Tehnike veštačke inteligencije (AI) mogu pružiti precizniji pristup predviđanju rizika od periprostetske infekcije nakon rekonstrukcije dojke zasnovane na implantatima, izveštava studija u novembarskom izdanju časopisu Plastična and rekonstruktivna hirurgija.
„Naša studija pokazuje obećanje u korišćenju veštačke inteligencije i mašinskog učenja kako bi se poboljšala sposobnost predviđanja rizika od ozbiljnih postoperativnih komplikacija kod pacijenata koji su podvrgnuti rekonstrukciji dojke nakon mastektomije“, komentariše hirurg član ASPS, stariji i dopisni autor Charles E. Butler, MD, i prvi autor Abbas M. Hassan, MD.
Periprostetska infekcija — infekcija koja se razvija oko implantata — je česta i ozbiljna komplikacija rekonstrukcije dojke zasnovane na implantatima nakon mastektomije. Iako su alati razvijeni da obezbede individualizovane procene rizika povezanih sa rekonstrukcijom dojke, konvencionalne statističke tehnike možda neće uspeti da analiziraju „složene nelinearne interakcije“ koje utiču na rizik od komplikacija.
Dr Batler i kolege su procenili upotrebu mašinskog učenja, kako bi procenili varijable koje stavljaju pacijente na veći ili manji rizik od komplikacija povezanih sa implantatima, uključujući infekciju i eksplantaciju. Istraživači su razvili, potvrdili i procenili upotrebu devet nadgledanih algoritama mašinskog učenja za predviđanje rizika od periprostetske infekcije i eksplantacije (uklanjanje implantata). Podaci o slučajnom uzorku od 80% pacijenata servirani su kao set za obuku, a preostalih 20% kao set za testiranje ili validaciju.
AI pristup je razvijen korišćenjem podataka o ukupno 694 rekonstrukcije dojke zasnovane na implantatima kod 481 pacijenta, prosečne starosti 50 godina. Tokom srednjeg praćenja od 16 meseci, periprostetska infekcija se razvila u 16,3% rekonstrukcija, sa stopom eksplantacije od 11,8%.
Za periprostetičku infekciju, tačnost predviđanja se kretala od 67% do 83%, pri čemu je algoritam „slučajne šume“ bio najprecizniji. Ovaj model je identifikovao devet prediktivnih faktora; najjači prediktori bili su viši indeks telesne mase (BMI), starija životna dob i postoperativna terapija zračenjem.
Za eksplantaciju, tačnost se kretala od 64% do 84%, najviše sa algoritmom „ekstremnog povećanja gradijenta“. Ovaj pristup je identifikovao 12 značajnih prediktora, uključujući karakteristike pacijenata (veći BMI, starija starost), hirurške karakteristike (lokacija implantata i upotreba određenih biomaterijala) i varijable lečenja raka (postoperativno zračenje ili hemoterapija).
Za oba ishoda, algoritmi mašinskog učenja su radili bolje od standardnog statističkog modela — procene rizika od rekonstrukcije dojke ili „BRA rezultat“ — u predviđanju i infekcije i eksplantacije. Površina ispod krive (AUC), u rasponu od 0,5 do 1,0, određuje ukupne performanse prediktivnih modela i vrednosti od 1,0 označavaju „savršenu diskriminaciju“, dok vrednost od 0,5 znači da nema prediktivne vrednosti. Predviđanje infekcije sa modelima mašinskog učenja pokazalo je AUC od 0,73 i 0,78 za eksplantaciju, u poređenju sa ispod 0,60 u prethodnim studijama koje su koristile BRA rezultat.
Ključna prednost algoritama mašinskog učenja je ta što su identifikovali više prediktivnih varijabli: devet prediktora infekcije i 12 eksplantacije, u poređenju sa samo dva za standardnu statističku (multivarijabilnu) analizu. „Ovo pruža šire i čvršće razumevanje faktora koji negativno utiču na ishode kod pacijenata koji su podvrgnuti rekonstrukciji dojke i može pomoći u vođenju budućih istraživanja kako bi se bolje razumeli procesi bolesti i obezbedilo tačno predviđanje rizika za pacijente sa više komorbiditeta“, kažu dr. Batler i Hasan.
Istraživači naglašavaju da predviđanje rizika sa mašinskim učenjem ostaje „daleko od savršenog“ — ali „može biti poboljšano uključivanjem dodatnih klinički relevantnih varijabli“. Dr Batler i koautori zaključuju: „AI ima potencijal da preoblikuje polje plastične hirurgije i poboljša kvalitet nege pacijenata obolelih od raka preciznijim i preciznijim identifikovanjem faktora koji dovode do loših ishoda.“
