Oksimetrian soveltuvuus aivoverenkierron tutkimiseen ensihoidossa

Abstract

Opinnäytetyössä suunniteltiin ja toteutettiin data-analyysiprosessi ja siihen liittyvä ohjelmakoodi kliinisen tutkimuksen (BOPRA) tarpeisiin. Työssä käytettiin aikasarja-analyysiä fysiologisten signaalien välisen yhteyden tutkimisessa. Tutkittavat signaalit olivat keskivaltimopaine ja aivokudoksen happikyllästeisyys. Työn tavoitteena oli tuottaa tietoa anestesiassa olevien potilaiden aivoverenkierrosta ja mittausmenetelmän soveltuvuudesta ensihoidon toimintaympäristöön.

Datan luonteen hahmottamisessa noudatettiin eksploratiivisen data-analyysin ajatusmallia, jossa graafisten ja tilastollisten yhteenvetojen avulla muodostetaan johtopäätöksiä aineistosta. Laskennassa hyödynnettiin aiemmissa tutkimuksissa kuvailtuja menetelmiä, joiden soveltuvuutta nyt päästään arvioimaan BOPRA-tutkimuksessa ensihoidon viitekehyksessä. Aiemmat tutkimukset keskittyivät pääasiassa tehohoitoon, josta ensihoidon toimintaympäristö poikkeaa pääasiassa liikehäiriöiden ja epästabiilin alkutilanteen tuomien vaihteluiden määrässä sekä potilaskontaktin lyhyydessä.

Ohjelmallisessa toteutuksessa käytettiin työkaluina Python-ohjelmointikielelle kehitettyjä data-analyysin työkaluja, kuten NumPyä, pandasia ja matplotlibiä. Ohjelmakoodin kirjoittamisessa käytettiin Jupyter notebook -ympäristöä sekä tavallisia Python-skriptejä ja -moduuleja. Suoritusympäristön hallintaan käytettiin conda-ohjelmistoa. Versionhallintajärjestelmänä toimi git. Ohjelmakoodin ja teknisen dokumentaation julkaisualustana hyödynnettiin GitHub-palvelua. Väliraportointiin kehitettiin oma järjestelmä hyödyntäen Markdown-merkintäkieltä ja PHP-verkkosivuja.

Tuloksena syntyi tutkimuskäyttöön soveltuva työkalu BOPRA-datan käsittelyyn ja raportointiin. Kehitysprosessin kuluessa tutkijat saivat uudenlaisia välineitä tutkimusdatan tarkasteluun, ja tekijä tuli osaksi tutkimustiimiä.

This paper describes the design and implementation of a data analysis process for a clinical study (BOPRA), with its associated program code. Time series analysis was used in the examination of association between physiological signals. The signals under inspection were the mean arterial pressure and cerebral tissue oxygen saturation. The objective was to generate knowledge on cerebral circulation of patients under anesthesia and the applicability of the measurement method in a prehospital environment.

The concept of explorative data analysis (EDA) was employed to form conclusions of data characteristics by using graphical representations and summary statistics. The computations rely on methods already described in research, the applicability of which can now be scrutinized in a prehospital context by the BOPRA study. Past research has mostly been conducted in an intensive care setting, wherefrom the prehospital environment differs notably by the number of fluctuations caused by movement and initial patient instability, as well as the shorter duration of patient contact.

The program code was implemented using the Python data analysis ecosystem, comprising tools such as NumPy, pandas and matplotlib. The code was written into Jupyter notebooks and plain Python modules and scripts. Conda was used for environment management and git was used for version control. The publishing platform for source code and technical documentation was GitHub. For intermediate reporting, a custom implementation was created using Markdown and PHP web pages.

In this work, a software tool adequate for scientific use was created to process and report BOPRA data. During the development process, the researchers were presented new means to examine the data, and the author became part of the research team.