人工智能预测风险最高的患者严重疼痛,增加阿片类药物使用对象

人工智能(AI)中使用机器学习模型可以预测哪些病人手术后疼痛的风险最高,并帮助确定谁最受益于个性化的使用为靶标的替代品的疼痛管理计划,最新研究表明在2020年会麻醉学。

有些病人经历更多剧烈的疼痛后手术和需要更高剂量的阿片类药物的时间更长,从而增加他们的风险阿片样物质滥用障碍。通过了解哪些病人术后严重发生的风险更高疼痛使用为靶标,医生麻醉师可以创建一个麻醉计划替代能源作为神经块,和其他硬膜外注射药物更有效地解决疼痛和减少阿片类药物的需求。

目前医生使用费时的问卷调查来确定病人患严重的术后疼痛,询问他们的历史焦虑,睡眠质量和抑郁。在这项研究中,研究人员要求更快,更有效的使用机器学习方法,在基于数据的系统学习和发展。他们创造了三种机器学习模型,分析病人的电子病历,发现年轻的年龄、身体质量指数较高,女性性别,之前已存在的痛苦和阿片类药物使用的最有预测力的因素是术后疼痛。

“我们计划与我们的集成模型电子医疗记录提供一个预测每个病人的术后疼痛,“Mieke a . Soens说,医学博士该研究的第一作者,麻醉师布莱根妇女医院和哈佛医学院麻醉学讲师,波士顿。“如果高危病人确定为严重的术后疼痛,医生麻醉师可以调整病人的麻醉计划最大化为靶标的疼痛管理策略,减少术后阿片类药物的必要性。”

在两部分的研究中,研究人员观察了5944患者的数据各种手术,包括胆囊切除、子宫切除、髋关节置换和前列腺手术。其中,1287名(22%)摄入90毫克当量吗啡(MME)在第一个24小时手术后,这被认为是高剂量。在第一部分的研究中,他们使用了163潜在的因素来预测高疼痛对象,基于文献检索和咨询专家。从那里他们创建三个机器学习算法模型(后勤回归,随机森林和人工神经网络)开采的病人的医疗记录和163年的预测因素则被削减为那些最为准确预测病人的手术后疼痛严重程度和潜在的阿片类药物的需求。

在第二部分中,他们比较了模型预测实际阿片类药物使用相同的病人。他们决定这三个模型有相似的总体预测精度:81%物流回归和随机森林方法和人工神经网络为80%。这意味着模型准确地识别,人们更有可能产生严重的痛苦和需要更高剂量的阿片类药物约80%的时间。

“电子医疗记录是一个有价值的和未充分利用的病人数据来源,可以使用有效地提高患者的生活,“Soens博士说。“选择性识别病人手术后通常需要高剂量的阿片类药物有助于减少阿片类药物滥用是重要的。”

---

---