Voorspellen van chronische pijn na een borstoperatie

Het primaire doel hiervan is het ontwikkelen van voorspellende modellen met behulp van kunstmatige intelligentie-algoritmen om acute en chronische pijn en het gebruik van opioïden te voorspellen bij patiënten die een borstoperatie ondergaan. De ontwikkeling van deze modellen omvat het prospectief verzamelen van gegevens van deze chirurgische populatie, waaronder: 1) enquêteresultaten van de Brief Pain Inventory, Fibromyalgia Survey Criteria en PROMIS-schalen (depressieschaal, angstschaal, fysieke functieschaal, vermoeidheidsschaal, slaapstoornisschaal ); 2) farmacogenomica (single nucleotide peptiden van COMT, BDNF, SCN11a, OPRM1, ABCB1, CYPD26 en CYP34A, om er maar een paar te noemen); 3) preoperatieve comorbiditeiten (inclusief maar niet beperkt tot diabetes mellitus, chronische pijn, psychiatrische stoornissen, voorgeschiedenis van middelenmisbruik, obstructieve slaapapneu, enz.); 4) preoperatieve laboratoria (d.w.z. hemoglobine); 5) demografische gegevens (d.w.z. sociaaleconomische status, religie, etniciteit; primaire taal die wordt gesproken, leeftijd, body mass index, geslacht, enz.); 6) preoperatief medicatiegebruik; 7) primaire chirurgische diagnose; 8) chirurgie; en 9) sociaal ondersteuningssysteem. Intraoperatieve gegevens omvatten: 1) primair anestheticumtype; 2) duur van de zaak; 3) totaal opioïdengebruik; 4) gebruik van niet-opioïde analgetica; 5) hemodynamica van de hartslag; en 6) hemodynamica van de bloeddruk. Postoperatieve gegevens omvatten: 1) totaal gebruik van opioïden; 2) ontslag medicijnen; 3) opnameduur in het ziekenhuis; 4) pijnscores; 5) postoperatieve vitale functies (bloeddruk, hartslag); en 6) deelname aan fysiotherapie. De primaire uitkomstmaten zijn het gebruik van opioïden in de acute periode en de chronische postoperatieve fase (30 en 90 dagen en 6 maanden) en het ontstaan ​​van chronische pijn (tot 6 maanden na de operatie). Het model met de beste prestaties zal worden gebruikt om een ​​voorspellend analysesysteem te ontwikkelen dat gericht is op het identificeren van opioïdenpatiënten met een hoog risico om deskundige middelen voor pijnbestrijding aan die patiënten toe te wijzen. We veronderstellen dat we een nauwkeurig model kunnen ontwikkelen voor het identificeren van gebruikers van opioïden met een hoog risico en patiënten die risico lopen op chronische pijn in deze chirurgische populaties en vervolgens een voorspellend analysesysteem kunnen implementeren dat deze patiënten in een vroeg stadium kan detecteren.