Każdego roku miliony pacjentów poddawanych jest różnym zabiegom chirurgicznym. Niestety, okres pooperacyjny wiąże się z ryzykiem poważnych powikłań, takich jak zapalenie płuc, zakrzepy krwi czy infekcje, które mogą prowadzić do dłuższego pobytu w szpitalu, większych kosztów leczenia, a w skrajnych przypadkach – nawet do śmierci. Statystyki wskazują, że ponad 10% pacjentów po operacjach doświadcza komplikacji, co znacząco wpływa na ich zdrowie i jakość dalszego leczenia. Dlatego kluczowe staje się jak najwcześniejsze identyfikowanie osób znajdujących się w grupie podwyższonego ryzyka, jednak przewidywanie tych zagrożeń wciąż pozostaje poważnym wyzwaniem dla współczesnej medycyny.
Nowoczesne technologie, w tym sztuczna inteligencja (AI) i modele językowe (LLM), otwierają nowe perspektywy w analizie ryzyka chirurgicznego. Badania przeprowadzone przez zespół naukowców pod kierownictwem profesora Chenyanga Lu z Washington University w St. Louis wskazują, że specjalistyczne modele AI mogą znacznie skuteczniej prognozować powikłania pooperacyjne w porównaniu do tradycyjnych metod analizy danych medycznych. Wyniki tych badań, opublikowane w czasopiśmie npj Digital Medicine, dowodzą, że sztuczna inteligencja trenowana na podstawie przedoperacyjnych ocen i notatek klinicznych może skutecznie wspierać lekarzy w wykrywaniu ryzyka i podejmowaniu odpowiednich interwencji.
„Chirurgia wiąże się ze znacznym ryzykiem i kosztami, a notatki kliniczne są skarbnicą cennych informacji dostarczanych przez zespół medyczny. Nasz model językowy, stworzony specjalnie do analizy dokumentacji chirurgicznej, pozwala na wczesne i dokładne przewidywanie powikłań pooperacyjnych. Dzięki temu lekarze mogą szybciej reagować i poprawiać bezpieczeństwo oraz wyniki leczenia pacjentów.”
Chenyang Lu, profesor informatyki i inżynierii komputerowej, dyrektor Instytutu AI dla Zdrowia (AIHealth)
Dotychczasowe metody przewidywania ryzyka opierały się głównie na analizie ustrukturyzowanych danych medycznych, takich jak wyniki badań laboratoryjnych, historia choroby, długość trwania operacji czy doświadczenie chirurgów. Chociaż tego rodzaju informacje są niezwykle istotne, mogą nie oddawać w pełni złożoności stanu zdrowia pacjenta i innych istotnych czynników, które mogą wpłynąć na przebieg rekonwalescencji. Znaczna część kluczowych danych znajduje się w opisowych notatkach sporządzanych przez lekarzy, które zawierają bardziej szczegółową i kontekstową wiedzę o stanie pacjentów.
W ramach przeprowadzonych badań naukowcy wykorzystali zaawansowane modele językowe trenowane na podstawie publicznie dostępnej literatury medycznej oraz elektronicznych kart pacjentów. Następnie dopracowali modele poprzez ich dostosowanie do analizy notatek chirurgicznych, co pozwoliło na precyzyjniejsze przewidywanie ryzyka pooperacyjnego. Metoda ta jest pierwszym tego typu rozwiązaniem umożliwiającym kompleksową analizę dokumentacji tekstowej i wyciąganie z niej istotnych wzorców, które mogłyby zostać pominięte przy tradycyjnej analizie strukturalnej.
Do badań wykorzystano niemal 85 000 notatek chirurgicznych oraz dostępne dane pacjentów z jednego z akademickich ośrodków medycznych w Stanach Zjednoczonych, obejmujące lata 2018–2021. Wyniki wykazały, że nowo opracowany model AI znacznie przewyższał dotychczasowe metody przewidywania komplikacji pooperacyjnych. W grupie 100 pacjentów, u których doszło do powikłań, model poprawnie identyfikował 39 przypadków więcej niż wcześniejsze techniki przetwarzania języka naturalnego stosowane w medycynie.
Poza skutecznością w przewidywaniu komplikacji, badanie pokazuje, jak potężne mogą być fundamentalne modele AI przeznaczone do adaptacji na różne potrzeby. Modele podstawowe mają bowiem tę zaletę, że mogą być stosowane w wielu kontekstach, co czyni je znacznie bardziej użytecznymi niż systemy wyspecjalizowane wyłącznie do jednego celu.
„Modele tego typu muszą być wszechstronne, ponieważ komplikacje pooperacyjne mają wiele różnych postaci. Dzięki fine-tuningowi naszego modelu pod kątem różnych scenariuszy mogliśmy uzyskać znacznie lepszą skuteczność niż w przypadku systemów analizujących pojedyncze typy komplikacji” – wyjaśnia Charles Alba, współautor badania i doktorant na Washington University. „Powikłania często są ze sobą powiązane, dlatego uniwersalny model AI może skorzystać z połączonej wiedzy na temat różnych zagrożeń, nie wymagając osobnego dostrajania dla każdej możliwej sytuacji.”
Choć technologia jest jeszcze na etapie badań, jej potencjał zastosowania w środowisku klinicznym jest ogromny. Jak zauważa Joanna Abraham, profesor anestezjologii i członek Instytutu Informatyki Medycznej na Washington University, tego typu system mógłby stać się nieocenionym narzędziem wspomagającym lekarzy. Dzięki wcześniejszemu wykrywaniu zagrożeń, chirurdzy i personel medyczny mieliby możliwość wcześniejszego przygotowania odpowiednich strategii leczenia i prewencji, co mogłoby bezpośrednio przełożyć się na poprawę kondycji pacjentów i redukcję kosztów opieki zdrowotnej.
