به گزارش پایگاه اطلاع‌رسانی بنیان، مطالعه‌ای با بررسی داده‌های 16,368 بیمار مبتلا به سرطان ریه (11,458 مجموعه آموزشی، 4,910 مجموعه اعتبارسنجی) که بین سال‌های 2012 تا 2022 تحت جراحی قفسه سینه قرار گرفتند، عوامل پیش‌بینی‌کننده عوارض قلبی-عصبی پس از عمل (PCNC) را شناسایی کرد. با استفاده از مدل‌های یادگیری ماشینی (رگرسیون لجستیک، جنگل تصادفی، XGBoost، LightGBM، بیز ساده)، تحلیل رگرسیون لجستیک چندمتغیره نشان داد که سن، مدت جراحی، بلوک عصبی بین‌دنده‌ای، آنالژزی کنترل‌شده توسط بیمار (PCA)، استفاده از مسدودکننده برونش و سوفنتانیل عوامل مستقل PCNC هستند. مدل جنگل تصادفی با دقت پیش‌بینی بالا (AUC: 0.898 در مجموعه آموزشی، 0.752 در مجموعه اعتبارسنجی) بهترین عملکرد را داشت. نوموگرام پیش‌بینی‌کننده ساخته‌شده، با کالیبراسیون و تحلیل منحنی تصمیم‌گیری، کاربرد بالینی عالی را نشان داد. این مطالعه بر پتانسیل یادگیری ماشینی در کاهش PCNC تأکید می‌کند.

چالش عوارض پس از جراحی ریه
عوارض قلبی-عصبی پس از عمل (PCNC) مانند فیبریلاسیون دهلیزی و ایسکمی مغزی گذرا، از نگرانی‌های اصلی پس از جراحی قفسه سینه هستند که بر پیش‌آگهی، کیفیت زندگی و مرگ‌ومیر بیماران تأثیر می‌گذارند. این عوارض در جراحی پنومونکتومی به دلیل نزدیکی محل جراحی به قلب و هیپوکسی ناشی از تهویه یک‌طرفه ریه شایع‌ترند. مطالعه حاضر با استفاده از داده‌های 10 ساله، مدلی پیش‌بینی‌کننده برای شناسایی زودهنگام و کاهش PCNC ارائه کرده است، که می‌تواند به تصمیم‌گیری‌های بالینی هدفمند کمک کند.

اهمیت یادگیری ماشینی در پزشکی
روش‌های سنتی پیش‌بینی عوارض، مانند امتیازدهی خطر یا قضاوت بالینی، اغلب دقت محدودی دارند و نمی‌توانند تعاملات پیچیده متغیرها را در نظر بگیرند. یادگیری ماشینی، با توانایی تحلیل داده‌های بزرگ و کشف وابستگی‌های پنهان، دقت پیش‌بینی را بهبود می‌بخشد. این مطالعه از مدل‌های جنگل تصادفی، XGBoost، LightGBM، رگرسیون لجستیک و بیز ساده استفاده کرد که هر یک در پردازش تعاملات پیچیده و ارائه پیش‌بینی‌های قوی عملکرد متفاوتی دارند. نوموگرام نیز به‌عنوان ابزاری بصری برای پزشکان طراحی شد.

روش‌شناسی: رویکردی داده‌محور
داده‌های 16,368 بیمار از دو بخش بیمارستانی (A و B) بین سال‌های 2012 تا 2022 بررسی شدند. بیماران با سرطان ریه تأییدشده پاتولوژیک که تحت رزکسیون تومور ریه قرار گرفته بودند، وارد مطالعه شدند. بیماران با سوابق قبلی بیماری‌های قلبی-عصبی یا داده‌های ناقص کنار گذاشته شدند. اطلاعات از سوابق الکترونیکی جمع‌آوری و با تحلیل رگرسیون لجستیک و مدل‌های یادگیری ماشینی تحلیل شدند. اعتبارسنجی 10 برابری برای انتخاب بهترین مدل و کالیبراسیون با منحنی‌های ROC و تحلیل منحنی تصمیم‌گیری (DCA) انجام شد.

یافته‌ها: عوامل کلیدی PCNC
تحلیل رگرسیون لجستیک چندمتغیره نشان داد که سن (OR: 1.030) و مدت جراحی (OR: 1.003) عوامل خطر مستقل PCNC هستند، در حالی که بلوک عصبی بین‌دنده‌ای (OR: 0.091)، PCA اپیدورال و وریدی (OR: 0.452)، مسدودکننده برونش (OR: 0.553) و سوفنتانیل (OR: 0.988) عوامل محافظتی‌اند. مدل جنگل تصادفی با AUC 0.898 (مجموعه آموزشی) و 0.752 (مجموعه اعتبارسنجی) بهترین دقت را داشت. کالیبراسیون و DCA کاربرد بالینی بالای همه مدل‌ها را تأیید کردند، اما جنگل تصادفی به دلیل تعادل بین دقت و تعمیم‌پذیری برجسته بود.

نقش سوفنتانیل: یک دیدگاه جدید
برخلاف نگرانی‌های اخیر درباره اپیوئیدها، این مطالعه نشان داد که سوفنتانیل در دوز مناسب، به‌عنوان عامل محافظتی عمل می‌کند، احتمالاً با حفظ ثبات همودینامیک در حین عمل. این یافته با برخی مطالعات که اپیوئیدها را با عوارض منفی مرتبط می‌دانند، در تضاد است و بر اهمیت دوز و مدیریت دقیق توسط متخصصان بیهوشی تأکید دارد. این نتیجه می‌تواند در بازنگری پروتکل‌های بیهوشی بدون اپیوئید تأثیر بگذارد.

مزایای نوموگرام در بالین
نوموگرام طراحی‌شده، با ارائه پیش‌بینی بصری و ساده، به پزشکان امکان می‌دهد خطر PCNC را قبل از عمل ارزیابی کرده و مداخلات هدفمندی مانند بهینه‌سازی بیهوشی یا مدیریت درد را اعمال کنند. این ابزار، با دقت بالا و کاربرد بالینی تأییدشده، می‌تواند در طبقه‌بندی خطر بیماران و کاهش عوارض نقش مهمی ایفا کند، به‌ویژه در جراحی‌های پیچیده مانند پنومونکتومی.

محدودیت‌ها و جهت‌گیری‌های آینده
این مطالعه، اگرچه از داده‌های بزرگ بهره برد، به دلیل ماهیت آینده نگر و حذف بیماران با داده‌های ناقص، ممکن است تعمیم‌پذیری محدودی داشته باشد. نبود اعتبارسنجی خارجی و تمرکز بر یک بیمارستان نیز محدودیت‌هایی هستند. تحقیقات آینده باید داده‌های چندمرکزی و مدل‌های پیش‌بینی پویا را بررسی کنند تا دقت و کاربرد مدل‌ها را در جمعیت‌های متنوع‌تر بهبود دهند.

پیامدها برای مراقبت‌های بالینی
یافته‌های این مطالعه بر اهمیت شناسایی زودهنگام عوامل خطر مانند سن و مدت جراحی تأکید دارند. استفاده از بلوک عصبی بین‌دنده‌ای، PCA و مسدودکننده برونش می‌تواند به کاهش PCNC کمک کند. ادغام یادگیری ماشینی و نوموگرام در پروتکل‌های بالینی می‌تواند تصمیم‌گیری را بهبود بخشیده و کیفیت زندگی بیماران را پس از جراحی ارتقا دهد، به‌ویژه با کاهش عوارضی که اغلب نادیده گرفته می‌شوند.

پایان مطلب/.