Koneoppimisella tehtävä ennuste leikkauksen jälkeisestä kivusta lasten päiväkirurgiassa

Leikkauksen jälkeinen kivunhoito varhaislapsuudessa on edelleen merkittävä kliininen haaste, erityisesti avohoitokirurgiassa. Yhdestä kolmeen vuoden ikäiset lapset edustavat haavoittuvaa väestöryhmää, sillä heidän rajoitettu kommunikaatiokyky tekee kivun arvioinnista ja hoidosta monimutkaisempaa. Tunnistamaton tai riittämättömästi hoidettu kipu tässä kehitysvaiheessa voi pidentää toipumisaikaa ja sairaalassaoloaikaa.

Perinteiset leikkauksen ympäristön riskinarvioinnit ovat rajoittuneita, koska ne perustuvat rajalliseen määrään kliinisiä ennustetekijöitä ja subjektiiviseen arviointiin. Laskennallisen tieteen ja koneoppimisen viimeaikaiset edistysaskeleet ovat tarjonneet uusia mahdollisuuksia parantaa ennustavaa mallintamista leikkauslääketieteessä. Integroimalla demografisia, psykososiaalisia, kirurgisia, anestesiologisia ja fysiologisia tietoja koneoppimisalgoritmit voivat havaita monimutkaisia ja epälineaarisia suhteita, jotka ylittävät perinteisten tilastollisten menetelmien ennustuskyvyn.

Tässä tutkimuksessa tietoja kerätään prospektiivisesti lapsilta, jotka käyvät läpi avohoitokirurgisia toimenpiteitä. Ennen leikkausta kerättävät muuttujat sisältävät demografiset ominaisuudet ja vanhempien psykologisen tilan (STAI). Leikkauksen aikaiset muuttujat koostuvat leikkauksen tyypistä, kestosta ja anestesian hoidosta. Leikkauksen jälkeiset tulokset keskittyvät kivun arviointiin (FLACC-pisteet) ja fysiologiseen seurantaan (hapen kylläisyys ja pulssipaine). Kaikki tiedot anonymisoidaan ja tallennetaan turvalliseen sähköiseen tietokantaan.

Tietojen käsittelyssä sovelletaan tiukkaa laadunvalvontaa vähentääkseen puuttuvia tai epäjohdonmukaisia merkintöjä. Aineisto jaetaan satunnaisesti harjoitus- ja testijoukkoihin. Useita ohjattuja koneoppimisalgoritmeja toteutetaan ennustavien mallien rakentamiseksi, ja suorituskykyä arvioidaan käyttämällä standardiluokitusmittareita, kuten tarkkuutta, herkkyyttä, spesifisyyttä ja vastaanottajan toimintakäyrän alle jäävää pinta-alaa (ROC-AUC). Ristiinvalidointitekniikoita käytetään varmistamaan mallin yleistettävyys ja vähentämään ylisovittamista.

Tämän tutkimuksen lopullisena tavoitteena on luoda luotettava, datavetoinen ennustemalli pienten lasten leikkauksen jälkeiselle kivulle, joka voidaan sisällyttää kliinisiin päätöksentukikehyksiin. Tällainen malli voisi helpottaa yksilöllistä leikkauksen ympäristön suunnittelua, optimoida analgeettisia strategioita, vähentää odottamattomien haittatapahtumien esiintyvyyttä ja lopulta parantaa sekä potilasturvallisuutta että vanhempien tyytyväisyyttä.