...

De pijngewaarwording en -beleving verschillen van mens tot mens. Een inzicht krijgen in subjectieve pijn is een grote uitdaging. Vorsers van de Johns Hopkins Universiteit zijn ervan overtuigd dat we een beter inzicht zouden krijgen in de oorzaken van pijn, pijn preciezer zouden kunnen voorspellen en beter zouden kunnen behandelen en zo de belasting voor de patiënten zouden kunnen verminderen als we objectieve gegevens zouden kunnen gebruiken in plaats van het niveau van pijn dat de patiënt aangeeft. Volgens hen zijn er vijf vitale parameters, op grond waarvan pijn kan worden onderscheiden in lichte, matige of hevige pijn: de bloeddruk, de hartfrequentie, de ademhalingsfrequentie, de temperatuur en het zuurstofgehalte. De wetenschappers hebben door machine learning een systeem van artificiële intelligentie ontwikkeld dat de vijf vitale gegevens kan verzamelen en analyseren bij patiënten met sikkelcelanemie die in het ziekenhuis worden opgenomen. Sikkelcelanemie is een erfelijke genetische afwijking van de structuur van hemoglobine, waarbij zich stolsels vormen in de bloedvaten. Dat veroorzaakt vaak complicaties en hevige pijnaanvallen. Patiënten met sikkelcelanemie krijgen hun hele leven lang te kampen met chronische en acute pijn. Bij gebrek aan een curatieve behandeling voor sikkelcelanemie wordt de pijn behandeld met geneesmiddelen, pijnstillers bijvoorbeeld. Maar regelmatige inname van pijnstillers kan op lange termijn verslaving en bijwerkingen veroorzaken. De dosering is dus een cruciaal element en om een juiste dosering te bepalen, moet men de subjectieve pijn van de patiënt kunnen ramen, wat verre van eenvoudig is. Vandaar het nut van een goede artificiële intelligentie die op grond van de vijf fysiologische vitale gegevens van de patiënten de subjectieve pijn kan ramen. Ondanks de onregelmatige uurroosters, de ontbrekende gegevens en de variaties tussen de patiënten heeft de groep van het Johns Hopkins aangetoond dat sequentiële en niet-sequentiële probabilistische modellen de subjectieve pijn in real time beter ramen, het niveau van typische en atypische pijn beter kunnen onderscheiden en beter veranderingen in pijn kunnen detecteren dan de basismodellen. Daaruit leiden de vorsers af dat artificiële intelligentie het lijden van de patiënten beter weergeeft. "Studies zoals de onze bevestigen het potentieel van artificiële intelligentie. Met artificiële intelligentie kunnen we patiënten beter op minder invasieve wijze volgen en een beter gerichte behandeling geven op het juiste ogenblik", onderstreept Mark Panaggio, een van de auteurs. Uitgaande van het principe dat de instrumenten om pijn te voorkomen en te behandelen beter zullen zijn naarmate ze meer informatie verwerken, zouden de vorsers hun model graag aanpassen aan andere gegevens zoals gegevens van fitnesstrackers.