Effektiviteten af ​​kunstig intelligens algoritmer

Indledning Gennem menneskets historie er kirurgiske indgreb ofte blevet brugt i menneskelig behandling. På trods af deres terapeutiske egenskaber kan den smerte, som patienter oplever, især i den akutte postoperative periode, være ret udfordrende for klinikere. Akutte postoperative smerter er et vigtigt folkesundhedsproblem. Mens 80 % af patienterne rapporterer at opleve smerter i den postoperative periode, oplever 88 % af dem moderate eller højere niveauer af smerte. Ifølge en anden undersøgelse lider mere end 60 % af kirurgiske patienter af moderate til svære akutte postoperative smerter, og denne smerte har været forbundet med udviklingen af ​​kronisk postoperativ smerte. Dårligt håndterede postoperative smerter kan føre til negative resultater såsom lavere patienttilfredshed, forsinket patientopsving, forlænget hospitalsopholdslængde, øgede plejeomkostninger, kroniske smerter, unødvendig opioidordination, opioidmisbrug, overdosis og død. For at give effektiv smertebehandling anvendes der desuden hyppigt metoden til at yde forebyggende smertestillende behandling, før smerterne begynder. Imidlertid kan denne situation føre til unødvendig medicinadministration hos mange patienter og følgelig mange uønskede hændelser såsom blødning, respirationsdepression, hjertehændelser eller gastrointestinale systembivirkninger af opioider, ikke-steroide antiinflammatoriske lægemidler og andre analgetika. Som følge heraf fører vanskeligheden med at forudsige akutte postoperative smerter til suboptimal smertebehandling. At kunne forudsige, hvilke patienter der vil lide af moderate til svære akutte postoperative smerter, vil derfor optimere risiko-benefit-forholdet ved perioperative smertestillende behandlinger og sikre, at der gives passende behandling. Selvom forskellige undersøgelser om dette emne har forsøgt at forudsige postoperative smerter med logistisk regressionsanalyse, er det ønskede resultat endnu ikke opnået. Denne situation bliver endnu vigtigere ved operationer med høj risiko for stærke smerter i den postoperative periode, såsom lungeresektion. For at mindske eller forebygge postoperative lungekomplikationer hos patienter i lungeresektion er det meget vigtigt for patienterne at kunne hoste uden at føle smerte og dermed fjerne sekret fra luftvejene. Hvis der ikke ydes tilstrækkelig analgesi, kan disse patienter ikke udføre dette effektivt. Dette øger komplikationer, hospitalsophold og patientplejeomkostninger. For at forhindre disse negative situationer og give optimal analgesi er der behov for nye metoder til at forudsige postoperative smerteniveauer. Adskillige modeller er blevet foreslået i undersøgelser for at forstå de risikofaktorer, der vil forværre alvorlige akutte postoperative smerter. Det meste af forskningen på dette område har fokuseret på at bestemme risikofaktorer for postoperativ smerte ved hjælp af statistisk metodologi. Tidligere undersøgelser tyder på, at maskinlæringsmodeller kan udkonkurrere lineære statistiske modeller ved klassificering af postoperative smerterelaterede udfald, når lignende funktioner tages i betragtning. Derfor er kunstig intelligens (AI) algoritmer algoritmer, der kan kombinere og analysere komplekse data med hundredvis af variabler og give nye output, og kan guide en effektiv løsning til at forudsige og styre den postoperative proces. Tidligere undersøgelser har vist lovende resultater i at forudsige akutte postoperative smerter med et område under kurven (AUC) på 0,70 ved hjælp af kunstig intelligens algoritmer til at forudsige smerte med perioperative data. Undersøgelser om dette emne er dog nødvendige i en specifik operation, såsom lungeresektion, som har potentiale for alvorlig smerte.

Denne undersøgelse havde til formål at forudsige postoperativ smerte ved at analysere perioperative data ved hjælp af AI-algoritmer i lungeresektioner og at bestemme effektiviteten af ​​AI-algoritmer i denne henseende. Den havde således til formål at reducere unødvendig smertestillende brug hos patienter, eliminere mulige bivirkninger af disse lægemidler og starte effektiv smertestillende behandling i tide hos patienter med høj smerterisiko.

Formål/hypotese:

Denne undersøgelse havde til formål at forudsige postoperativ smerte ved at analysere perioperative data ved hjælp af AI-algoritmer i lungeresektioner og at bestemme effektiviteten af ​​AI-algoritmer i denne henseende.

H0: Kunstig intelligens-algoritmer er ikke effektive til at forudsige postoperative smerter ved lungeresektioner.

H1: Kunstig intelligens-algoritmer er effektive til at forudsige postoperative smerter ved lungeresektioner.

Materiale-metode:

Denne undersøgelse vil blive udført i overensstemmelse med Helsinki-erklæringen og vil blive udført på SBÜ Ankara Atatürk Sanatorium Training and Research Hospital efter at have modtaget etisk udvalgs godkendelse. Vores undersøgelse er en retro-prospektiv undersøgelse. Retrospektivt indsamlede patientdata vil blive evalueret prospektivt med kunstig intelligens algoritmer.