随着我国人口老龄化进程加快，肿瘤发病率持续上升，老年肿瘤患者的围术期管理面临着巨大挑战。临床观察发现老年消化道肿瘤患者围术期神经认知功能障碍(Perioperative neurocognitive disorders, PND)发生率显著高于其他类型肿瘤患者，这不仅影响患者的围术期安全，还会降低远期生活质量。尽管早期干预可有效预防术后谵妄，但目前临床缺乏精准的预测工具。本研究旨在基于人工智能技术，整合Sedline脑电监测数据和围术期临床指标，构建并验证老年消化道肿瘤患者PND预测模型。

       本前瞻性队列研究拟纳入2024-2026年在江苏省肿瘤医院接受消化道肿瘤根治性手术的老年患者。收集以下数据：（1）术前基线资料：人口学特征、既往史（放化疗史、合并症等）；（2）术中监测指标：麻醉用药情况、Sedline监测参数（包括镇静指数PSI、爆发抑制比SR等）；（3）麻醉术后指标：镇痛效果、并发症发生情况及临床转归等；（4）认知功能评估：采用MMSE和3D-CAM量表在术前一天及术后1、3、5、7、30天和1年进行系统评估。数据分析采用两阶段策略：首先使用随机森林(Random Forest)、极限梯度提升(XGBoost)和LightGBM等算法处理临床表格数据，同时运用N-BEATS、N-BEATSx、N-HiTS等深度学习算法提取脑电频谱特征；其次通过多模态数据融合构建综合预测模型。模型验证分为院内验证和多中心外部验证两个阶段。

       初步建模结果显示，基于Sedline脑电数据和多维临床指标整合的PND预测模型准确率达85.7%。经机器学习算法筛选出的PND发生五大主要预测因素依次为：饮酒史、内分泌疾病、术前用药情况、化疗史和心血管疾病。

       本研究开发的基于机器学习的PND预测模型通过多模态数据整合，可有效识别老年消化道肿瘤患者中的PND高风险人群，为临床早期干预策略的制定提供客观依据，具有重要的临床转化应用价值。