Skuteczność algorytmów sztucznej inteligencji

Wprowadzenie W historii ludzkości interwencje chirurgiczne były często stosowane w leczeniu ludzi. Jednak pomimo ich właściwości terapeutycznych, ból odczuwany przez pacjentów, szczególnie w ostrym okresie pooperacyjnym, może być sporym wyzwaniem dla klinicystów. Ostry ból pooperacyjny jest ważnym problemem zdrowia publicznego. O ile 80% pacjentów zgłasza odczuwanie bólu w okresie pooperacyjnym, o tyle u 88% z nich ból jest umiarkowany lub większy. Według innego badania ponad 60% pacjentów poddawanych zabiegom chirurgicznym cierpi na umiarkowany lub silny ostry ból pooperacyjny, który wiąże się z rozwojem przewlekłego bólu pooperacyjnego. Źle leczony ból pooperacyjny może prowadzić do negatywnych skutków, takich jak niższe zadowolenie pacjenta, opóźniony powrót do zdrowia, wydłużenie pobytu w szpitalu, zwiększone koszty opieki, przewlekły ból, niepotrzebne przepisywanie opioidów, nadużywanie opioidów, przedawkowanie i śmierć. Ponadto, w celu skutecznego leczenia bólu, często stosuje się metodę zapobiegania bólowi przed wystąpieniem bólu. Jednakże sytuacja ta może prowadzić do niepotrzebnego podawania leków u wielu pacjentów, a w konsekwencji do wielu działań niepożądanych, takich jak krwawienia, depresja oddechowa, zdarzenia kardiologiczne czy działania niepożądane ze strony przewodu pokarmowego po opioidach, niesteroidowych lekach przeciwzapalnych i innych lekach przeciwbólowych. W rezultacie trudność w przewidywaniu ostrego bólu pooperacyjnego prowadzi do suboptymalnego leczenia bólu. Dlatego też możliwość przewidzenia, którzy pacjenci będą cierpieć z powodu umiarkowanego lub ciężkiego ostrego bólu pooperacyjnego, zoptymalizuje stosunek ryzyka do korzyści okołooperacyjnego leczenia przeciwbólowego i zapewni zastosowanie odpowiedniego leczenia. Chociaż w różnych badaniach na ten temat próbowano przewidzieć ból pooperacyjny za pomocą analizy regresji logistycznej, pożądanego rezultatu nie udało się jeszcze osiągnąć. Sytuacja ta nabiera jeszcze większego znaczenia w przypadku zabiegów obarczonych dużym ryzykiem wystąpienia silnego bólu w okresie pooperacyjnym, takich jak resekcja płuca. Aby zmniejszyć lub zapobiec pooperacyjnym powikłaniom płucnym u pacjentów poddawanych resekcji płuc, bardzo ważne jest, aby pacjenci mogli kaszleć bez odczuwania bólu, a tym samym usuwać wydzielinę z dróg oddechowych. Jeżeli nie zapewni się wystarczającej analgezji, pacjenci ci nie będą w stanie jej skutecznie zastosować. Zwiększa to powikłania, pobyt w szpitalu i koszty opieki nad pacjentem. Aby zapobiec tym negatywnym sytuacjom i zapewnić optymalną analgezję, potrzebne są nowe metody przewidywania poziomu bólu pooperacyjnego. W badaniach zaproponowano liczne modele mające na celu zrozumienie czynników ryzyka, które zaostrzają ostry ostry ból pooperacyjny. Większość badań w tej dziedzinie skupiała się na określeniu czynników ryzyka bólu pooperacyjnego z wykorzystaniem metodologii statystycznej. Poprzednie badania sugerują, że modele uczenia maszynowego mogą przewyższać liniowe modele statystyczne w klasyfikacji wyników związanych z bólem pooperacyjnym, jeśli uwzględni się podobne cechy. Dlatego algorytmy sztucznej inteligencji (AI) to algorytmy, które potrafią łączyć i analizować złożone dane zawierające setki zmiennych i zapewniać nowe wyniki, a także mogą wyznaczać skuteczne rozwiązania w zakresie przewidywania procesu pooperacyjnego i zarządzania nim. Poprzednie badania wykazały obiecujące wyniki w przewidywaniu ostrego bólu pooperacyjnego przy polu pod krzywą (AUC) wynoszącym 0,70 przy użyciu algorytmów sztucznej inteligencji do przewidywania bólu na podstawie danych okołooperacyjnych. Jednakże badania na ten temat są potrzebne w przypadku konkretnej operacji, takiej jak resekcja płuc, która może powodować silny ból.

Celem pracy było przewidywanie bólu pooperacyjnego poprzez analizę danych okołooperacyjnych z wykorzystaniem algorytmów AI w resekcjach płuc oraz określenie skuteczności algorytmów AI w tym zakresie. Miało to zatem na celu ograniczenie niepotrzebnego stosowania leków przeciwbólowych u pacjentów, wyeliminowanie ewentualnych skutków ubocznych tych leków i terminowe rozpoczęcie skutecznego leczenia przeciwbólowego u pacjentów z wysokim ryzykiem bólu.

Cel/Hipoteza:

Celem pracy było przewidywanie bólu pooperacyjnego poprzez analizę danych okołooperacyjnych z wykorzystaniem algorytmów AI w resekcjach płuc oraz określenie skuteczności algorytmów AI w tym zakresie.

H0: Algorytmy sztucznej inteligencji nie są skuteczne w przewidywaniu bólu pooperacyjnego po resekcji płuc.

H1: Algorytmy sztucznej inteligencji są skuteczne w przewidywaniu bólu pooperacyjnego po resekcji płuc.

Metoda materiałowa:

Badanie to zostanie przeprowadzone zgodnie z Deklaracją Helsińską i zostanie przeprowadzone w Szpitalu Szkoleniowo-Badawczym Sanatorium SBÜ Ankara Atatürk po uzyskaniu zgody komisji etyki. Nasze badanie ma charakter retrospektywny. Zebrane retrospektywnie dane pacjentów zostaną ocenione prospektywnie za pomocą algorytmów sztucznej inteligencji.