Tekoälyalgoritmien tehokkuus

Johdanto Läpi ihmiskunnan historian kirurgisia toimenpiteitä on käytetty usein ihmisten hoidossa. Terapeuttisista ominaisuuksistaan ​​huolimatta potilaiden kokema kipu, erityisesti akuutissa postoperatiivisessa jaksossa, voi olla kliinikoille varsin haastavaa. Akuutti postoperatiivinen kipu on tärkeä kansanterveysongelma. Vaikka 80 % potilaista ilmoittaa kokevansa kipua leikkauksen jälkeisenä aikana, 88 % heistä kokee kohtalaista tai voimakkaampaa kipua. Toisen tutkimuksen mukaan yli 60 % kirurgisista potilaista kärsii kohtalaisesta tai vaikeasta akuutista leikkauksen jälkeisestä kivusta, ja tämä kipu on liitetty kroonisen postoperatiivisen kivun kehittymiseen. Huonosti hoidettu postoperatiivinen kipu voi johtaa negatiivisiin tuloksiin, kuten potilastyytyväisyyden heikkenemiseen, potilaan toipumisen viivästymiseen, sairaalahoidon pituuden pitenemiseen, hoitokustannusten nousuun, krooniseen kipuun, tarpeettomaan opioidireseptiin, opioidien väärinkäyttöön, yliannostukseen ja kuolemaan. Lisäksi tehokkaan kivunhallinnan aikaansaamiseksi käytetään usein menetelmää ennaltaehkäisevän analgeettisen hoidon tarjoamiseksi ennen kivun alkamista. Tämä tilanne voi kuitenkin johtaa tarpeettomaan lääkkeiden antamiseen monilla potilailla ja sen seurauksena moniin haittatapahtumiin, kuten verenvuoto, hengityslama, sydäntapahtumat tai opioidien, ei-steroidisten tulehduskipulääkkeiden ja muiden kipulääkkeiden ruoansulatuskanavan sivuvaikutukset. Tämän seurauksena akuutin postoperatiivisen kivun ennustamisen vaikeus johtaa suboptimaaliseen kivunhallintaan. Näin ollen se, että pystymme ennustamaan, mitkä potilaat kärsivät kohtalaisesta tai vaikeasta akuutista leikkauksen jälkeisestä kivusta, optimoi perioperatiivisten analgeettisten hoitojen riski-hyötysuhteen ja varmistaa asianmukaisen hoidon. Vaikka eri tutkimuksissa tästä aiheesta on yritetty ennustaa postoperatiivista kipua logistisella regressioanalyysillä, toivottua tulosta ei ole vielä saavutettu. Tämä tilanne tulee entistä tärkeämmäksi leikkauksissa, joissa on suuri riski vakavaan kipuun leikkauksen jälkeisellä kaudella, kuten keuhkojen resektiossa. Leikkauksen jälkeisten keuhkokomplikaatioiden vähentämiseksi tai estämiseksi keuhkojen resektiossa on erittäin tärkeää, että potilaat voivat yskiä tuntematta kipua ja siten poistaa eritteitä hengitysteistä. Jos riittävää analgesiaa ei anneta, nämä potilaat eivät voi suorittaa sitä tehokkaasti. Tämä lisää komplikaatioita, sairaalahoitoa ja potilaan hoitokustannuksia. Näiden negatiivisten tilanteiden ehkäisemiseksi ja optimaalisen kivunlievityksen aikaansaamiseksi tarvitaan uusia menetelmiä leikkauksen jälkeisen kiputason ennustamiseen. Tutkimuksissa on ehdotettu useita malleja riskitekijöiden ymmärtämiseksi, jotka pahentavat vakavaa akuuttia postoperatiivista kipua. Suurin osa tämän alan tutkimuksesta on keskittynyt postoperatiivisen kivun riskitekijöiden määrittämiseen tilastollisen metodologian avulla. Aiemmat tutkimukset viittaavat siihen, että koneoppimismallit voivat ylittää lineaariset tilastomallit postoperatiiviseen kipuun liittyvien tulosten luokittelussa, kun otetaan huomioon samanlaiset ominaisuudet. Siksi tekoäly (AI) -algoritmit ovat algoritmeja, jotka voivat yhdistää ja analysoida monimutkaista dataa satojen muuttujien kanssa ja tarjota uusia tuloksia, ja ne voivat ohjata tehokkaan ratkaisun ennakoimaan ja hallitsemaan postoperatiivista prosessia. Aiemmat tutkimukset ovat osoittaneet lupaavia tuloksia akuutin postoperatiivisen kivun ennustamisessa, jonka pinta-ala on käyrän alla (AUC) 0,70 käyttämällä tekoälyalgoritmeja ennustamaan kipua perioperatiivisilla tiedoilla. Tästä aiheesta tarvitaan kuitenkin tutkimuksia tietyssä leikkauksessa, kuten keuhkojen resektiossa, joka voi aiheuttaa voimakasta kipua.

Tämän tutkimuksen tavoitteena oli ennustaa leikkauksen jälkeistä kipua analysoimalla perioperatiivista dataa keuhkojen resektioiden tekoälyalgoritmeilla ja määrittää tekoälyalgoritmien tehokkuus tässä suhteessa. Näin ollen tavoitteena oli vähentää potilaiden tarpeetonta kipulääkkeiden käyttöä, eliminoida näiden lääkkeiden mahdolliset sivuvaikutukset ja aloittaa ajoissa tehokas analgeettinen hoito potilailla, joilla on korkea kipuriski.

Tarkoitus/hypoteesi:

Tämän tutkimuksen tavoitteena oli ennustaa leikkauksen jälkeistä kipua analysoimalla perioperatiivista dataa keuhkojen resektioiden tekoälyalgoritmeilla ja määrittää tekoälyalgoritmien tehokkuus tässä suhteessa.

H0: Tekoälyalgoritmit eivät ole tehokkaita ennustamaan postoperatiivista kipua keuhkojen resektioissa.

H1: Tekoälyalgoritmit ovat tehokkaita ennustamaan postoperatiivista kipua keuhkojen resektioissa.

Materiaali-menetelmä:

Tämä tutkimus suoritetaan Helsingin julistuksen mukaisesti, ja se suoritetaan SBÜ Ankara Atatürk Sanatorium Training and Research Hospitalissa saatuaan eettisen komitean hyväksynnän. Tutkimuksemme on retrospektiivinen tutkimus. Takautuvasti kerätyt potilastiedot arvioidaan prospektiivisesti tekoälyalgoritmeilla.