利用儿科人群手术期间呼气末二氧化碳水平开发动脉二氧化碳估算模型

背景：术中动脉二氧化碳分压监测对儿科通气管理至关重要，但需要侵入性动脉采血。虽然呼气末二氧化碳提供了一种无创替代方案，但其可靠性受个体生理梯度限制。本研究开发了一种机器学习模型，利用呼气末二氧化碳和术中临床特征来估算儿童的动脉二氧化碳分压。 方法：作者回顾性分析了生命体征登记数据库（VitalDB）中3,586名儿科患者的8,853对呼气末二氧化碳和动脉二氧化碳分压测量值。临床和通气特征用于训练四种机器学习算法，缺失数据通过基于年龄组的插补处理。模型性能通过使用2,138对近期数据集的内部时间验证和来自不同医院的92对独立数据集的外部验证进行验证。使用Shapley加法解释值评估特征重要性。 结果：梯度提升模型表现最佳，平均绝对误差为2.73 mmHg，均方根误差为4.13 mmHg。外部验证证实了泛化性，平均绝对误差为3.65 mmHg（机构）和3.67 mmHg（时间）。呼气末二氧化碳、体温、吸入氧分数和术前血红蛋白成为最具影响力的特征。 结论：作者的机器学习模型利用无创参数准确估算术中动脉二氧化碳分压。该模型在时间队列和外部队列中表现出稳定的性能。 来自3,586名接受非腹腔镜、非胸腔镜手术且需要气管插管的儿科患者的数据被用于开发机器学习模型，以根据呼气末二氧化碳和其他临床特征估算术中动脉二氧化碳分压。动脉二氧化碳模型表现出可接受的性能，推导人群中的平均绝对误差为2.73 mmHg，外部验证人群中的平均绝对误差为3.65 mmHg。在儿科患者中无创估算动脉二氧化碳分压可能是可行的。