Vědci AI a lékaři partnera pochopí, kdo je ohrožen přetrvávající postprchní bolest

Jednou z nejběžnějších chirurgických komplikací je pooperační bolest, která přetrvává dlouho poté, co se chirurgický řez uzdravil a zasáhl kdekoli mezi 10–35% z odhadovaných 300 milionů lidí po celém světě, kteří se ročně podrobují chirurgickému zákroku.

Důvod této přetrvávající post-chirurgické bolesti zůstává nejasný. Potěžující se může být obtížné analyzovat spleť rizikových faktorů. Bolest se objevuje nejen z chirurgického traumatu, ale také ze složité kombinace interakcí mezi periferním a centrálním nervovým systémem Imunitní systém a emocionální a kognitivní schopnost člověka zpracovávat bolest.

To je místo, kde se do hry přichází strojové učení. S údaji shromážděnými před chirurgickým zákrokem mohou algoritmy strojového učení škádlit mnoho faktorů ve hře, aby předpovídaly, kdo bude pravděpodobně zatížen přetrvávající posturgickou bolestí.

Předchozí klinické studie, které zabrání této bolesti, byly při pokusu o zmírnění jednotlivých rizikových faktorů u velmi rozmanité populace chirurgických pacientů neúspěšné.

„Přetrvávající posturgická bolest je tak složitá,“ řekl Simon Haroutounian, profesor anesteziologie na Washington University School of Medicine v St. Louis. Neexistuje žádný jediný vzorec, který by určil riziko jednotlivce, dodal.

„Nejedná se o jednoduchý typ 1 + 1, kde shromažďujeme několik opatření a vytváříme přesný rizikový profil,“ řekl Haroutounian. „To je místo, kde opravdu doufáme, že strojové učení může poskytnout výhodu a škádlit některé z těchto menších přispěvatelů k riziku jednotlivce.“

Haroutounian je součástí multidisciplinárního týmu ve WashU, který tento problém zkoumá, včetně Chenyang Lu, ředitele AI pro Health Institute a Fullgraf profesora informatiky a inženýrství v McKelvey School of Engineering.

Ve výzkumu publikovaném ve Sborník ACM na interaktivních, mobilních, nositelných a všudypřítomných technologiíchLu a tým sdílejí, jak může strojové učení pomoci pomoci lékařům, kteří se snaží zabránit přetrvávající pooperační bolesti. Nejdůležitější je, že systém nejen předpovídá, kdo tuto bolest pravděpodobně vyvine, ale také poskytuje odhady nejistoty pro každou predikci.

Schopnost efektivně zprostředkovat nejistotu může změnit všechny rozdíly v vedení rozhodnutí lékaře. Lu a tým chtěli nejen schopnost předpovídat riziko pacienta, ale také zahrnují, jak sebevědomí je AI o tomto odhadu rizika, a proto vyvinuli model strojového učení „nejistoty“.

„Dává to modelům schopnost říci:„ Nevím, “a kvantifikovat tuto nejistotu,“ řekl Ziqi Xu, Ph.D. Student v laboratoři LU a první autor na papíře.

Běžným problémem v systémech podpory klinického rozhodování řízeného AI je to, že nabízejí odpověď ano nebo ne, ale žádné podrobnosti o tom, jak je stroj s touto odpovědí sebevědomý, řekl Lu. Srovnal to s používáním generativních programů AI, jako je CHATGPT: stroj může být „sebevědomý“ ve svých odpovědích a reakcích na výzvy, i když je to halucinace.

Kliničtí lékaři však musí znát úroveň nejistoty s předpovědi, aby mohli využít své vlastní znalosti k nejlepšímu rozhodnutí. Lidé a strojové učení Systémy mají fungovat jako tým a „Když nesmíte nejistotu kalibrovaným způsobem, pak to může způsobit problémy,“ dodal Lu.

Aby se tyto odhady poskytly, tým zapsal 780 pacientů, aby se účastnil jejich studie. Požádali lidi, aby vyplnili řadu denních otázek průzkumu doručených na jejich chytré telefony dny až týdny před operací. Ne každý z pacientů si vzal čas na plné vyplnění průzkumů chybějící data byl zohledněn do jejich odhadů nejistoty.

Poté LU spojila výsledky průzkumu spolu s klinickými informacemi, jako je zdravotní anamnéza pacienta, laboratorní výsledky a další. Jeho tým vyvinul nový model, který nabídne odhad nejistoty částečně na základě toho, kolik údajů poskytl pacient, a individuálních faktorů při hodnocení rizik.

Model by mohl říci, že pacient X má 30% pravděpodobnost rozvoje přetrvávající bolesti, ale v tomto odhadu existuje 50% pravděpodobnost „nejistoty“. V takovém případě bude lékař muset více prozkoumat a naklonit se do svých klinických znalostí, aby pomohl pacientovi učinit nejlepší rozhodnutí pro zvládnutí jejich bolesti.

V jiném příkladu může model říci, že pacient Y má 10% pravděpodobnost rozvinout přetrvávající bolest a model je 80% jisté z tohoto odhadu. V takovém případě může tento lékař bezpečněji předpokládat předpokládanou pravděpodobnost přetrvávajícího rizika bolesti.

Při testování jejich modelu proti jiným predikčním algoritmům tým zjistil, že dosáhne lepšího výkonu a nabízí nejlepší model pro „kalibrační výkon“, což znamená, že tyto odhady nejistoty jsou smysluplné a přesné.

Od dat po lékaře

Začlenění modelu do procesu podpory klinického rozhodování je dalším krokem pro výzkum, řekl Lu.

Lékaři chtějí být schopni předvídat, kdo bude vyvinout přetrvávající pooperační bolest pomocí dat, ale co je důležité: „Chceme také pochopit, proč,“ dodal Lu. „Je důležité pochopit kauzalitu a pak můžete rozvíjet intervence.“

Strojové učení může pomoci tomuto procesu objevu identifikovat proměnné nejvíce spojené s přetrvávající bolestí, informace, které mohou vést lepší klinické hodnocení.

U některých pacientů jsou řidiči rizika pooperační bolesti více chování a Kognitivní behaviorální terapie (CBT) Intervence by mohly nabídnout řešení.

Jiní pacienti by však mohli trvat bolest v důsledku dysregulované imunitní odpovědi na chirurgii a v těchto případech nemusí být přístupy CBT dostatečné. Zaměření může být nutné přesunout směrem k intervencím, které mohou změnit imunitní nebo zánětlivou reakci na chirurgii, řekl Lu.

Vzhledem k tomu, že tým pokračuje v testování svého prediktivního algoritmu, bude dalším krokem vyvinout personalizované intervence na základě rizikového profilu každého pacienta.

Pochopení toho, co přispívá k zranitelnosti nebo odolnosti vůči post-chirurgické bolesti-a testování přístupů k řešení těchto rizik-by nakonec mohla znamenat obrovský rozdíl v tom, kdo a kolik lidí trpí bolestí, dodal Hatounounian.