散文精选网右美托咪定
点击“蓝字”关注，更多精彩内容!
导言
右美托咪定是一种α2a肾上腺素能受体激动剂，广泛应用于重症监护病房(ICU)镇静和外科手术过程中的临床麻醉。最近发现，右美托咪定神经生理学接近非快速眼动(NREM)睡眠，并减少精神错乱的发生率，使右美托咪定在ICU危重病人中的应用引起了新的兴趣。为了进一步探索这一发现，在本研究中，我们开发了一个框架，使用大规模睡眠脑电图数据和机器学习技术，以验证右美托咪啶诱导的镇静是否确实模拟NREM睡眠阶段。我们在两个大型在线睡眠脑电图数据集上训练机器学习算法(N=8，707)，以预测右美托咪定诱导的镇静水平在外部临床试验数据集上(N=30)。我们研究了几种机器学习模型的坚固性，训练在个别睡眠阶段，以预测不同水平的右美托咪定诱导的镇静。通过这种方式，我们确定了与右美托咪啶诱导的深度镇静高度相关的睡眠阶段。
方法
本研究采用了三种不同来源的多体图(PSG)数据集：在线睡眠心脏健康研究(SHHS)公共数据集(N=5，804)，男性骨质疏松性骨折学习(Mr OS；N=2，097)和大学医学中心格罗宁根(UMCG)右美托咪定临床试验数据集(N=30)。本研究中我们使用了SHHS和MROS数据集的C4/A1和C3/A2，在这两个数据集中，每个30秒的EEG段被睡眠技术人员使用Rechtschaffen 和Kales(R&K)指南手动分为六种睡眠状态之一：Wake(W)、NREM阶段1(N1)、阶段2(N2)、阶段3(N3)、阶段4(N4)和快速眼动(R)。每个志愿者接受右美托咪定通过靶控输注增加靶效部位浓度：1ng/mL(0-40分钟）、2ng/mL（40-90分钟）、3ng/mL(90-130分钟)、5ng/mL（130-170分钟）和8ng/mL（170-220分钟），然后停止。在本次研究期间，六级MOAA/S评分用于估计5（清醒)至0(无反应)的镇静水平。来自SHHS和UMCG数据集的示例显示在图1.
本研究使用了来自两个双极通道的脑电信号：C4/A1和C3/A2。首先，使用带通滤波器过滤0.1到30Hz之间的EEG，然后向下采样到125Hz(以匹配SHHS数据集采样频率)，并将频率上限限制在30Hz。然后，将脑电分割成30s的不重叠时期，对应睡眠评分的持续时间。其中满足以下任何一个条件的时代被认为是伪影，不被分析：（1）放大器饱和度/运动伪影-异常高的信号幅度(>500μV)：（2）松散的电极伪影-第一通道的平均振幅=2×信号和的平均振幅。在伪影抑制后，在SHHS和MroS数据集中分别获得了5，767，772和4，101，684个历元。图中显示了30s时期在不同群体中的分布图2。
每个30s的EEG时代被进一步划分为4s小的子点(具有0.1s的移位)，并估计光谱图从每个子点使用汤普森的多锥谱估计方法通过Chronux工具箱从每个通道使用以下参数：窗口长度T=4s，重叠3.9s，时间带宽乘积TW=3，锥数K=5，光谱分辨率2W为1.5Hz。每个30秒的脑电时代（30×125个=3,750个样本），因此用22个光谱特征来表示。
由于有四个睡眠阶段(N1，N2，N3和R)和一个唤醒阶段(W)，我们训练了四个独立的二进制分类模型- 阳离子：WN1=W和N1训练，WN2=W和W训练 对N2、WN3=W和N3的训练，WR=对W和R。每个模型被用来区分清醒（MOAA/S=5）和个别右美托咪定诱导的催眠水平。从SHHS数据集(和UMCG数据集的MOAA/S=5)中标记为0，对应于睡眠阶段(N1、N2、N3和R)和催眠状态(MOAA/S=4、3、2、1和0)的脑电段标记为1。这一过程如图3所示。
我们使用了三种传统的机器学习算法：Logistic回归、高斯核支持向量机(c=1、σ=1)和随机森林（500棵树）进行分类，利用接收机算子特征曲线(AUC)下的面积来评价机器学习模型的性能。所有模拟都使用MATLAB 2018a脚本语言进行(MA)。除非另有明确说明，否则所有结果均按平均值（95%置信区间）报告，为了估计95%的置信区间，我们使用了1,000个样本的引导。
结果
表1和表2总结了不同模型使用SHHS和MROS的预测性能。志愿者们在WN3睡眠阶段接受训练，为预测右美托咪定诱导的深度镇静(AM0)提供了最佳的性能。图4是EN技术为所有训练测试组合选择的特征列表的热图。算法选择的特征更具鉴别性/信息性，在不同的睡眠阶段，EN技术选择了不同的特征。其中在W和N3上训练的模型主要使用δ、θ和β带的功率来预测右美托咪啶深度镇静状态(AM0)。我们进行了10倍的内部交叉验证，以区分SHHS和MROS数据集中的Wake和N3睡眠阶段，清醒(MOAA/S=5)和镇静(MOAA/S=0)状态使用随机森林算法的UMCG数据。为了评价单个光谱脑电图特征的表现，我们在每个数据集中进行分类，以区分两组：SHHS、MROS(WvsN3)和UMCG(MOAA/S=5vsMOAA/S=0)。图5总结了预测性能。
为了评估年龄、性别对预测的影响，我们进行了年龄匹配的病例对照分析以及男性和女性的深度镇静（见表3、4）。结果表明本研究的发现可以推广到所有年龄组（18岁以下除外），在同性别内训练和测试时，性能更好，但不显著(p=0.76)。
讨论
本研究采用线性和非线性机器学习算法得到的结果表明，右美托咪定诱导的深度镇静模拟了N3睡眠阶段。我们使用随机森林算数的最佳模型预测了 AUCs=0.83（0.78-0.88) 和 0.86(0.85-0.87）的深度镇静，并利用SHHS和N3睡眠阶段脑电图的特征进行了估计（见表3）。捕捉到的在脑电图记录中看到的（和内部）参与者之间的变异性，如图6所示。表4利用随机森林模型在不同群体中获得的预测性能(AUC）。结果表明，在人群水平上，右美托咪定诱导的深度镇静(MOAA/S=0)是N3睡眠阶段的同义词。不同的麻醉药通过靶向相关的神经回路来诱导不同的麻醉状态，麻醉状态可以通过未处理的脑电图中的药物特异性特征和光谱图来识别和监测。通过EN算法选择来自N3睡眠阶段的δ、θ、α和β波段的功率来预测深度镇静状态，这支持了这些发现(见图4)。与其他光谱特征相比，主轴带中的功率（归一化和非归一化）也不是区分右美托咪啶输注过程中清醒状态和镇静状态的一个很好的预测指标（见图5）.总之，我们用一种数据驱动的方法，使用了线性和非线性机器学习算法演示了右美托咪定诱导的脑电模式模仿NREM第三阶段的脑电睡眠模式。
评述：
右美托咪定是一种高选择性α2肾上腺素受体激动剂，具有镇静、镇痛、抗炎、抗交感、 抗焦虑、降低谵妄和器官保护等作用。与其他镇静药物相比，右美托咪定具有独特的优势,通过激活内源性非快速眼动促睡眠途径,引起的镇静类似自然睡眠,易被外来刺激和语言唤醒,且对呼吸抑制小，故常用于ICU病人的镇静和临床麻醉。以往主要通过光谱图的视觉来评估右美托咪定产生的类似睡眠样作用，而较少应用EEG来评估，本研究通过分析8,707个通宵睡眠脑电图和30个右美托咪定临床试验脑电图。使用改良观察者的警觉性/镇静性评估（MOAA / S）评分评估右美托咪定诱导的镇静水平。使用多窗谱方法从每个EEG记录中提取了22个光谱特征。同时比较了在个别睡眠阶段训练的几种机器学习算法（逻辑回归，支持向量机和随机森林）的性能，以预测MOAA / S镇静状态的不同水平。在非快速动眼阶段3（N3）上训练的随机森林算法预测了右美托咪定诱导的深度镇静（MOAA / S = 0），优于其他机器学习模型。作者通过使用大规模脑电数据驱动的方法和机器学习框架，表明右美托咪定诱导的深度镇静状态模仿了N3睡眠脑电模式。
虽然作者发现所有模型在N3睡眠阶段预测深度镇静状态方面均表现最佳，但这项研究还存在许多不足之处，因为这项研究的目标是使用线性和非线性机器验证临床假设学习算法，而不是发展一个准确的预测模型。
翻译：朱梦婷 述评：徐道杰
点击小程序码
将这些知识精粹带回家吧
