به گزارش خبرگزاری مهر به نقل از Scientific Reports، در این پژوهش، داده‌های 326 بیمار مبتلا به سرطان پروستات بررسی شد که 224 نفر از آنها تحت جراحی رباتیک و 102 نفر تحت جراحی باز قرار گرفته بودند.

پژوهشگران چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی، گرادیان بوستینگ، ماشین بردار پشتیبان و شبکه عصبی را برای پیش‌بینی 12 پیامد پس از جراحی به کار گرفتند. سپس از روش هوش مصنوعی توضیح‌پذیر موسوم به SHAP برای مشخص‌کردن میزان اهمیت عوامل مختلف در پیش‌بینی نتایج استفاده کردند.

نتایج نشان داد مدل‌های یادگیری ماشین در پیش‌بینی برخی پیامدها عملکرد بهتری نسبت به روش‌های معمول داشتند. بهترین عملکرد مربوط به پیش‌بینی سطح هموگلوبین پس از جراحی بود که ضریب تعیین مدل در برخی موارد به 0.57 رسید. همچنین مدل‌ها توانستند تصمیم‌گیری درباره انجام نمونه‌برداری سریع بافت در حین جراحی را با دقت قابل توجهی پیش‌بینی کنند؛ به‌طوری که مقدار AUC در بهترین مدل به 0.89 رسید.

تحلیل SHAP نشان داد عوامل مؤثر بر نتایج مختلف یکسان نیستند. برای مثال، عواملی مانند مدت باقی‌ماندن سوند و طول مدت بستری تقریباً به‌طور کامل تحت تأثیر نوع جراحی، رباتیک یا باز قرار داشتند.

در مقابل، نتایج پاتولوژیک مانند درجه تومور بیشتر تحت تأثیر ویژگی‌های تومور پیش از جراحی قرار داشتند. همچنین سطح هموگلوبین پیش از عمل به‌عنوان یکی از مهم‌ترین عوامل پیش‌بینی‌کننده کم‌خونی پس از جراحی شناسایی شد و حتی اهمیت آن از عواملی مانند سن بیمار بیشتر بود.

پژوهشگران می‌گویند استفاده از هوش مصنوعی توضیح‌پذیر می‌تواند به پزشکان کمک کند تا علاوه بر دریافت یک پیش‌بینی، متوجه شوند کدام عوامل در شکل‌گیری آن پیش‌بینی نقش داشته‌اند. به این ترتیب، این فناوری می‌تواند به شناسایی عوامل مؤثر بر موفقیت جراحی و بهینه‌سازی مسیر درمان کمک کند.

با این حال، پژوهش حاضر یک مطالعه گذشته‌نگر و تک‌مرکزی است و مدل‌ها هنوز در مراکز مستقل دیگر اعتبارسنجی نشده‌اند. بنابراین پژوهشگران تأکید دارند که پیش از استفاده بالینی از این مدل‌ها، مطالعات آینده‌نگر و چندمرکزی مورد نیاز است.