Prediction of Postoperative Pain with Intraoperative Photoplethysmogram
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-09-14
Department
Major/Subject
Biomedical Engineering
Mcode
Degree programme
Master's Programme in Life Science Technologies
Language
en
Pages
69
Series
Abstract
Optimal analgesic administration during surgery is crucial to prevent both pain and excessive medication use. Predicting postoperative pain during surgery could enhance real-time drug administration, leading to better management and mitigation of postoperative pain. This thesis presents the development of a machine learning model for predicting postoperative pain, classifying patients into two categories: no pain and moderate-to-severe pain. Physiological data recorded during surgery were used to derive input features, while output labels were based on a self-evaluated pain score ranging from 0 to 10. The focus was on extreme pain scores (0 and 6--10) to ensure clear classification. Features were extracted from the Surgical Pleth Index (SPI) signal and its components, photoplethysmographic pulse wave amplitude (PPGA) and pulse rate (PR). The final input features included various statistical moments derived from the PPGA and PR signals. The training dataset comprised 78 patients, while the primary test set included 29 patients with extreme pain scores. Logistic regression was identified as the most suitable model. An aggregate measure calculated from model predictions throughout the surgery proved to be the most effective for assessing postoperative pain, achieving a PR AUC of 0.73 and an ROC AUC of 0.71 on the test set that included only extreme pain scores. Stable performance of the measure was observed during the last 40 minutes of surgeries. The results demonstrate the potential for predicting postoperative pain during surgery. This thesis introduced novel features and a method for continuous monitoring of postoperative pain risk. Future improvements include increasing the patient sample size and optimising the model's classification threshold.Kipulääkkeiden optimaalinen käyttö leikkauksen aikana on ratkaisevan tärkeää sekä kivun että liiallisen lääkeannostelun välttämiseksi. Leikkauksen jälkeisen kivun ennustaminen voisi parantaa lääkkeiden annostelua reaaliajassa, mikä johtaisi parempaan postoperatiivisen kivun hallintaan ja lievitykseen. Tässä diplomityössä esitellään koneoppimismalli postoperatiivisen kivun ennustamiseen, joka luokittelee potilaat kahteen luokkaan: ei kipua ja kohtalainen tai vaikea kipu. Leikkauksen aikana kerättyä fysiologista dataa käytettiin mallin syötemuuttujien laskemiseen, kun taas mallin ulostulot perustuivat itsearvioituun kipuluokitukseen asteikolla 0--10. Kehitysprosessissa keskityttiin äärimmäisiin kipuluokituksiin (0 ja 6--10) selkeän luokittelun varmistamiseksi. Syötemuuttujia laskettiin Surgical Pleth Index (SPI) -signaalista ja sen komponenteista, fotopletysmografisen pulssiaallon amplitudista (photoplethysmographic pulse wave amplitude, PPGA) ja pulssista (pulse rate, PR). Lopullisiin syötemuuttujiin kuului erilaisia tilastollisia momentteja, jotka laskettiin PPGA- ja PR-signaaleista. Koulutusaineisto sisälsi 78 potilasta, kun taas ensisijaisessa testiaineistossa oli 29 potilasta, joilla oli äärimmäiset kipuluokitukset. Logistinen regressio osoittautui sopivimmaksi malliksi. Mallin ennusteista laskettu aggregaattiarvo osoittautui parhaaksi tavaksi postoperatiivisen kivun arviointiin. Se saavutti PR AUC -arvon 0,73 ja ROC AUC -arvon 0,71 testiaineistolla, johon kuuluivat vain äärimmäiset kipuluokitukset. Aggregaattiarvo suoriutui tasaisesti leikkausten viimeisten 40 minuutin ajan. Tulokset ovat lupaavia postoperatiivisen kivun ennustamisen suhteen. Tässä diplomityössä esitettiin uusia syötemuuttujia ja menetelmä jatkuvaa postoperatiivisen kivun riskin seurantaa varten. Kehitysehdotuksiin kuuluvat koulutus- ja testiaineiston laajentaminen sekä mallin luokittelukynnyksen optimointi.Description
Supervisor
Palva, MatiasThesis advisor
Särkelä, MikaKeywords
postoperative pain, Surgical Pleth Index (SPI), intraoperative monitoring, pain prediction, photoplethysmogram, machine learning