دکتر رضا لنکرانی
بیوگرافی و پیشینه علمی، عملی و تحقیقاتی دکتر رضا لنکرانی عضو جامعه جراحان ایران
دکتر رضا لنکرانی
بیوگرافی و پیشینه علمی، عملی و تحقیقاتی دکتر رضا لنکرانی عضو جامعه جراحان ایران
ماشین حساب ریسک جراحی پاتر: تحولی بنیادین در ارزیابی ریسک جراحی اورژانس عمومی
ماشین حساب ریسک جراحی پاتر: تحولی بنیادین در ارزیابی ریسک جراحی اورژانس عمومی
دکتر رضا لنکرانی-جراح
مرور کلی
ماشین حساب ریسک پاتر (POTTER) که مخفف Predictive Optimal Trees in Emergency Surgery Risk است، پیشرفتی شگرف در پیش‌بینی ریسک جراحی با استفاده از هوش مصنوعی (AI) است و به طور خاص برای بیماران جراحی اورژانس عمومی (EGS) و لاپاراتومی طراحی شده است. این ابزار با همکاری بیمارستان عمومی ماساچوست (MGH) و Interpretable AI توسعه یافته و از یادگیری ماشین برای ارائه ارزیابی‌های شفاف، دقیق و قابل اقدام استفاده می‌کند. این مقاله یافته‌های مطالعات اعتبارسنجی، از جمله آزمایش دو مؤسساتی پیشگیرانه سال ۲۰۲۴ را ترکیب می‌کند تا مفید بالینی و پتانسیل تحولی آن را شرح دهد .
---
خلاصه مطالعه
مطالعه پیشگیرانه دو مؤسساتی (با ۳۶۱ بیمار) توانایی پاتر در پیش‌بینی پیامدهای لاپاراتومی اورژانس را مورد ارزیابی قرار داد و نشان داد:
- پیش‌بینی مرگ و میر: C-statistic = ۰.۹۰ ۸.
- عوارض: C-statistic بین ۰.۸۰ تا ۰.۸۹ برای شوک سپتیک، نارسایی تنفسی، پنومونی و خونریزی .
پاتر عملکرد بهتری نسبت به پیش‌بینی‌های بالینی و مدل‌های سنتی دارد که به دلیل مبنای هوش مصنوعی آن (درختان بهینه پیش‌بینی) است که دقت و تفسیرپذیری را همراه می‌کند .
---
ویژگی‌های اصلی و توسعه
۱. مبنای هوش مصنوعی:
پاتر از درختان طبقه‌بندی بهینه (OCTs) استفاده می‌کند که روشی تفسیرپذیر از یادگیری ماشین است و برهمکنش‌های غیرخطی بین متغیرها (مانند بیماری‌های همراه و علائم حیاتی) را ثبت می‌کند بدون از دست دادن شفافیت .
۲. طراحی کاربرپسند:
- نیاز به کمتر از ۸ ورودی (در مقایسه با ابزارهای قدیمی مانند NSQIP که بیش از ۲۰ ورودی دارند) .
- قابل دسترسی از طریق رابط آنلاین و اپلیکیشن موبایل برای استفاده بی‌درنگ در کنار تخت بیمار .
---
اعتبارسنجی و عملکرد
۱. مطالعات کلیدی:
- اعتبارسنجی بازگشتی (۲۰۲۱):
- ۵۹٬۹۵۵ بیمار EGS: پیش‌بینی مرگ و میر (C-statistic = ۰.۹۳)، عوارض (۰.۸۳) .
- مطالعه پیشگیرانه دو مؤسساتی (۲۰۲۴):
- ۳۶۱ بیمار لاپاراتومی: C-statistic = ۰.۹۰ برای مرگ و میر .
۲. برتری نسبت به ابزارهای موجود:
- عملکرد بهتر از مدل‌های رگرسیون لجستیک (مانند NSQIP) با در نظر گرفتن برهمکنش متغیرها .
- دقت بالاتر نسبت به امتیازهای ESS و APACHE II در پیش‌بینی نیاز به ICU (C-statistic = ۰.۹۲ برای پاتر-ICU) .
---
پیامدهای بالینی و پژوهشی
۱. مشاوره پیش از عمل:
- ارائه برآوردهای کمّی برای مرگ و میر ۳۰ روزه، شوک سپتیک، نارسایی تنفسی و آسیب کلیه .
- مثال: بیمار ۶۳ ساله با دیورتیکولیت نفوذی، ریسک مرگ و میر ۲۴٪ دریافت می‌کند که به تصمیم‌گیری اشتراکی کمک می‌کند.
۲. بهینه‌سازی منابع:
- شناسایی بیماران پرریسک برای بستری در ICU و کاهش نرخ «عدم نجات» .
---
ملاحظات اخلاقی و عملی
- شفافیت: به عنوان ابزار غیرانتفاعی، توسعه‌دهندگان پاتر (مانند دکتر کافارانی) هیچ انگیزه مالی ندارند .
- محدودیت‌ها:
- اعتبارسنجی عمدتاً در مراکز آکادمیک آمریکا؛ آزمایش‌های جاری برای تعمیم‌پذیری در مناطق روستایی و بین‌المللی .
- نیاز به ورود دستی داده‌ها، اگرچه ادغام با سیستم‌های EHR در حال پیشرفت است .
---
نقاط قوت
- تفسیرپذیری: ساختار درختی اجازه ردیابی مسیر تصمیم‌گیری را می‌دهد که اعتماد بالینی را افزایش می‌دهد .
- دسترسی: رایگان و آنلاین، بدون تعارض مالی .
---
ضعف‌ها و محدودیت‌ها
- تعمیم‌پذیری محدود: انجام شده در دو مرکز آکادمیک؛ عملکرد در بیمارستان‌های غیرآکادمیک ناشناخته است .
- محدودیت داده‌ها: تمرکز بر پیامدهای ۳۰ روزه، بدون در نظر گرفتن پیامدهای بلندمدت .
---
جهت‌گیری آینده
- آزمایش‌های چندمرکزی در محیط‌های متنوع.
- ادغام با دستگاه‌های پوشیدنی برای نظارت پویا در دوره پس از عمل.
---
نتیجه‌گیری
پاتر تحولی در مراقبت‌های جراحی اورژانس است که دقت هوش مصنوعی را با تفسیرپذیری بالینی ترکیب می‌کند. این ابزار با وجود مزایای اعتبارسنجی پیشگیرانه، نیازمند بررسی تعمیم‌پذیری و ادغام با سیستم‌های EHR است. پاتر نشان می‌دهد که فناوری می‌تواند قضاوت بالینی را تقویت کند، نه جایگزین آن شود.
دسترسی به ماشین حساب: Interpretable AI - POTTER
(https://www.interpretable.ai/solutions/potter)
---
منابع:
- ۱ مقاله JACS ۲۰۲۱.
- ۲ راهکارهای Interpretable AI.
- ۳ پادکست JACS ۲۰۲۵.
- ۴ مقاله Surgery ۲۰۲۲.
- ۵ گزارش ACS ۲۰۲۴-۲۰۲۵.
Reza Lankarani M.D
"قرار گرفتن در معرض جوهر خالکوبی با لنفوم و سرطان‌های پوست مرتبط است – مطالعه‌ای دانمارکی روی دوقلوها"
دکتر رضا لنکرانی-جراح
این مطالعه دانمارکی روی دوقلوها، ارتباط بین قرار گرفتن در معرض جوهر خالکوبی و خطر سرطان را با استفاده از یک گروه همگروهی (۲۳۶۷ دوقلو) و طراحی مورد-شاهد همزاد (۳۱۶ دوقلو) بررسی کرد.
نتایج افزایش خطر سرطان پوست (به‌جز کارسینوم سلول پایه) و لنفوم را در بین افراد خالکوبی‌دار نشان داد، به‌ویژه در کسانی که خالکوبی‌های بزرگ‌تر (بزرگ‌تر از اندازه کف دست) داشتند:
- تحلیل مورد-شاهد نسبت خطر (HR) 1.62 (فاصله اطمینان ۹۵٪: ۱.۰۸–۲.۴۱) برای سرطان پوست و ۲.۷۳ (۱.۳۳–۵.۶۰) برای لنفوم را نشان داد.
- مطالعه همگروهی نسبت‌های خطر بالاتری برای سرطان پوست (۳.۹۱؛ ۱.۴۲–۱۰.۸) و کارسینوم سلول پایه (۲.۸۳؛ ۱.۳۰–۶.۱۶) گزارش کرد.
تحلیل همسان‌سازی دوقلوها، اگرچه به دلیل حجم کم نمونه (مثلاً ۱۴ جفت ناهماهنگ برای سرطان پوست) محدود بود، روندهای غیرمعناداری را نشان داد.
این مطالعه پیشنهاد می‌کند که التهاب مزمن ناشی از رسوب جوهر یا ترکیبات سرطان‌زا (مانند هیدروکربن‌های آروماتیک چندحلقه‌ای/PAHs) ممکن است خطر سرطان را افزایش دهد، اما محدودیت‌هایی مانند عوامل مخدوش‌کننده اندازه‌گیری‌نشده (مثلاً قرار گرفتن در معرض آفتاب) و سوگیری بقا را نیز تصدیق می‌کند.
اگرچه رابطه علّی قطعی نیست، یافته‌ها با توجه به افزایش محبوبیت خالکوبی‌ها، نگرانی‌های بهداشت عمومی را برجسته می‌کنند و نیاز به تحقیقات بیشتر در مورد مسیرهای شناسی و اقدامات پیشگیرانه را تأکید می‌نمایند.
منبع:
Clemmensen و همکاران
https://www.linkedin.com/in/rezalankarani
BMC Public Health (2025) 25:170
---
توضیحات ترجمه:
- "case-cotwin design" به «طرح مورد-شاهد همزاد» ترجمه شد که در مطالعات دوقلوها استفاده می‌شود.
- "hazard ratio (HR)" برابر «نسبت خطر» با ذکر مخفف انگلیسی آن آورده شد.
- "PAHs" به «هیدروکربن‌های آروماتیک چندحلقه‌ای» ترجمه و مخفف آن نیز ذکر شد.
- "survivorship bias" به «سوگیری بقا» ترجمه شد که اصطلاح رایج در روش‌شناسی تحقیق است.
- ساختار جملات برای حفظ دقت علمی و روانی فارسی بهینه‌سازی شد.
Reza Lankarani M.D
حقیقت پنهان درباره نوآوری‌های جراحی که هیچ‌کس درباره آن صحبت نمی‌کند
در حالی که پیشرفت‌های تکنولوژیکی، تحولی عظیم در مراقبت‌های جراحی ایجاد کرده‌اند و دقت بی‌سابقه و نتایج بهبودیافته‌ای ارائه می‌دهند، اما جنبه‌ای کمتر مورد بحث از این نوآوری‌ها وجود دارد که نیازمند توجهی انتقادی است. به عنوان جراحان و ارائه‌دهندگان خدمات سلامت، باید اشتیاق به پیشرفت را با ارزیابی دقیق خطرات و پیامدهای ناخواسته آن متعادل کنیم.
منحنی یادگیری و "افت نوآوری"
یکی از چالش‌های مهم مرتبط با فناوری‌های جدید جراحی، منحنی یادگیری شیب‌دار آن‌هاست. سیستم‌های رباتیک، روش‌های پیشرفته تصویربرداری و ابزارهای مبتنی بر هوش مصنوعی اغلب به آموزش و تمرین گسترده نیاز دارند. در مراحل اولیه پذیرش، این موضوع می‌تواند منجر به افزایش زمان جراحی، نرخ بالاتر عوارض و کاهش موقتی عملکرد شود—پدیده‌ای که به آن "افت نوآوری" می‌گویند. اگر این دوره به دقت مدیریت نشود، می‌تواند ایمنی بیمار را به خطر انداخته و مزایایی را که این فناوری‌ها برای ارائه آن طراحی شده‌اند، تضعیف کند.
فرسایش مهارت‌های پایه‌ای
نگرانی دیگر، خطر وابستگی به فناوری و کاهش مهارت‌های اساسی است. با افزایش اتکای جراحان به سیستم‌های خودکار و ابزارهای پیشرفته، احتمال از دست دادن مهارت‌های دستی بیشتر می‌شود. این فرسایش مهارت‌های پایه‌ای می‌تواند در شرایطی که فناوری با شکست مواجه می‌شود یا در دسترس نیست، مشکل‌ساز شود و نتایج درمانی بیماران را به خطر بیندازد. به عنوان مثال، در محیط‌های با منابع محدود یا در مواجهه با چالش‌های غیرمنتظره حین عمل، توانایی انجام روش‌های سنتی همچنان حیاتی است.
پیامدهای اقتصادی و نابرابری‌های بهداشتی
هزینه‌های بالای مرتبط با بسیاری از نوآوری‌های جراحی، پرسش‌های مهمی درباره عدالت و دسترسی ایجاد می‌کند. تجهیزات گران‌قیمت، هزینه‌های نگهداری و قطعات یک‌بارمصرف می‌توانند دسترسی به روش‌های پیشرفته را برای جمعیت‌های محروم محدود کرده و نابرابری‌های موجود در نظام سلامت را تشدید کنند. علاوه بر این، فشارهای مالی ممکن است جراحان را به انجام اقدامات غیرضروری ترغیب کند و سود اقتصادی را بر تصمیم‌گیری اخلاقی و رفاه بیمار ارجح سازد.
ملاحظات اخلاقی
ادغام هوش مصنوعی و رباتیک در عمل جراحی، معضلات اخلاقی پیچیده‌ای را به همراه دارد. مسائلی مانند سوگیری الگوریتمی، حریم خصوصی داده‌ها و تعادل مناسب بین قضاوت انسانی و راهنمایی ماشین، نیازمند توجه دقیق هستند. به عنوان مثال، ابزارهای برنامه‌ریزی جراحی مبتنی بر هوش مصنوعی، اختلاف عملکردی در بین گروه‌های جمعیتی مختلف نشان داده‌اند که نشان‌دهنده خطرات اتخاذ زودهنگام این فناوری‌ها بدون اعتبارسنجی قوی است.
عجله برای نوآوری در مقابل ارزیابی دقیق
سرعت سریع نوآوری‌ها اغلب از توانایی ما در انجام مطالعات طولانی‌مدت و دقیق درباره ایمنی و اثربخشی پیشی می‌گیرد. بسیاری از فناوری‌ها بر اساس شواهد مقدماتی یا تبلیغات بازاریابی وارد عمل بالینی می‌شوند، نه برتری قطعی نسبت به روش‌های مرسوم. این روند می‌تواند بیماران را در معرض خطرات و عوارض پیش‌بینی‌نشده‌ای قرار دهد که سال‌ها بعد آشکار می‌شود.
تعادل بین نوآوری و مسئولیت‌پذیری
برای اطمینان از اینکه پیشرفت‌های تکنولوژیکی واقعاً به نفع بیماران هستند، باید رویکردی متعادل اتخاذ کنیم:
۱. پروتکل‌های استاندارد برای ادغام: تدوین دستورالعمل‌های روشن برای معرفی فناوری‌های جدید به عمل جراحی می‌تواند به کاهش خطرات در دوره یادگیری و اطمینان از آموزش یکپارچه کمک کند.
۲. مطالعات اثرات بلندمدت: تحقیقات آینده باید بر ارزیابی تأثیرات پایدار جراحی‌های کمک‌فناوری بر نتایج بیماران و حفظ مهارت جراحان متمرکز شود.
۳. تحلیل هزینه-اثربخشی: ارزیابی پیامدهای اقتصادی نوآوری‌های جراحی برای رفع نابرابری‌های بهداشتی و تضمین دسترسی عادلانه به درمان‌های پیشرفته ضروری است.
۴. نظارت اخلاقی: ایجاد چارچوب‌هایی برای پرداختن به نگرانی‌های اخلاقی مرتبط با هوش مصنوعی و اتوماسیون، با گسترش این فناوری‌ها در مراقبت‌های جراحی اهمیت بیشتری خواهد یافت.
نتیجه‌گیری
نوآوری‌های جراحی وعده‌های بزرگی دارند، اما چالش‌های مهمی نیز ایجاد می‌کنند که نمی‌توان آن‌ها را نادیده گرفت. با نگاهی انتقادی به فناوری‌های جدید، اولویت‌دادن به آموزش جامع و درخواست شواهد بالینی قوی، می‌توانیم از پتانسیل آن‌ها بهره‌برداری کنیم و در عین حال ایمنی بیمار، عدالت و استانداردهای اخلاقی را حفظ نماییم. آینده جراحی واقعاً درخشان است—اما تنها در صورتی که با مسئولیت‌پذیری، شفافیت و تعهدی استوار به اولویت‌دادن به بیماران، آن را پیش ببریم.
https://www.linkedin.com/in/rezalankarani
دکتر رضا لنکرانی -جراح