A mesterséges intelligencia algoritmusainak hatékonysága

Bevezetés Az emberi történelem során a sebészeti beavatkozásokat gyakran alkalmazták az emberi kezelésben. Azonban terápiás tulajdonságaik ellenére a betegek által tapasztalt fájdalom, különösen az akut posztoperatív időszakban, meglehetősen nagy kihívást jelenthet a klinikusok számára. Az akut posztoperatív fájdalom fontos közegészségügyi probléma. Míg a betegek 80%-a számol be fájdalomról a posztoperatív időszakban, addig 88%-uk mérsékelt vagy erősebb fájdalmat tapasztal. Egy másik tanulmány szerint a műtéten átesett betegek több mint 60%-a szenved közepesen súlyos vagy súlyos akut posztoperatív fájdalomtól, és ezt a fájdalmat a krónikus posztoperatív fájdalom kialakulásával is összefüggésbe hozzák. A rosszul kezelt posztoperatív fájdalom negatív következményekkel járhat, mint például a betegek alacsonyabb elégedettsége, a betegek késleltetett felépülése, megnövekedett kórházi tartózkodás, megnövekedett ellátási költségek, krónikus fájdalom, szükségtelen opioid felírás, opioidokkal való visszaélés, túladagolás és halál. Ezenkívül a hatékony fájdalomcsillapítás érdekében gyakran alkalmazzák a megelőző fájdalomcsillapító kezelést a fájdalom kezdete előtt. Ez a helyzet azonban sok betegnél szükségtelen gyógyszeradagoláshoz vezethet, és ennek következtében számos nemkívánatos esemény, például vérzés, légzésdepresszió, kardiális események vagy az opioidok, nem szteroid gyulladásgátló szerek és más fájdalomcsillapítók gyomor-bélrendszeri mellékhatásai. Ennek eredményeként az akut posztoperatív fájdalom előrejelzésének nehézsége szuboptimális fájdalomkezeléshez vezet. Ezért annak előrejelzése, hogy mely betegek szenvednek közepesen súlyos vagy súlyos akut posztoperatív fájdalomtól, optimalizálja a perioperatív fájdalomcsillapító kezelések kockázat-haszon arányát, és biztosítja a megfelelő kezelést. Bár a témában különböző tanulmányok megpróbálták logisztikus regressziós elemzéssel előre jelezni a posztoperatív fájdalmat, a kívánt eredményt még nem érték el. Ez a helyzet még fontosabbá válik azoknál a műtéteknél, ahol a posztoperatív időszakban nagy a kockázata a súlyos fájdalomnak, mint például a tüdőreszekció. A tüdőreszekción átesett betegek posztoperatív tüdőszövődményeinek csökkentése vagy megelőzése érdekében nagyon fontos, hogy a betegek fájdalomérzet nélkül tudjanak köhögni, és ezáltal eltávolítani a váladékot a légutakból. Ha nem biztosítanak elegendő fájdalomcsillapítást, ezek a betegek ezt nem tudják hatékonyan elvégezni. Ez növeli a szövődmények, a kórházi tartózkodás és a betegellátás költségeit. E negatív helyzetek megelőzése és az optimális fájdalomcsillapítás érdekében új módszerekre van szükség a posztoperatív fájdalomszint előrejelzésére. Számos modellt javasoltak a tanulmányokban, hogy megértsék azokat a kockázati tényezőket, amelyek súlyosbítják a súlyos akut posztoperatív fájdalmat. Az ezen a területen végzett kutatások többsége a posztoperatív fájdalom kockázati tényezőinek statisztikai módszertan segítségével történő meghatározására irányult. Korábbi tanulmányok azt sugallják, hogy a gépi tanulási modellek felülmúlhatják a lineáris statisztikai modelleket a posztoperatív fájdalommal kapcsolatos kimenetelek osztályozásában, ha hasonló jellemzőket veszünk figyelembe. Ezért a mesterséges intelligencia (AI) algoritmusai olyan algoritmusok, amelyek több száz változóval összetett adatokat tudnak kombinálni és elemezni, és új kimeneteket szolgáltatnak, és hatékony megoldást tudnak irányítani a posztoperatív folyamat előrejelzésében és kezelésében. Korábbi tanulmányok ígéretes eredményeket mutattak az akut posztoperatív fájdalom előrejelzésében 0,70 görbe alatti területtel (AUC), mesterséges intelligencia algoritmusok segítségével a fájdalom perioperatív adatok alapján történő előrejelzésére. Ennek a témának a vizsgálatára azonban szükség van egy speciális műtétnél, például tüdőreszekciónál, amely súlyos fájdalmat okozhat.

Ennek a tanulmánynak az volt a célja, hogy előre jelezze a posztoperatív fájdalmat a perioperatív adatok elemzésével, mesterséges intelligencia algoritmusok segítségével a tüdőreszekciók során, és meghatározza az AI algoritmusok hatékonyságát ebben a tekintetben. Így célul tűzte ki a betegek szükségtelen fájdalomcsillapító használatának csökkentését, ezen gyógyszerek esetleges mellékhatásainak kiküszöbölését, valamint a magas fájdalomkockázatú betegek hatékony fájdalomcsillapító kezelésének időben történő megkezdését.

Cél/hipotézis:

Ennek a tanulmánynak az volt a célja, hogy előre jelezze a posztoperatív fájdalmat a perioperatív adatok elemzésével, mesterséges intelligencia algoritmusok segítségével a tüdőreszekciók során, és meghatározza az AI algoritmusok hatékonyságát ebben a tekintetben.

H0: A mesterséges intelligencia algoritmusai nem hatékonyak a posztoperatív fájdalom előrejelzésében tüdőreszekciók esetén.

H1: A mesterséges intelligencia algoritmusai hatékonyak a posztoperatív fájdalom előrejelzésében tüdőreszekciók esetén.

Anyag-módszer:

Ezt a vizsgálatot a Helsinki Nyilatkozatnak megfelelően hajtják végre, és az SBÜ Ankara Atatürk Szanatórium Képzési és Kutatókórházában végzik el, miután megkapta az etikai bizottság jóváhagyását. Tanulmányunk retro-prospektív tanulmány. A retrospektíven gyűjtött betegadatokat prospektív módon, mesterséges intelligencia algoritmusokkal értékelik.