W badaniu wykorzystano sztuczną inteligencję do klasyfikacji archetypów bólu u pacjentów po endoprotezoplastyce stawu kolanowego
Badanie wykorzystujące sztuczną inteligencję do klasyfikacji archetypów bólu u pacjentów i określania ryzyka wystąpienia silnego bólu po endoprotezoplastyce stawu kolanowego otrzymało nagrodę za najlepsze spotkanie na 50. dorocznym spotkaniu Amerykańskiego Towarzystwa Znieczulenia Regionalnego i Medycyny Bólu (ASRA). Wyróżnienie, będące wyrazem doskonałości w badaniach naukowych, przyznawane jest trzem z 10 najwyżej ocenionych abstraktów wybranych przez Komitet ds. Badań ASRA. To zaszczyt, że jedna z czołowych organizacji zawodowych w dziedzinie znieczulenia regionalnego i medycyny bólu podkreśla współpracę z Centrum Badań nad Profilaktyką Bólu naszego oddziału. Nagroda odzwierciedla nasze zaangażowanie w innowacje w...
W badaniu wykorzystano sztuczną inteligencję do klasyfikacji archetypów bólu u pacjentów po endoprotezoplastyce stawu kolanowego
Badanie wykorzystujące sztuczną inteligencję do klasyfikacji archetypów bólu u pacjentów i określania ryzyka wystąpienia silnego bólu po endoprotezoplastyce stawu kolanowego otrzymało nagrodę za najlepsze spotkanie na 50. dorocznym spotkaniu Amerykańskiego Towarzystwa Znieczulenia Regionalnego i Medycyny Bólu (ASRA). Wyróżnienie, będące wyrazem doskonałości w badaniach naukowych, przyznawane jest trzem z 10 najwyżej ocenionych abstraktów wybranych przez Komitet ds. Badań ASRA.
To zaszczyt, że jedna z czołowych organizacji zawodowych w dziedzinie znieczulenia regionalnego i medycyny bólu podkreśla współpracę z Centrum Badań nad Profilaktyką Bólu naszego oddziału. Nagroda odzwierciedla nasze zaangażowanie w innowacje w opiece nad pacjentem i podkreśla uznanie naszych wysiłków przez szerszą społeczność naukową. „
Doktor Alexandra Sideris, dyrektor Centrum Badań nad Zapobieganiem Bólowi w HSS
Każdego roku w Stanach Zjednoczonych ponad milion osób poddaje się operacji wymiany stawu kolanowego, a liczba ta stale rośnie, zdecydowanie dr Sideris. „Istnieje potrzeba lepszego zrozumienia indywidualnych trajektorii bólu u pacjentów, a jednym z najbardziej ekscytujących podejść jest wykorzystanie sztucznej inteligencji. Dzięki naszej ogromnej bazie danych pacjentów w HSS, uczenie maszynowe może analizować takie czynniki, jak wiek, płeć, BMI i wcześniejszy poziom bólu, aby przewidzieć, którzy pacjenci są bardziej narażeni na ryzyko wystąpienia bólu” – powiedziała. Dzięki tym informacjom zespół opiekuńczy może dostosować spersonalizowane plany leczenia bólu do potrzeb pacjenta.
Badacze z HSS mieli kilka celów: wykorzystanie uczenia maszynowego do identyfikacji archetypów bólu po całkowitej alloplastyce stawu kolanowego. Określić cechy istotne dla przewidywania skutków bólu; i klasyfikować pacjentów z grupy ryzyka wystąpienia silnego bólu w bezpośrednim okresie pooperacyjnym. Do badania retrospektywnego włączono 17 200 pacjentów, u których wykonano całkowitą endoprotezoplastykę stawu kolanowego w HSS od 1 kwietnia 2021 r. do 31 października 2024 r.
„Korzystając z uczenia maszynowego bez nadzoru, zidentyfikowaliśmy dwa różne archetypy bólu u pacjentów poddawanych całkowitej alloplastyce stawu kolanowego. Odpowiadały one pacjentom, u których po operacji wystąpił silny, trudny do opanowania ból i których ból był stosunkowo dobrze kontrolowany” – wyjaśnił Justin Chew, lekarz medycyny, doktor nauk medycznych. W naszym badaniu do czynników ryzyka należał młodszy wiek, większe upośledzenie fizyczne/umysłowe, wyższe BMI oraz przedoperacyjne stosowanie opioidów lub gabapentynoidów. „
Dr Sideris zauważa, że trwające i przyszłe badania w HSS będą w dalszym ciągu wykorzystywać sztuczną inteligencję do poprawy wyników leczenia pacjentów. Chociaż wielokrotnie nagradzane badanie skupiało się na bezpośrednim okresie pooperacyjnym, powiedziała, że dodatkowe badania będą śledzić postęp bólu i powrót do zdrowia u pacjentów w dłuższych okresach, aby określić, jakie strategie lekarze mogą zastosować przed operacją, w trakcie operacji i w okresie bezpośrednio po operacji, aby złagodzić ból u pacjentów wysokiego ryzyka.
Źródła: