تحديد المعرضين لخطر الألم المستمر بعد الجراحة.. ما دور الذكاء الاصطناعي؟

أحد المضاعفات الجراحية الأكثر شيوعا هو الألم بعد العملية الجراحية والذي يستمر لفترة طويلة بعد التئام الشق الجراحي.

الألم بعد العملية الجراحية يصيب ما بين 10% إلى 35% من حوالي 300 مليون شخص في جميع أنحاء العالم يخضعون لعملية جراحية سنويا.

لا يزال سبب هذا الألم المستمر بعد الجراحة غير واضح، وقد يصعب تحليل تشابك عوامل الخطر.

لا ينشأ الألم من الصدمة الجراحية فحسب، بل أيضًا من مزيج معقد من التفاعلات بين الجهازين العصبيين المحيطي والمركزي، والجهاز المناعي، والقدرة العاطفية والإدراكية للشخص على معالجة الألم.

هنا يأتي دور التعلم الآلي، فباستخدام البيانات المُجمعة قبل الجراحة، تستطيع خوارزميات التعلم الآلي تحليل العوامل المؤثرة للتنبؤ بمن سيعاني من ألم مستمر بعد الجراحة.

وكانت التجارب السريرية السابقة لمنع هذا الألم غير ناجحة عند محاولة التخفيف من عوامل الخطر الفردية في مجموعة متنوعة للغاية من المرضى الجراحيين.

قال سيمون هاروتونيان، أستاذ التخدير في كلية الطب بجامعة واشنطن في سانت لويس: "الألم المستمر بعد الجراحة معقد للغاية".

وأضاف أنه لا توجد صيغة واحدة لتحديد مخاطر الفرد.

قال هاروتونيان: "الأمر ليس بسيطًا، حيث نجمع بعض القياسات ونبني ملفًا دقيقًا للمخاطر، وهنا نأمل حقًا أن يُقدم التعلم الآلي ميزة، من خلال تحديد بعض العوامل الصغيرة التي تُسهم في مخاطر الفرد".

في بحث نُشر في وقائع الجمعية الأمريكية للحاسبات الآلية (ACM) حول التقنيات التفاعلية والمتنقلة والقابلة للارتداء والمنتشرة، يشرح لو وفريقه كيف يُمكن للتعلم الآلي أن يُساعد الأطباء في توجيههم نحو الوقاية من الألم المزمن بعد العمليات الجراحية، والأهم من ذلك، أن النظام لا يتنبأ فقط بمن يُحتمل أن يُصاب بهذا الألم، بل يُقدم أيضًا تقديرات عدم يقين لكل تنبؤ.

إن القدرة على التعبير الفعال عن حالة عدم اليقين تُحدث فرقًا كبيرًا في توجيه قرارات الطبيب.

لم يكتفِ لو وفريقه بضمان القدرة على التنبؤ بمخاطر المريض، بل أرادوا أيضًا تضمين مدى ثقة الذكاء الاصطناعي في تقدير هذه المخاطر، لذا طوروا نموذج تعلم آلي "يراعي عدم اليقين".

تفاصيل الدراسة

سجّل الفريق 780 مريضًا للمشاركة في دراستهم.

طُلب من المشاركين ملء سلسلة من أسئلة الاستبيان اليومية المُرسَلة إلى هواتفهم الذكية قبل أيام أو أسابيع من الجراحة.

لم يُخصِّص جميع المرضى الوقت الكافي لملء الاستبيانات بالكامل، لذا أُخذت البيانات الناقصة في الاعتبار عند تقديرات عدم اليقين.

ثم جمع لو نتائج المسح مع معلومات سريرية، مثل التاريخ الصحي للمريض ونتائج المختبر وغيرها.

طوّر فريقه نموذجًا جديدًا يُقدّم تقديرًا لعدم اليقين، يعتمد جزئيًا على كمية البيانات التي قدّمها المريض والعوامل الفردية في تقييم المخاطر.

قد يُشير النموذج إلى أن احتمالية إصابة المريض س بألم مستمر تبلغ 30%، ولكن احتمالية "عدم اليقين" في هذا التقدير تبلغ 50%.

في هذه الحالة، سيحتاج الطبيب إلى مزيد من البحث والاستفادة من خبرته السريرية لمساعدة المريض على اتخاذ أفضل خيار لإدارة ألمه.

وقال لو إن دمج النموذج في عملية دعم القرار السريري هو الخطوة التالية في البحث.

يريد الأطباء أن يتمكنوا من التنبؤ بمن سيعاني من ألم مستمر بعد الجراحة باستخدام البيانات، ولكن الأهم من ذلك.

وأضاف لو، "نريد أيضًا فهم السبب، من المهم فهم العلاقة السببية، ومن ثم يمكننا تطوير التدخلات العلاجية".

يمكن أن يساعد التعلم الآلي عملية الاكتشاف هذه في تحديد المتغيرات الأكثر ارتباطًا بالألم المستمر، وهي المعلومات التي يمكن أن توجه التجارب السريرية بشكل أفضل.

بالنسبة لبعض المرضى، فإن أسباب خطر الألم بعد الجراحة هي سلوكية أكثر، ويمكن أن تقدم تدخلات العلاج السلوكي المعرفي حلولاً.

لكن قد يعاني مرضى آخرون من الألم نتيجةً لاضطراب الاستجابة المناعية للجراحة، وفي هذه الحالات، قد لا تكفي أساليب العلاج السلوكي المعرفي.

وقد أشار لو إلى ضرورة تحويل التركيز نحو التدخلات التي تُغيّر الاستجابة المناعية أو الالتهابية للجراحة.

ومع استمرار الفريق في اختبار خوارزميته التنبؤية، ستكون الخطوة التالية هي تطوير تدخلات شخصية تعتمد على ملف المخاطر الخاص بكل مريض.

وأضاف هاروتونيان أن فهم ما يساهم في الضعف أو مقاومة الألم بعد الجراحة - واختبار الأساليب لمعالجة هذه المخاطر - يمكن أن يحدث في نهاية المطاف فرقًا كبيرًا في تحديد من وكم من الناس يعانون من الألم.