Ένα αυτοματοποιημένο σύστημα αναγνώρισης πόνου που χρησιμοποιεί τεχνητή νοημοσύνη (AI) υπόσχεται ως αμερόληπτη μέθοδος για την ανίχνευση του πόνου σε ασθενείς πριν, κατά τη διάρκεια και μετά την 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 Πόνου Κριτικής Φροντίδας (CPOT) – όπου οι επαγγελματίες υγείας αξιολογούν τον πόνο του ασθενούς με βάση:
- την έκφραση του προσώπου,
- επίσης την κίνηση του σώματος,
- και την μυϊκή ένταση.
Το αυτοματοποιημένο σύστημα αναγνώρισης πόνου χρησιμοποιεί δύο μορφές τεχνητής νοημοσύνης, την όραση υπολογιστή (που δίνει στον υπολογιστή «μάτια») και τη βαθιά μάθηση, ώστε να μπορεί να ερμηνεύει τα οπτικά στοιχεία για να αξιολογήσει τον πόνο των ασθενών. «Τα παραδοσιακά εργαλεία αξιολόγησης του πόνου μπορούν να επηρεαστούν από φυλετικές και πολιτισμικές προκαταλήψεις, με δυνητικά ως αποτέλεσμα κακή διαχείριση του πόνου και χειρότερα αποτελέσματα για την υγεία».
Αυτό δήλωσε ο Timothy Heintz, B.S., επικεφαλής συγγραφέας της μελέτης και τεταρτοετής φοιτητής ιατρικής στο Πανεπιστήμιο της Καλιφόρνια San. Ντιέγκο. “Επιπλέον, υπάρχει ένα κενό στην περιεγχειρητική φροντίδα λόγω της απουσίας συνεχών παρατηρήσιμων μεθόδων για την ανίχνευση του πόνου. Το μοντέλο τεχνητής νοημοσύνης απόδειξης της ιδέας θα μπορούσε να βοηθήσει στη βελτίωση της φροντίδας των ασθενών μέσω της αμερόληπτης ανίχνευσης του πόνου σε πραγματικό χρόνο.”
Η έγκαιρη αναγνώριση και αποτελεσματική θεραπεία του πόνου έχει αποδειχθεί ότι μειώνει τη διάρκεια της παραμονής στο νοσοκομείο και αποτρέπει μακροχρόνιες παθήσεις υγείας όπως ο χρόνιος πόνος, το άγχος και η κατάθλιψη. Οι ερευνητές παρείχαν στο μοντέλο AI 143.293 εικόνες προσώπου από 115 επεισόδια πόνου και 159 επεισόδια χωρίς πόνο σε 69 ασθενείς που είχαν ένα ευρύ φάσμα εκλεκτικών χειρουργικών επεμβάσεων, από αντικαταστάσεις γόνατος και ισχίου έως πολύπλοκες καρδιοχειρουργικές επεμβάσεις.
Οι ερευνητές δίδαξαν τον υπολογιστή παρουσιάζοντάς του με κάθε ακατέργαστη εικόνα προσώπου και λέγοντάς του εάν αντιπροσώπευε ή όχι πόνο, και άρχισε να εντοπίζει μοτίβα. Χρησιμοποιώντας χάρτες θερμότητας, οι ερευνητές διέκριναν ότι ο υπολογιστής εστίαζε στις εκφράσεις του προσώπου και στους μύες του προσώπου σε ορισμένες περιοχές του προσώπου, ιδιαίτερα στα φρύδια, τα χείλη και τη μύτη. Μόλις του παρασχέθηκαν αρκετά παραδείγματα, χρησιμοποίησε τη γνώση που έμαθε για να κάνει προβλέψεις πόνου.
Το αυτοματοποιημένο σύστημα αναγνώρισης πόνου με τεχνητή νοημοσύνη ευθυγραμμισμένο με τα αποτελέσματα CPOT το 88% του χρόνου και με το VAS το 66% των περιπτώσεων. “Το VAS είναι λιγότερο ακριβές σε σύγκριση με το CPOT επειδή το VAS είναι μια υποκειμενική μέτρηση που μπορεί να επηρεαστεί περισσότερο από συναισθήματα και συμπεριφορές από ό,τι το CPOT”, είπε ο Heintz. «Ωστόσο, τα μοντέλα μας ήταν σε θέση να προβλέψουν το VAS σε κάποιο βαθμό, υποδεικνύοντας ότι υπάρχουν πολύ λεπτές ενδείξεις ότι το σύστημα AI μπορεί να εντοπίσει ότι οι άνθρωποι δεν μπορούν».
Εάν τα ευρήματα επικυρωθούν, αυτή η τεχνολογία μπορεί να είναι ένα πρόσθετο εργαλείο που θα μπορούσαν να χρησιμοποιήσουν οι γιατροί για να βελτιώσουν τη φροντίδα 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 εκτιμηθεί ο πόνος των ασθενών —ακόμα και εκείνων που είναι αναίσθητοι— με λήψη 15 εικόνων ανά δευτερόλεπτο.
Αυτό επίσης θα απελευθέρωνε νοσηλευτές και επαγγελματίες υγείας – οι οποίοι κατά διαστήματα χρειάζονται χρόνο για να αξιολογήσουν τον πόνο του ασθενούς – να επικεντρωθούν σε άλλους τομείς φροντίδας. Οι ερευνητές θα συνεχίσουν να ενσωματώνουν άλλες μεταβλητές όπως η κίνηση και ο ήχος στο μοντέλο. Οι ανησυχίες σχετικά με το απόρρητο θα πρέπει να αντιμετωπιστούν για να διασφαλιστεί ότι οι εικόνες των ασθενών διατηρούνται ιδιωτικές. Αλλά το σύστημα θα μπορούσε τελικά να περιλαμβάνει άλλα χαρακτηριστικά παρακολούθησης, όπως η δραστηριότητα του εγκεφάλου και των μυών για την αξιολόγηση των αναίσθητων ασθενών.