Effektiviteten til algoritmer for kunstig intelligens

Innledning Gjennom menneskets historie har kirurgiske inngrep vært hyppig brukt i behandling av mennesker. Til tross for deres terapeutiske egenskaper, kan smerten som pasienter opplever, spesielt i den akutte postoperative perioden, være ganske utfordrende for klinikere. Akutt postoperativ smerte er et viktig folkehelseproblem. Mens 80 % av pasientene rapporterer å oppleve smerte i den postoperative perioden, opplever 88 % av dem moderate eller høyere nivåer av smerte. I følge en annen studie lider mer enn 60 % av kirurgiske pasienter av moderat til alvorlig akutt postoperativ smerte, og denne smerten har vært assosiert med utvikling av kronisk postoperativ smerte. Dårlig administrerte postoperative smerter kan føre til negative utfall som lavere pasienttilfredshet, forsinket pasientrestitusjon, økt lengde på sykehusopphold, økte pleiekostnader, kroniske smerter, unødvendig opioidresept, opioidmisbruk, overdose og død. I tillegg, for å gi effektiv smertebehandling, brukes ofte metoden for å gi forebyggende smertestillende behandling før smerten begynner. Imidlertid kan denne situasjonen føre til unødvendig medikamentadministrasjon hos mange pasienter og følgelig mange uønskede hendelser som blødning, respirasjonsdepresjon, hjertehendelser eller gastrointestinale systembivirkninger av opioider, ikke-steroide antiinflammatoriske legemidler og andre analgetika. Som et resultat fører vanskeligheten med å forutsi akutte postoperative smerter til suboptimal smertebehandling. Derfor vil det å kunne forutsi hvilke pasienter som vil lide av moderate til alvorlige akutte postoperative smerter optimalisere risiko-nytte-forholdet ved perioperative smertestillende behandlinger og sikre at passende behandling gis. Selv om forskjellige studier på dette emnet har forsøkt å forutsi postoperative smerter med logistisk regresjonsanalyse, er det ønskede resultatet ennå ikke oppnådd. Denne situasjonen blir enda viktigere ved operasjoner med høy risiko for sterke smerter i den postoperative perioden, for eksempel lungereseksjon. For å redusere eller forebygge postoperative lungekomplikasjoner hos pasienter som gjennomgår lungereseksjon, er det svært viktig for pasienter å kunne hoste uten å føle smerte og dermed fjerne sekret fra luftveiene. Hvis det ikke gis tilstrekkelig analgesi, kan ikke disse pasientene utføre dette effektivt. Dette øker komplikasjoner, sykehusopphold og pasientbehandlingskostnader. For å forhindre disse negative situasjonene og gi optimal analgesi, trengs det nye metoder for å forutsi postoperative smertenivåer. Tallrike modeller har blitt foreslått i studier for å forstå risikofaktorene som vil forverre alvorlig akutt postoperativ smerte. Mesteparten av forskningen på dette området har fokusert på å bestemme risikofaktorer for postoperativ smerte ved hjelp av statistisk metodikk. Tidligere studier tyder på at maskinlæringsmodeller kan utkonkurrere lineære statistiske modeller ved klassifisering av postoperative smerterelaterte utfall når lignende funksjoner vurderes. Derfor er kunstig intelligens (AI) algoritmer algoritmer som kan kombinere og analysere komplekse data med hundrevis av variabler og gi nye utdata, og kan veilede en effektiv løsning for å forutsi og administrere den postoperative prosessen. Tidligere studier har vist lovende resultater i å forutsi akutt postoperativ smerte med et område under kurven (AUC) på 0,70 ved bruk av kunstig intelligens algoritmer for å forutsi smerte med perioperative data. Imidlertid er studier på dette emnet nødvendig i en spesifikk operasjon som lungereseksjon, som har potensial for alvorlig smerte.

Denne studien hadde som mål å forutsi postoperativ smerte ved å analysere perioperative data ved å bruke AI-algoritmer i lunge-reseksjoner og å bestemme effektiviteten til AI-algoritmer i denne forbindelse. Dermed hadde det som mål å redusere unødvendig smertestillende bruk hos pasienter, eliminere mulige bivirkninger av disse legemidlene og starte effektiv smertestillende behandling i tide hos pasienter med høy smerterisiko.

Formål/hypotese:

Denne studien hadde som mål å forutsi postoperativ smerte ved å analysere perioperative data ved å bruke AI-algoritmer i lunge-reseksjoner og å bestemme effektiviteten til AI-algoritmer i denne forbindelse.

H0: Algoritmer med kunstig intelligens er ikke effektive for å forutsi postoperativ smerte ved lungereseksjoner.

H1: Algoritmer med kunstig intelligens er effektive for å forutsi postoperative smerter ved lungereseksjoner.

Materiale-metode:

Denne studien vil bli utført i samsvar med Helsinki-erklæringen og vil bli utført ved SBÜ Ankara Atatürk Sanatorium Training and Research Hospital etter å ha mottatt godkjenning fra etikkkomiteen. Vår studie er en retroprospektiv studie. Retrospektivt innsamlede pasientdata vil bli evaluert prospektivt med kunstig intelligens-algoritmer.