Effect of dexamethasone pretreatment using deep learning on the surgical effect of patients with gastrointestinal tumors
Notice bibliographique
Résumé
To explore the application efficacy and significance of deep learning in anesthesia management for gastrointestinal tumors (GITs) surgery, 80 elderly patients with GITs who underwent surgical intervention at our institution between January and September 2021 were enrolled. According to the preoperative anesthesia management methodology, patients were rolled into a control (Ctrl) group (using 10 mg dexamethasone 1-2 hours before surgery) and an experimental (Exp) group (using a deep learning-based anesthesia monitoring system on the basis of the Ctrl group), with 40 cases in each group. A comprehensive comparative analysis was performed between the two cohorts, encompassing postoperative cognitive evaluations, Montreal Cognitive Assessment (MoCA) scores, gastrointestinal functionality, serum biomarkers (including interleukin (IL)-6, C-reactive protein (CRP), and cortisol levels), length of hospitalization, incidence of complications, and other pertinent metrics. The findings demonstrated that anesthesia monitoring facilitated by deep learning algorithms effectively assessed the anesthesia state of patients. Compared to the Ctrl group, patients in the Exp group showed significant differences in cognitive assessments (word recall, number connection, number coding) (P<0.05). Additionally, the Exp group exhibited a notably increased MoCA score (25.3±2.4), significantly shorter time to first flatus postoperatively (35.8±13.7 hours), markedly reduced postoperative pain scores, significantly shortened time to tolerate a liquid diet postoperatively (19.6±5.2 hours), accelerated recovery of serum-related indicators, and a significantly decreased mean length of hospital stay (11.4±3.2 days) compared to the Ctrl group. In summary, administering dexamethasone under the anesthesia management of GITs surgery based on gradient boosting decision tree (GBDT) and pharmacokinetics pharmacodynamics (PKPD) models can promote patient recovery, reduce the incidence of postoperative cognitive impairment (POCD), and improve patient prognosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».