ایسنا/ یک گروه پژوهشی از دانشمندان هوش مصنوعی و پزشکان برای درک این که چه کسی در معرض خطر درد مداوم پس از جراحی قرار دارد، با یکدیگر همکاری می‌کنند.

 یکی از شایع‌ترین عوارض جراحی، درد پس از عمل است که مدت‌ها پس از بهبود برش جراحی ادامه می‌یابد و سالانه بین ۱۰ تا ۳۵ درصد از ۳۰۰ میلیون نفری را که در سراسر جهان تحت عمل جراحی قرار می‌گیرند، تحت تأثیر قرار می‌دهد.

به نقل از یورک الرت، دلیل این درد مداوم پس از جراحی هنوز مشخص نیست. تحلیل پیچیدگی عوامل خطر، دشوار است. درد نه تنها از آسیب جراحی، بلکه از یک ترکیب پیچیده تعاملات بین سیستم‌های عصبی محیطی و مرکزی، سیستم ایمنی و توانایی عاطفی و شناختی شخص برای پردازش درد نیز ناشی می‌شود.

اینجاست که یادگیری ماشینی وارد عمل می‌شود. الگوریتم‌های یادگیری ماشینی با داده‌های جمع‌آوری‌شده پیش از عمل جراحی می‌توانند عوامل متعدد دخیل در درد را از هم تفکیک کنند تا پیش‌بینی کنند که چه کسی احتمالاً با درد مداوم پس از جراحی روبه‌رو خواهد شد.

آزمایش‌های بالینی پیشین برای جلوگیری از درد پس از جراحی، در تلاش برای کاهش عوامل خطر فردی در جمعیت بسیار متنوعی از بیماران جراحی‌شده، ناموفق بوده‌اند.

«سیمون هاروتونیان»(Simon Haroutounian) استاد بیهوشی دانشکده پزشکی «دانشگاه واشنگتن در سنت لوئیس» گفت: درد مداوم پس از جراحی، بسیار پیچیده است. هیچ فرمول واحدی برای تعیین خطر ابتلای یک شخص به این نوع درد وجود ندارد. این یک فرمول ساده‌ ۱ + ۱ نیست که در آن چند معیار را جمع‌آوری کنیم و مشخصات دقیقی را برای خطر بسازیم. اینجاست که واقعاً امیدواریم یادگیری ماشینی بتواند مزیتی را به همراه بیاورد و برخی از عوامل کوچک‌تر دخیل در خطر ابتلای یک شخص را به درد پس از جراحی مشخص کند.

این گروه پژوهشی در مقاله پژوش خود توضیح داده‌اند که چگونه یادگیری ماشینی می‌تواند به پزشکانی که به دنبال جلوگیری از درد مداوم پس از جراحی هستند، کمک کند. مهم‌تر از همه، این سیستم نه تنها پیش‌بینی می‌کند که چه کسی احتمالاً به آن درد مبتلا می‌شود، بلکه تخمین‌های عدم قطعیت را برای هر پیش‌بینی ارائه می‌دهد.

توانایی انتقال مؤثر عدم قطعیت می‌تواند تفاوت زیادی را در هدایت تصمیمات پزشک ایجاد کند. «چنیانگ لو»(Chenyang Lu)، سرپرست این پژوهش و گروهش نه تنها توانایی پیش‌بینی خطر را می‌خواستند، بلکه قصد داشتند میزان اطمینان هوش مصنوعی را در تخمین خطر نیز در نظر بگیرند. بنابراین، آنها یک مدل یادگیری ماشینی آگاه از عدم قطعیت را ارائه دادند. «زیکی شو»(Ziqi  Xu)، دانشجوی مقطع دکتری آزمایشگاه لو و پژوهشگر ارشد این پروژه گفت: این ویژگی به مدل‌ها کمک می‌کند تا بگویند «من نمی‌دانم» و آن عدم قطعیت را کمّی کنند.

به گفته لو، یک مشکل رایج در سیستم‌های پشتیبانی تصمیم‌گیری بالینی مبتنی بر هوش مصنوعی این است که آنها پاسخ بله یا خیر را ارائه می‌دهند، اما هیچ جزئیاتی را درباره میزان اطمینان دستگاه به آن پاسخ ندادند. او این ویژگی را با استفاده از برنامه‌های هوش مصنوعی مولد مانند «چت‌جی‌پی‌تی» (ChatGPT) مقایسه کرد و دریافت که این سیستم می‌تواند در پاسخ به دستورات، مطمئن عمل کند؛ حتی اگر به توهم دچار شده باشد.

با وجود این، پزشکان باید سطح عدم قطعیت را درباره پیش‌بینی‌ها بدانند تا بتوانند از دانش خود برای تصمیم‌گیری بهتر استفاده کنند. انسان‌ها و سیستم‌های یادگیری ماشینی قرار است به عنوان یک گروه کار کنند و وقتی عدم قطعیت به یک شیوه‌ تنظیم‌شده منتقل نشود، می‌تواند مشکلاتی را ایجاد کند.

هاروتونیان گفت: درک این که چه چیزی در آسیب‌پذیری یا مقاومت در برابر درد پس از جراحی نقش دارد و آزمایش رویکردهایی برای مقابله با این خطرات در نهایت می‌تواند تفاوت زیادی را در این که چه کسی و چه تعداد از افراد از درد رنج می‌برند، ایجاد کند.

این پژوهش در مجله «IMWUT» به چاپ رسید.