Cientistas e médicos da IA ​​participam para entender quem está em risco de constante dor cirúrgica

Uma das complicações cirúrgicas mais comuns é uma dor pós -operatória que persiste por muito tempo após a recuperação da incisão cirúrgica, há uma impressionante entre 10 e 35% dos 300 milhões de pessoas estimadas em todo o mundo que passam pela cirurgia.

A causa dessa dor pós-sarcástica frequente não é clara. A confusão de fatores de risco pode ser difícil de passar. A dor emerge não apenas do trauma cirúrgico, mas também de uma complexa combinação de interação entre o sistema nervoso periférico e central, Sistema imunológico E a capacidade emocional e cognitiva de uma pessoa de processar a dor.

É aqui que a máquina passa para jogar aprendizado. Com os dados coletados antes da cirurgia, o algoritmo de aprendizado de máquina pode prever vários fatores para prever que prever quem seria pesado com constante dor pós -cirúrgica.

Ensaios clínicos anteriores para impedir essa dor falharam ao tentar reduzir fatores de risco individuais na população muito diversificada de pacientes cirúrgicos.

“A dor pós -cirúrgica constante é muito complicada”, disse Simon Hartonian, na Faculdade de Medicina da Universidade de Washington em St. Louis. Ele disse que não existe uma fórmula para determinar o risco de uma pessoa.

“Este não é um tipo de coisa simples de 1 + 1, onde coletamos algumas medidas e criamos um perfil de risco preciso”, disse Hartunian. “É aqui que estamos realmente esperando que o aprendizado de máquina possa fornecer uma vantagem, provocando alguns desses pequenos colaboradores para o risco de uma pessoa”.

Hartonian Vashu faz parte de uma equipe multi -movimentada, que foi pesquisada sobre o problema, incluindo Chenyang Lu, diretor de saúde de saúde e fulgraph, professor de ciência da computação e engenharia da McCowway School of Engineering.

Em pesquisa publicada em Processos da ACM em tecnologias interativas, móveis, vestíveis e universaisLu e as equipes compartilham como o aprendizado de máquina pode ajudar os médicos a orientar para evitar a dor pós-operatória. Mais importante ainda, o sistema não apenas prevê que provavelmente desenvolverá essa dor, mas também prevê a incerteza para cada previsão.

Ser capaz de expressar incerteza efetivamente pode causar todas as diferenças nas decisões do médico. A LU e a equipe não apenas queriam a capacidade de prever o risco do paciente, mas também inclui o quão confiante a IA é sobre a estimativa desse risco, então eles desenvolveram um modelo de aprendizado de máquina “intensivo para incerteza”.

“Isso dá aos modelos a capacidade de dizer”, não sei “e determine essa incerteza”, disse o PhD, Ziyi Zoo, um doutorado. Alunos do Lu Lab e primeiro escritor no papel.

Um problema comum no sistema de apoio à decisão clínica da AI-Vacível é que eles não dão resposta sim ou não, mas não há detalhes sobre quanta confiança é a máquina com essa resposta, disse Lu. Ele o comparou para usar programas genéricos de IA, como conversas: a máquina pode ser “confiante” em suas respostas e reações aos sinais, mesmo que seja uma alucinações.

No entanto, os médicos precisam conhecer o nível de incerteza com as previsões para que possam usar seu próprio conhecimento para tomar as melhores decisões. Homem e aprendizado de máquina Os sistemas devem funcionar em equipe e “quando você não expressa incerteza de maneira calibrada, isso pode causar problemas”, disse Lu.

Para fornecer essas estimativas, a equipe registrou 780 pacientes para participar de seu estudo. Ele pediu às pessoas que preenchessem uma série de perguntas diárias da pesquisa fornecidas em seus smartphones por semanas antes da cirurgia. Nem todo paciente levou tempo para preencher completamente as pesquisas, então dados ausentes O fator foi feito em suas estimativas de incerteza.

A LU combinou os resultados da pesquisa com informações clínicas, como histórico de saúde, resultados do laboratório e muito mais. Sua equipe desenvolveu um novo modelo, fornecido pelo paciente e fornecendo fatores individuais na avaliação de riscos, forneceria estimativas de incerteza.

O modelo pode dizer que o paciente tem 30% de probabilidade de desenvolver dor em X, mas nessa estimativa há 50% da possibilidade de “incerteza”. Nesse caso, o médico precisará examinar mais e dobrar seu conhecimento clínico para ajudar o paciente a fazer a melhor opção para gerenciar sua dor.

Em outro exemplo, o modelo pode dizer que o paciente tem 10% de probabilidade de desenvolver dor persistente e o modelo é 80% dessa estimativa. Nesse caso, esse médico pode receber com segurança a possibilidade aproximada do risco de dor persistente.

Outro previsto para testar seu modelo contra algoritmos, a equipe descobriu que recebe melhor desempenho e fornece o melhor modelo para “desempenho de calibração”, o que significa que essas incerteza são estimadas e precisas.

De dados ao médico

Lu disse que a decisão clínica que apoia o modelo no processo de suporte é o próximo passo para a pesquisa.

Os médicos querem ser capazes de adivinhar quem desenvolverá dor pós-operatória usando dados, mas o mais importante é que, também queremos entender o porquê “, disse Lu. “É importante entender o trabalho -a base e, em seguida, você pode desenvolver intervenção”.

O aprendizado de máquina pode ajudar o processo de descoberta a identificar as variáveis ​​associadas à dor constante, o que pode orientar melhores ensaios clínicos.

Para alguns pacientes, os motoristas são mais práticos para o risco de dor pós-operatória e Terapia cognitivo -comportamental (TCC) pode fornecer soluções de intervenção.

Mas outros pacientes podem sentir dor devido a uma resposta imune pervertida à cirurgia e, nesses casos, a abordagem da TCC pode não ser suficiente. O foco pode precisar mudar para intervenções que podem alterar a resposta imunológica ou inflamatória à cirurgia, disse Lu.

À medida que a equipe continua a testar seu algoritmo de previsão, o próximo passo deve desenvolver intervenção pessoal com base no perfil de risco de cada paciente.

Compreender o que contribui para a vulnerabilidade ou resistência após a dor cirúrgica para aliviar esses riscos-a abordagem de observância-que está sofrendo de dor e quantas pessoas sofrem de dor, pode ter uma grande diferença, disse Hartonian.