تنگی راه هوایی یکی از عوارض مهم پس از پیوند ریه است که شناسایی زودهنگام بیماران در معرض خطر آن می‌تواند در برنامه‌ریزی مراقبت‌های پس از پیوند و انجام مداخلات به‌موقع نقش مؤثری داشته باشد.
در مطالعه‌ای که Tian و همکاران در سال 2024 انجام دادند، از روش‌های یادگیری ماشین (Machine Learning) برای پیش‌بینی تنگی راه هوایی نیازمند مداخله بالینی در بیماران پس از پیوند ریه استفاده شد. در این پژوهش، اطلاعات 381 بیمار مورد بررسی قرار گرفت که 40 نفر از آن‌ها دچار تنگی راه هوایی شدند.
نتایج نشان داد عواملی مانند جنسیت مرد، پرفشاری شریان ریوی و نتایج آزمون شش دقیقه راه رفتن پس از پیوند با بروز تنگی راه هوایی ارتباط دارند. پژوهشگران با استفاده از هفت روش انتخاب ویژگی و هشت الگوریتم یادگیری ماشین، 56 مدل مختلف را ارزیابی کردند که در میان آن‌ها، ترکیب الگوریتم Random Forest با روش انتخاب ویژگی مبتنی بر Determination Coefficient بهترین عملکرد را نشان داد. این مدل از نظر شاخص‌های پیش‌بینی، عملکرد بهتری نسبت به مدل متداول رگرسیون لجستیک داشت.
یافته‌های این پژوهش نشان‌دهنده ظرفیت روش‌های هوش مصنوعی و یادگیری ماشین برای شناسایی بیماران پرخطر، پیش‌بینی عوارض پس از پیوند و کمک به برنامه‌ریزی مراقبت‌های فردمحور در بیماران پیوند ریه است؛ هرچند استفاده بالینی از چنین مدل‌هایی نیازمند ارزیابی و اعتبارسنجی در جمعیت‌های بزرگ‌تر و مراکز مختلف خواهد بود.
در همین راستا، پروژه‌های تحقیقاتی متعددی در مرکز تحقیقات پیوند ریه در حال انجام است که با بهره‌گیری از داده‌های بالینی بیماران و روش‌های نوین پژوهشی، به بررسی و پیش‌بینی پیامدهای پس از پیوند ریه، عوارض و نتایج بلندمدت پیوند و همچنین عوامل مؤثر در ارزیابی و مراقبت‌های پیش از عمل می‌پردازند. توسعه این مطالعات می‌تواند زمینه را برای بهبود انتخاب و آماده‌سازی بیماران پیش از پیوند، ارتقای مراقبت‌های پس از عمل و حرکت به سوی تصمیم‌گیری‌های دقیق‌تر و شخصی‌سازی‌شده در حوزه پیوند ریه فراهم کند.