Efektivita algoritmů umělé inteligence

Úvod V celé historii lidstva byly chirurgické zákroky často používány při léčbě lidí. Navzdory jejich terapeutickým vlastnostem však může být bolest, kterou pacienti pociťují, zejména v akutním pooperačním období, pro klinické lékaře docela náročná. Akutní pooperační bolest je důležitým problémem veřejného zdraví. Zatímco 80 % pacientů uvádí bolest v pooperačním období, 88 % z nich pociťuje bolest střední nebo vyšší. Podle jiné studie trpí více než 60 % chirurgických pacientů středně těžkou až těžkou akutní pooperační bolestí a tato bolest byla spojena s rozvojem chronické pooperační bolesti. Špatně zvládnutá pooperační bolest může vést k negativním výsledkům, jako je nižší spokojenost pacienta, opožděné zotavení pacienta, delší doba hospitalizace, zvýšené náklady na péči, chronická bolest, zbytečné předepisování opiátů, zneužívání opiátů, předávkování a smrt. Navíc, aby se zajistilo účinné zvládání bolesti, je často používán způsob poskytování preventivní analgetické léčby před začátkem bolesti. Tato situace však může u mnoha pacientů vést ke zbytečnému podávání léků a následně k mnoha nežádoucím příhodám, jako je krvácení, respirační deprese, srdeční příhody nebo vedlejší účinky opioidů, nesteroidních protizánětlivých léků a jiných analgetik na gastrointestinální systém. Výsledkem je, že obtížná předpověď akutní pooperační bolesti vede k suboptimálnímu zvládání bolesti. Schopnost předvídat, kteří pacienti budou trpět středně těžkou až těžkou akutní pooperační bolestí, optimalizuje poměr rizika a přínosu perioperační analgetické léčby a zajistí, že bude podána vhodná léčba. Ačkoli se různé studie na toto téma pokoušely predikovat pooperační bolest pomocí logistické regresní analýzy, požadovaného výsledku dosud nebylo dosaženo. Tato situace nabývá ještě na důležitosti u operací s vysokým rizikem silné bolesti v pooperačním období, jako je resekce plic. Pro omezení nebo prevenci pooperačních plicních komplikací u pacientů podstupujících resekci plic je velmi důležité, aby pacienti mohli kašlat bez pocitu bolesti a tím odstraňovat sekrety z dýchacích cest. Pokud není poskytnuta dostatečná analgezie, nemohou ji tito pacienti účinně provádět. To zvyšuje komplikace, pobyt v nemocnici a náklady na péči o pacienty. Aby se předešlo těmto negativním situacím a poskytla optimální analgezie, jsou zapotřebí nové metody k predikci úrovně pooperační bolesti. Ve studiích byly navrženy četné modely pro pochopení rizikových faktorů, které zhorší těžkou akutní pooperační bolest. Většina výzkumů v této oblasti se soustředila na stanovení rizikových faktorů pooperační bolesti pomocí statistické metodologie. Předchozí studie naznačují, že modely strojového učení mohou překonat lineární statistické modely při klasifikaci výsledků souvisejících s pooperační bolestí, když se zváží podobné rysy. Algoritmy umělé inteligence (AI) jsou proto algoritmy, které mohou kombinovat a analyzovat složitá data se stovkami proměnných a poskytovat nové výstupy a mohou vést k efektivnímu řešení při predikci a řízení pooperačního procesu. Předchozí studie ukázaly slibné výsledky v predikci akutní pooperační bolesti s plochou pod křivkou (AUC) 0,70 pomocí algoritmů umělé inteligence k predikci bolesti na základě perioperačních dat. Studie na toto téma jsou však potřebné ve specifické operaci, jako je resekce plic, která má potenciál pro silnou bolest.

Cílem této studie bylo predikovat pooperační bolest pomocí analýzy perioperačních dat pomocí algoritmů AI při resekcích plic a určit účinnost algoritmů AI v tomto ohledu. Jeho cílem bylo omezit zbytečné užívání analgetik u pacientů, eliminovat možné vedlejší účinky těchto léků a včas zahájit účinnou analgetickou léčbu u pacientů s vysokým rizikem bolesti.

Účel/hypotéza:

Cílem této studie bylo predikovat pooperační bolest pomocí analýzy perioperačních dat pomocí algoritmů AI při resekcích plic a určit účinnost algoritmů AI v tomto ohledu.

H0: Algoritmy umělé inteligence nejsou účinné v predikci pooperační bolesti při resekcích plic.

H1: Algoritmy umělé inteligence jsou účinné v predikci pooperační bolesti při resekcích plic.

Materiál – metoda:

Tato studie bude provedena v souladu s Helsinskou deklarací a bude provedena v SBÜ Ankara Atatürk Sanatorium Training and Research Hospital po obdržení souhlasu etické komise. Naše studie je retroprospektivní studií. Retrospektivně shromážděná data pacientů budou vyhodnocována prospektivně pomocí algoritmů umělé inteligence.