Eleveld model heeft gezien de mediaan van 7.9 mg een neiging tot overschatting van de dosering. Het regressiemodel met als doel om de dosering door de anesthesioloog te repliceren toont, met een R² van 0.32, een beperkte capaciteit om de variabiliteit in de dosis te verklaren. Dosering op basis van het classificatiemodel is door gebrek aan data rond de extreme doseringen klinisch onbruikbaar. Het Artificial Neural Network met custom loss functie presteerde met een lagere dosering ten opzichte van de anesthesioloog in 69.5% van de hypotensiegevallen beter dan andere methodes. Daarentegen voorspelt het model in 30.5% van de gevallen een overdosering bij hypotensie, waarvan 3.2% een overdosering van meer dan 50 mg betreft. Bovendien is een mean absolute error van 31.1 mg bij normotensiegevallen een klinisch significant verschil. De klinische toepasbaarheid van de machine learning technieken is in huidige vorm nog laag. Dat neemt niet weg dat deze methode voor propofoldosering potentie toont. Deze studie dient als proofof- concept waar verdere ontwikkelingen op voort kunnen bouwen. Vervolgonderzoek moet uitwijzen welke andere parameters de respons op propofol beïnvloeden. Verder is optimalisatie van de modellen noodzakelijk om betere prestaties te realiseren. |
| Item Type: | Essay (Bachelor) |
| Faculty: | TNW: Science and Technology |
| Subject: | 44 medicine, 54 computer science |
| Programme: | Technical Medicine BSc (50033) |
| Link to this item: | https://purl.utwente.nl/essays/101769 |
| Export this item as: | BibTeX EndNote HTML Citation Reference Manager |
Show download statistics for this publication
Show download statistics for this publicationRepository Staff Only: item control page