Effektiviteten av algoritmer för artificiell intelligens

Inledning Under mänsklighetens historia har kirurgiska ingrepp ofta använts vid behandling av människor. Men trots deras terapeutiska egenskaper kan smärtan som patienter upplever, särskilt under den akuta postoperativa perioden, vara ganska utmanande för läkare. Akut postoperativ smärta är en viktig folkhälsofråga. Medan 80 % av patienterna rapporterar att de upplever smärta under den postoperativa perioden, upplever 88 % av dem måttliga eller högre nivåer av smärta. Enligt en annan studie lider mer än 60 % av kirurgiska patienter av måttlig till svår akut postoperativ smärta, och denna smärta har associerats med utvecklingen av kronisk postoperativ smärta. Dåligt hanterad postoperativ smärta kan leda till negativa resultat såsom lägre patienttillfredsställelse, försenad patientåterhämtning, ökad längd på sjukhusvistelse, ökade vårdkostnader, kronisk smärta, onödig recept på opioider, opioidmissbruk, överdosering och dödsfall. Dessutom, för att ge effektiv smärtbehandling, används ofta metoden att tillhandahålla förebyggande smärtstillande behandling innan smärtan börjar. Emellertid kan denna situation leda till onödig medicinadministrering hos många patienter och följaktligen många biverkningar såsom blödning, andningsdepression, hjärthändelser eller gastrointestinala biverkningar av opioider, icke-steroida antiinflammatoriska läkemedel och andra analgetika. Som ett resultat leder svårigheten att förutsäga akut postoperativ smärta till suboptimal smärthantering. Att därför kunna förutsäga vilka patienter som kommer att drabbas av måttlig till svår akut postoperativ smärta kommer att optimera risk-nytta-förhållandet för perioperativa smärtstillande behandlingar och säkerställa att lämplig behandling ges. Även om olika studier i detta ämne har försökt förutsäga postoperativ smärta med logistisk regressionsanalys, har det önskade resultatet ännu inte uppnåtts. Denna situation blir ännu viktigare vid operationer med hög risk för svår smärta i den postoperativa perioden, såsom lungresektion. För att minska eller förebygga postoperativa lungkomplikationer hos patienter som genomgår lungresektion är det mycket viktigt för patienterna att kunna hosta utan att känna smärta och därmed ta bort sekret från luftvägarna. Om tillräcklig analgesi inte tillhandahålls kan dessa patienter inte utföra detta effektivt. Detta ökar komplikationer, sjukhusvistelse och patientvårdskostnader. För att förhindra dessa negativa situationer och ge optimal analgesi behövs nya metoder för att förutsäga postoperativa smärtnivåer. Många modeller har föreslagits i studier för att förstå de riskfaktorer som kommer att förvärra svår akut postoperativ smärta. Det mesta av forskningen inom detta område har fokuserat på att bestämma riskfaktorer för postoperativ smärta med hjälp av statistisk metodik. Tidigare studier tyder på att maskininlärningsmodeller kan överträffa linjära statistiska modeller vid klassificering av postoperativa smärtrelaterade resultat när liknande egenskaper beaktas. Därför är algoritmer för artificiell intelligens (AI) algoritmer som kan kombinera och analysera komplexa data med hundratals variabler och ge nya utdata, och kan vägleda en effektiv lösning för att förutsäga och hantera den postoperativa processen. Tidigare studier har visat lovande resultat i att förutsäga akut postoperativ smärta med ett område under kurvan (AUC) på 0,70 med hjälp av artificiell intelligens algoritmer för att förutsäga smärta med perioperativa data. Studier om detta ämne behövs dock vid en specifik operation som lungresektion, som har potential för svår smärta.

Denna studie syftade till att förutsäga postoperativ smärta genom att analysera perioperativa data med hjälp av AI-algoritmer i lungresektioner och att bestämma effektiviteten av AI-algoritmer i detta avseende. Således syftade det till att minska onödig analgetikaanvändning hos patienter, eliminera möjliga biverkningar av dessa läkemedel och påbörja effektiv smärtstillande behandling i tid hos patienter med hög smärtrisk.

Syfte/hypotes:

Denna studie syftade till att förutsäga postoperativ smärta genom att analysera perioperativa data med hjälp av AI-algoritmer i lungresektioner och att bestämma effektiviteten av AI-algoritmer i detta avseende.

H0: Algoritmer för artificiell intelligens är inte effektiva för att förutsäga postoperativ smärta vid lungresektioner.

H1: Algoritmer för artificiell intelligens är effektiva för att förutsäga postoperativ smärta vid lungresektioner.

Material-metod:

Denna studie kommer att genomföras i enlighet med Helsingforsdeklarationen och kommer att utföras på SBÜ Ankara Atatürk Sanatorium Training and Research Hospital efter att ha fått etikkommitténs godkännande. Vår studie är en retroprospektiv studie. Retrospektivt insamlad patientdata kommer att utvärderas prospektivt med artificiell intelligensalgoritmer.