Mayo Clinic retrospektyviniame tyrime, kuriame dalyvavo 9 731 pacientas, buvo ištirtas dirbtinio intelekto (AI) potencialas prognozuoti paciento poreikį po operacijos papildyti opioidų preparatus. Tyrime buvo naudojami gilaus mokymosi modeliai, AI forma, siekiant numatyti, kuriems pacientams po operacijos greičiausiai prireiks papildomo opioidų papildymo, tuo pačiu užtikrinant tinkamą skausmo valdymą ir sumažinant priklausomybės nuo opioidų riziką. Pakartotinis papildymas buvo apibrėžiamas kaip bet koks opioidas, skirtas nuo vienos iki 30 dienų po išrašymo iš ligoninės.
Tyrėjai ištyrė daugybę operacijų, įskaitant 280 krūtinės ląstos, 1 680 pilvo, 1 575 dubens ir 5 952 raumenų ir kaulų bei ortopedines procedūras. Tyrimo metu taip pat buvo išnagrinėtos 507 krūtų operacijos, 1 243 galvos ir kaklo procedūros bei 133 kraujagyslių operacijos. Pažymėtina, kad 2 086 operacijos buvo atliktos naudojant minimaliai invazinius metodus.
Padedant AI, išvados atskleidė, kad operacijos tipas, paciento praneštas skausmo lygis hospitalizacijos metu ir pradinis paskirtų opioidų skaičius buvo pagrindiniai veiksniai, nurodantys, kad reikės papildyti. Kelio keitimo operacija pasirodė kaip reikšmingiausias prognozuotojas.
Tyrėjai pabrėžia, kad pacientų, kuriems gali prireikti recepto papildymo, nustatymas nereiškia, kad tiesiog reikia skirti daugiau opioidų. Atvirkščiai, naudodamiesi AI modeliais, sveikatos priežiūros specialistai gali dirbti su pacientais, kad apsvarstytų neopioidinio skausmo kontrolės strategijas.
„Egzistuoja daugybė vaistų, kurių pagrindą sudaro opioidai, vaistai, kurių sudėtyje nėra opioidų, ir nefarmakologinių strategijų, skirtų pooperaciniam skausmui valdyti“, – sako vyresnysis tyrimo autorius Cornelius A. Thiels, DO, Mayo klinikos chirurginis onkologas. „Šis nuspėjamasis modelis skirtas padėti gydytojams nustatyti, kada dabartinė strategija yra nepakankama, ir prireikus papildyti šią strategiją šiomis priemonėmis.”
Apskritai mokslininkai sutinka, kad individualizuotas požiūris į skausmo valdymą gali padėti sumažinti priklausomybę nuo opioidų. Jie pabrėžia, kad raktas į sėkmę yra šių AI modelių naudojimas kaip pagalbinės sveikatos priežiūros priemonės, kai gydytojai dirba kartu su AI, o ne naudoja jį kaip pakaitalą priimant sprendimus.
„Šios sistemos veikia kaip sveikatos priežiūros specialistų asistentas, o galutinį sprendimą galiausiai priima jie, remdamiesi bendra nuomone apie pacientą“, – sako tyrimo vadovas Hojjat Salehinejad, medicinos mokslų daktaras, sveikatos priežiūros sistemų inžinerijos tyrėjas. Mayo klinika Robert D. ir Patricia E. Kern Sveikatos priežiūros mokslo centras. Dr. Salehinejad taip pat daug dėmesio skiria taikomajam dirbtiniam intelektui sveikatos priežiūros srityje, ypač daugiarūšiam pacientų atstovavimui ir mokymuisi.
Nors tyrime naudojamas matematinis modeliavimas yra pažangesnis, gydytojai jau daugelį metų rėmėsi bendra koncepcija, teigia mokslininkai. Nors prieš tai įgyvendinant praktikoje reikalingas tolesnis patvirtinimas, jie pažymi, kad gydytojai dirbtinį intelektą turi naudoti kaip pagalbinę priemonę, skirtą pagerinti pacientų gydymą, o ne kaip sprendimo pakaitalą.
„Tikslas niekada nebuvo pakeisti gydytojų diskrecijos ir sprendimų priėmimo, o pateikti įrodymais pagrįstus duomenis ir analizę, kuri padėtų priimti sprendimus“, – sako dr. Thielsas. „Pagrindinis pranašumas čia yra modelių galimybė automatiškai naudoti didesnį duomenų kiekį, nepasikliaujant rankiniu gydytojų įvestimi, kaip tradiciškai buvo kuriami nuspėjamieji modeliai.
Dr. Thielsas yra Mayo klinikos Kerno sveikatos priežiūros mokslo centro Chirurginių rezultatų mokslo darbuotojų programos absolventas. Jis teikia mentorystę kitiems kolegoms ir toliau atlieka chirurginius rezultatus ir kokybiškus tyrimus, kaip ir dabartinis tyrimas, bendradarbiaudamas su centru.