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