Βρείτε μας στο Google News. Πατήστε εδώ!Τεχνητή Νοημοσύνη: Ένα αυτοματοποιημένο σύστημα αναγνώρισης πόνου που χρησιμοποιεί τεχνητή νοημοσύνη (AI) υπόσχεται μια αμερόληπτη μέθοδο για την ανίχνευση του πόνου των ασθενών πριν, κατά τη διάρκεια και μετά από χειρουργική επέμβαση, σύμφωνα με έρευνα που παρουσιάστηκε στην ετήσια συνάντηση ANESTHESIOLOGY 2023. Επί του παρόντος, χρησιμοποιούνται υποκειμενικές μέθοδοι για την αξιολόγηση του πόνου, συμπεριλαμβανομένης της οπτικής αναλογικής κλίμακας (VAS) -όπου οι ασθενείς βαθμολογούν τον πόνο τους- και του εργαλείου παρατήρησης του πόνου στην εντατική φροντίδα (CPOT) -όπου οι επαγγελματίες υγείας βαθμολογούν τον πόνο του ασθενούς με βάση την έκφραση του προσώπου, την κίνηση του σώματος και τη μυϊκή ένταση.
Το αυτοματοποιημένο σύστημα αναγνώρισης πόνου χρησιμοποιεί δύο μορφές τεχνητής νοημοσύνης, την όραση του υπολογιστή (που δίνει στον υπολογιστή “μάτια”) και τη βαθιά μάθηση, ώστε να μπορεί να ερμηνεύει τις οπτικές εικόνες για να αξιολογεί τον πόνο των ασθενών. “Τα παραδοσιακά εργαλεία αξιολόγησης του πόνου μπορεί να επηρεάζονται από φυλετικές και πολιτισμικές προκαταλήψεις, με αποτέλεσμα ενδεχομένως να οδηγούν σε κακή διαχείριση του πόνου και χειρότερα αποτελέσματα στην υγεία”, δήλωσε ο Timothy Heintz, B.S., επικεφαλής συγγραφέας της μελέτης και τεταρτοετής φοιτητής ιατρικής στο Πανεπιστήμιο της Καλιφόρνια στο Σαν Ντιέγκο. “Επιπλέον, υπάρχει ένα κενό στην περιεγχειρητική φροντίδα λόγω της απουσίας συνεχών παρατηρήσιμων μεθόδων για την ανίχνευση του πόνου. Το μοντέλο τεχνητής νοημοσύνης που διαθέτουμε για την απόδειξη της έννοιας θα μπορούσε να συμβάλει στη βελτίωση της φροντίδας των ασθενών μέσω της αμερόληπτης ανίχνευσης πόνου σε πραγματικό χρόνο”. Η έγκαιρη αναγνώριση και η αποτελεσματική αντιμετώπιση του πόνου έχει αποδειχθεί ότι μειώνουν τη διάρκεια παραμονής στο νοσοκομείο και προλαμβάνουν μακροχρόνιες καταστάσεις υγείας, όπως ο χρόνιος πόνος, το άγχος και η κατάθλιψη. Οι ερευνητές παρείχαν στο μοντέλο τεχνητής νοημοσύνης 143.293 εικόνες προσώπου από 115 επεισόδια πόνου και 159 επεισόδια χωρίς πόνο σε 69 ασθενείς που υποβλήθηκαν σε ένα ευρύ φάσμα εκλεκτικών χειρουργικών επεμβάσεων, από αντικαταστάσεις γόνατος και ισχίου έως πολύπλοκες καρδιοχειρουργικές επεμβάσεις. Οι ερευνητές δίδαξαν τον υπολογιστή παρουσιάζοντάς του κάθε ακατέργαστη εικόνα προσώπου και λέγοντάς του αν αντιπροσώπευε ή όχι πόνο, και άρχισε να αναγνωρίζει μοτίβα. Χρησιμοποιώντας θερμικούς χάρτες, οι ερευνητές διαπίστωσαν ότι ο υπολογιστής εστίαζε στις εκφράσεις του προσώπου και στους μύες του προσώπου σε ορισμένες περιοχές του προσώπου, ιδίως στα φρύδια, τα χείλη και τη μύτη. Μόλις του δόθηκαν αρκετά παραδείγματα, χρησιμοποίησε τη γνώση που έμαθε για να κάνει προβλέψεις για τον πόνο. Το σύστημα αυτόματης αναγνώρισης πόνου με τεχνητή νοημοσύνη ευθυγραμμίστηκε με τα αποτελέσματα του εργαλείου παρατήρησης του πόνου στην εντατική φροντίδα CPOT στο 88% των περιπτώσεων και με τη VAS στο 66% των περιπτώσεων. “Η οπτική αναλογική κλίμακα VAS είναι λιγότερο ακριβής σε σύγκριση με το εργαλείο παρατήρησης του πόνου στην εντατική φροντίδα CPOT επειδή η VAS είναι μια υποκειμενική μέτρηση που μπορεί να επηρεαστεί περισσότερο από τα συναισθήματα και τις συμπεριφορές απ’ ό,τι μπορεί να είναι το CPOT”, δήλωσε ο Heintz. “Ωστόσο, τα μοντέλα μας ήταν σε θέση να προβλέψουν τη VAS σε κάποιο βαθμό, υποδεικνύοντας ότι υπάρχουν πολύ λεπτές ενδείξεις που μπορεί να εντοπίσει το σύστημα AI, τις οποίες δεν μπορούν να εντοπίσουν οι άνθρωποι”.
Εάν τα ευρήματα επικυρωθούν, η τεχνολογία αυτή μπορεί να αποτελέσει ένα πρόσθετο εργαλείο που θα μπορούσαν να χρησιμοποιήσουν οι γιατροί για τη βελτίωση της φροντίδας των ασθενών. Για παράδειγμα, οι κάμερες θα μπορούσαν να τοποθετηθούν στους τοίχους και τις οροφές της αίθουσας χειρουργικής ανάνηψης (μονάδα φροντίδας μετά την αναισθησία) για να αξιολογούν τον πόνο των ασθενών – ακόμη και εκείνων που είναι αναίσθητοι – λαμβάνοντας 15 εικόνες ανά δευτερόλεπτο. Αυτό θα απελευθέρωνε επίσης τους νοσηλευτές και τους επαγγελματίες υγείας -οι οποίοι κατά διαστήματα αφιερώνουν χρόνο για να αξιολογήσουν τον πόνο του ασθενούς- ώστε να επικεντρωθούν σε άλλους τομείς της περίθαλψης. Οι ερευνητές σκοπεύουν να συνεχίσουν να ενσωματώνουν στο μοντέλο και άλλες μεταβλητές, όπως η κίνηση και ο ήχος. Θα πρέπει να αντιμετωπιστούν οι ανησυχίες σχετικά με την προστασία της ιδιωτικής ζωής, ώστε να διασφαλιστεί ότι οι εικόνες των ασθενών θα παραμείνουν ιδιωτικές, αλλά το σύστημα θα μπορούσε τελικά να συμπεριλάβει και άλλα χαρακτηριστικά παρακολούθησης, όπως η εγκεφαλική και μυϊκή δραστηριότητα για την αξιολόγηση ασθενών που βρίσκονται σε αναίσθητη κατάσταση, είπε.
Παρέχεται από την Αμερικανική Εταιρεία Αναισθησιολόγων
