Strojové učenie predpovedá, ktorí pacienti budú pokračovať v užívaní opioidov po operácii ruky

Algoritmus strojového učenia funguje dobre pri predpovedaní rizika pretrvávajúceho užívania opioidov po operácii ruky, uvádza sa štúdia v augustovom čísle Plastická a rekonštrukčná chirurgia.

„Zistili sme, že model strojového učenia funguje dobre pri identifikácii chirurgia ruky pacientov, u ktorých je väčšia pravdepodobnosť, že sa stanú trvalými užívateľmi opiátov,“ komentuje člen ASPS chirurg Kevin C. Chung, MD, MS, University of Michigan, Ann Arbor.

„Toto môže poskytnúť efektívnejšiu stratégiu na identifikáciu vysoko rizikových pacientov a zaviesť opatrenia na prevenciu závislosť od opioidov. Podobne aj využitie umelej inteligencie môže uľahčiť personalizovanejší prístup pri predpisovaní správneho lieku proti bolesti v optimálnom množstve pre konkrétneho pacienta podstupujúceho konkrétnu operáciu.“

Testované dva modely strojového učenia na predpovedanie pretrvávajúceho užívania opiátov

Štúdia hodnotila dva predtým opísané modely strojového učenia: jeden s použitím údajov hlásených pacientmi z Michigan Genomics Initiative (MGI) a jeden založený na údajoch o poistných nárokoch. Modely boli najskôr hodnotené na veľkej vzorke pacientov všeobecnej chirurgie, potom u pacientov podstupujúcich operáciu ruky, ako napr karpálny tunel alebo operácia zlomeniny zápästia.

Štúdia sa zamerala na to, či modely strojového učenia dokážu predpovedať, u ktorých pacientov sa vyvinie trvalé užívanie opiátov, na základe receptov vyplnených až šesť mesiacov po operácii. Model MGI zahŕňal 889 pacientov, z ktorých asi polovica už predtým užívala opiáty. Model nárokov bol obmedzený na 439 pacientov „nenaivných“ opiátmi bez nedávneho užívania opiátov.

V modeli MGI, ktorý zahŕňal predchádzajúcich užívateľov opiátov, sa u 21 % pacientov vyvinulo pretrvávajúce užívanie opiátov. V modeli poistných udalostí, ktorý vylúčil predchádzajúcich užívateľov opiátov, 10 % pacientov trvalo užívalo opiáty.

Pri analýze „plochy pod krivkou“ model MGI fungoval veľmi dobre pri identifikácii pacientov s pretrvávajúcim užívaním opiátov: 84 % v modeli trénovanom na údajoch o chirurgických zákrokoch na ruke a 85 % v populácii bežnej chirurgie. Naopak, v modeli nárokov bola prediktívna schopnosť 69 % na základe údajov o operácii ruky a iba 52 % v celom súbore údajov.

Strojové učenie môže zefektívniť hodnotenie pooperačného rizika opiátov

V modeli MGI bol predpis opioidov pred operáciou najsilnejším prediktorom pooperačného užívania opioidov. Ďalšie prediktívne faktory zahŕňali celkovú bolesť tela a predpisovanie hydrokodónu – relatívne silného opioidu, ktorý sa bežne predpisuje na pooperačnú bolesť.

Tak ako pri iných typoch chirurgických zákrokov, pretrvávajúce užívanie opiátov predstavuje riziko pre pacientov podstupujúcich operáciu ruky. Aj keď niektoré rizikové faktory Ak boli identifikované, hodnotenie pooperačného rizika opiátov je náročný a časovo náročný proces vzhľadom na rôznorodosť populácie pacientov a rozdiely v zložitosti postupov. Nová štúdia naznačuje, že strojové učenie môže poskytnúť integrovanejší a priamočiarejší prístup k identifikácii vysokorizikových pacientov.

Modely zahŕňajúce údaje o faktoroch, ako sú bolesť a duševné zdravie— ako tie, ktoré sú zhromaždené v MGI — ponúkajú najvyššiu prediktívnu hodnotu.

„S prístupom ku komplexným súborom údajov má strojové učenie potenciál zefektívniť identifikáciu a analýzu podrobných faktorov, ktoré ovplyvňujú pooperačné bolesti pacientov,“ píšu vedci.

Autori poznamenávajú niektoré obmedzenia svojej štúdie, ktoré nemusia odrážať zmeny v predpisovaní liekov v reakcii na opioid epidémia. Dr. Chung a spoluautori uzatvárajú: „V praxi by sa tieto modely mohli implementovať ako nástroje na podporu rozhodovania, ktoré pomôžu lekárom efektívne identifikovať pacientov, ktorí sú najzraniteľnejší voči závislosti a potrebujú prispôsobenú liečbu bolesti alebo poradenstvo.“