Effectiviteit van algoritmen voor kunstmatige intelligentie

Inleiding Door de geschiedenis heen van de mensheid zijn chirurgische ingrepen veelvuldig toegepast bij de behandeling van mensen. Ondanks hun therapeutische eigenschappen kan de pijn die patiënten ervaren, vooral in de acute postoperatieve periode, echter een behoorlijke uitdaging zijn voor artsen. Acute postoperatieve pijn is een belangrijk probleem voor de volksgezondheid. Terwijl 80% van de patiënten aangeeft pijn te ervaren in de postoperatieve periode, ervaart 88% van hen matige of hogere pijnniveaus. Volgens een ander onderzoek lijdt meer dan 60% van de chirurgische patiënten aan matige tot ernstige acute postoperatieve pijn, en deze pijn is in verband gebracht met de ontwikkeling van chronische postoperatieve pijn. Slecht beheerde postoperatieve pijn kan tot negatieve resultaten leiden, zoals een lagere patiënttevredenheid, vertraagd herstel van de patiënt, langere opnameduur, hogere zorgkosten, chronische pijn, onnodig voorschrijven van opioïden, opioïdenmisbruik, overdosering en overlijden. Om effectief pijnbeheer te verschaffen, wordt bovendien veelvuldig gebruik gemaakt van de methode van het verschaffen van preventieve analgetische behandeling voordat de pijn begint. Deze situatie kan echter bij veel patiënten leiden tot onnodige medicatietoediening en dientengevolge tot veel bijwerkingen zoals bloedingen, ademhalingsdepressie, hartproblemen of bijwerkingen van opioïden, niet-steroïde anti-inflammatoire geneesmiddelen en andere analgetica op het maagdarmstelsel. Als gevolg hiervan leidt de moeilijkheid bij het voorspellen van acute postoperatieve pijn tot suboptimaal pijnbeheer. Daarom zal het kunnen voorspellen welke patiënten zullen lijden aan matige tot ernstige acute postoperatieve pijn de risico-batenverhouding van perioperatieve analgetische behandelingen optimaliseren en ervoor zorgen dat de juiste behandeling wordt gegeven. Hoewel verschillende onderzoeken over dit onderwerp hebben geprobeerd postoperatieve pijn te voorspellen met logistische regressieanalyse, is het gewenste resultaat nog niet bereikt. Deze situatie wordt zelfs nog belangrijker bij operaties met een hoog risico op hevige pijn in de postoperatieve periode, zoals longresecties. Om postoperatieve longcomplicaties bij patiënten die een longresectie ondergaan te verminderen of te voorkomen, is het van groot belang dat patiënten kunnen hoesten zonder pijn te voelen en zo secreties uit de luchtwegen kunnen verwijderen. Als er niet voldoende analgesie wordt gegeven, kunnen deze patiënten dit niet effectief uitvoeren. Dit verhoogt de complicaties, het verblijf in het ziekenhuis en de zorgkosten voor de patiënt. Om deze negatieve situaties te voorkomen en optimale analgesie te bieden, zijn nieuwe methoden nodig om postoperatieve pijnniveaus te voorspellen. In onderzoeken zijn talloze modellen voorgesteld om de risicofactoren te begrijpen die ernstige acute postoperatieve pijn zullen verergeren. Het meeste onderzoek op dit gebied heeft zich gericht op het bepalen van risicofactoren voor postoperatieve pijn met behulp van statistische methodologie. Eerdere studies suggereren dat machine learning-modellen beter kunnen presteren dan lineaire statistische modellen bij het classificeren van postoperatieve pijngerelateerde uitkomsten wanneer vergelijkbare kenmerken in aanmerking worden genomen. Daarom zijn algoritmen voor kunstmatige intelligentie (AI) algoritmen die complexe gegevens met honderden variabelen kunnen combineren en analyseren en nieuwe resultaten kunnen opleveren, en een effectieve oplossing kunnen bieden bij het voorspellen en beheren van het postoperatieve proces. Eerdere studies hebben veelbelovende resultaten laten zien bij het voorspellen van acute postoperatieve pijn met een oppervlakte onder de curve (AUC) van 0,70, met behulp van kunstmatige intelligentie-algoritmen om pijn te voorspellen met perioperatieve gegevens. Er zijn echter studies over dit onderwerp nodig bij een specifieke operatie zoals longresectie, die mogelijk ernstige pijn veroorzaakt.

Deze studie had tot doel postoperatieve pijn te voorspellen door perioperatieve gegevens te analyseren met behulp van AI-algoritmen bij longresecties en om de effectiviteit van AI-algoritmen in dit opzicht te bepalen. Het doel was dus om onnodig pijnstillend gebruik bij patiënten te verminderen, mogelijke bijwerkingen van deze medicijnen te elimineren en tijdig een effectieve pijnstillende behandeling te starten bij patiënten met een hoog pijnrisico.

Doel/hypothese:

Deze studie had tot doel postoperatieve pijn te voorspellen door perioperatieve gegevens te analyseren met behulp van AI-algoritmen bij longresecties en om de effectiviteit van AI-algoritmen in dit opzicht te bepalen.

H0: Algoritmen voor kunstmatige intelligentie zijn niet effectief in het voorspellen van postoperatieve pijn bij longresecties.

H1: Algoritmen voor kunstmatige intelligentie zijn effectief in het voorspellen van postoperatieve pijn bij longresecties.

Materiaalmethode:

Dit onderzoek zal worden uitgevoerd in overeenstemming met de Verklaring van Helsinki en zal worden uitgevoerd in het SBÜ Ankara Atatürk Sanatorium Training and Research Hospital na goedkeuring van de ethische commissie. Ons onderzoek is een retrospectief onderzoek. Retrospectief verzamelde patiëntgegevens zullen prospectief worden geëvalueerd met algoritmen voor kunstmatige intelligentie.