Standart Yaşamsal Belirtiler Ağrı Düzeylerini Tahmin Etmeye Yardımcı Olabilir Mi?

Yeni bir çalışma, makine öğrenme stratejilerinin, orak hücre hastalığı olan kişilerde ağrı seviyeleri hakkında ipuçları sağlamak için kalp atış hızı ve kan basıncı gibi rutin olarak toplanan fizyolojik verilere uygulanabileceğini göstermiştir. Johns Hopkins Üniversitesi Uygulamalı Fizik Laboratuvarı'ndan Mark Panaggio ve meslektaşları bu bulguları açık erişimli PLOS Hesaplamalı Biyoloji dergisinde sunmuştur. Bilim insanları ağrının öznel, izlenmesinin müdahaleci ve zaman alıcı olabileceğini belirtmişlerdir. Ağrı kesici ilaçlar yardımcı olabilmesine karşın bir hastanın ağrısına ilişkin doğru bilgi, rahatlamayı bağımlılık riskine veya diğer istenmeyen kusurlara karşı dengelemek için gereklidir. Makine öğrenme stratejileri, kas aktivitesi veya yüz ifadeleri gibi nesnel fizyolojik ölçümlerden ağrıyı tahmin etmede umut vaat etmektedir ancak bilim insanları, çok az çalışmanın rutin olarak toplanan verilere makine öğrenimi uyguladığını ifade etmişlerdir.

Öznel ağrı seviyeleri

Şimdi, Panaggio ve meslektaşları, zayıflatıcı ağrı nedeniyle hastaneye kaldırılan orak hücre hastalığı olan kişilerden elde edilen verilere makine öğrenimi modelleri geliştirdiklerini ve uyguladıklarını bildirmişlerdir. Bu istatistiksel modeller, bir hastanın ağrısının kaldıkları süre boyunca her noktada düşük, orta veya yüksek olup olmadığını, rutin olarak toplanan kan basıncı, kalp hızı, sıcaklık, solunum hızı ve oksijen seviyelerine göre sınıflandırmaktadır. Araştırmacılar, bu hayati belirtilerin gerçekten de hastaların bildirdiği ağrı seviyelerine dair ipuçları verdiğini bulduklarını belirtmişlerdir. Fizyolojik verileri hesaba katarak, modelleri öznel ağrı seviyelerini tahmin etmede, ağrıda değişiklikleri tespit etmede ve atipik ağrı seviyelerini belirlemede temel modellerden daha iyi performans göstermiştir. Araştırmacılar, ağrı tahminlerinin, zaman içinde hastaların yaşamsal belirtilerindeki değişiklikleri hesaba kattıklarında en doğru olduğunu belirtmişlerdir. Panaggio, kendilerininki gibi araştırmaların, veriye dayalı makine öğrenimi modellerin hastaları daha az invaziv yollarla izleme ve nihayetinde daha zamanında ve hedefe yönelik tedaviler sunabilme becerimizi geliştirmek zorunda olduğumuzu gösterdiğini ifade etmiştir. Araştırmacılar ileriye baktıklarında, daha kapsamlı veri kaynaklarından ve fitness izleyicileri gibi gerçek zamanlı izleme araçlarından yararlanarak ağrının çıkarılması ve tahmin edilmesi için daha iyi modeller oluşturmayı umut ettiklerini belirtmişlerdir.