在麻醉学®2020年会上提出的一项新研究表明，机器学习模型中使用的人工智能（AI）可以预测手术后出现剧烈疼痛风险最高的患者，并有助于确定谁将使用非阿片类替代品。

某些患者在手术后会经历更严重的疼痛，并且需要更长时间的高剂量阿片类药物，这会增加阿片类药物滥用的风险。

通过了解哪些患者术后疼痛的风险更大，内科麻醉师可以通过使用非阿片类药物（如硬膜外镇痛药、神经阻滞药和其他药物）来制定麻醉计划，从而更有效地缓解疼痛，减少对阿片类药物的需求。

目前，医生们通过费力的问卷调查来寻找术后疼痛风险更大的患者，询问他们的抑郁史、睡眠质量和焦虑症。

在这项研究中，研究小组想要一种更快、更有效的技术，包括使用机器学习，即系统根据所提供的数据进行学习和转换。他们制作了三个机器学习模型，对电子病历患者进行了检查，结果发现女性性别、年龄较小、先前存在的疼痛、较高的体重指数和以前使用过阿片类药物是术后疼痛的最具预测力的因素。

我们计划将这些模型与我们的电子病历相结合，为每位患者提供术后疼痛的预测。如果患者被确定为术后严重疼痛的高风险患者，那么内科麻醉师可以调整患者的麻醉计划，最大限度地提高非阿片类疼痛管理策略，从而减少术后对阿片类药物的需求。

Mieke A.Soens，医学博士，研究主要作者，布里格姆女子医院麻醉师。作为这项由两部分组成的研究的一部分，研究小组分析了5944名患者的数据，这些患者接受了广泛的手术，如前列腺手术、髋关节置换术、子宫切除术和胆囊切除术。

其中，1287人（22%）在术后24小时内服用了90毫克当量吗啡（MME），这被认为是高剂量。在研究的第一部分，他们根据文献检索和专家咨询，利用163个可能的因素来预测术后疼痛。

在此基础上，他们建立了三个机器学习算法模型（人工神经网络、随机森林和逻辑回归），挖掘患者的病历，并将163个预测因子降低到最精确地预测患者手术后疼痛严重程度和可能的阿片类药物需求。

在第二部分，研究人员将模型预测的结果与同一患者实际使用阿片类药物的情况进行了比较。研究发现，总的来说，这三个模型的预测准确率是相似的：人工神经网络为80%，逻辑回归和随机森林技术为81%。

这意味着这些模型精确地确定了哪些人更容易发生剧烈疼痛，并且在大约80%的时间里需要更高剂量的阿片类药物。

电子病历是一种宝贵的、未被充分利用的患者数据来源，可以有效地提高患者的生活质量。有选择地识别术后需要高剂量阿片类药物的患者对减少阿片类药物滥用非常重要。