Předvídatelnost nutnosti konzultace s kardiologem u pacientů plánovaných na nechirurgické zákroky pomocí umělé inteligence v preoperační anesteziologické přípravě
Účinnost použití umělé inteligence (Chat GPT) při hodnocení srdce během anesteziologického vyšetření předoperačních případů
Strukturovaný souhrn názvu
Předvídatelnost potřeby konzultace kardiologie u pacientů podstupujících nechirurgické kardiochirurgie pomocí umělé inteligence
Pozadí
Předoperační hodnocení srdečního rizika je zásadní pro minimalizaci perioperační morbidity a mortality u pacientů podstupujících nechirurgické kardiochirurgii. Konzultace kardiologie jsou často vyžadovány pro posouzení chirurgické způsobilosti a snížení rizika komplikací. Nicméně zbytečné konzultace mohou přispívat k neefektivnímu využití zdrojů zdravotní péče a zpožděním procedur.
Nedávné pokroky v umělé inteligenci, zejména velké jazykové modely, prokázaly potenciál v systémech podpory klinického rozhodování. Směrnice Evropské kardiologické společnosti (ESC) z roku 2024 poskytují strukturovaný rámec pro hodnocení perioperačního srdečního rizika. Tato studie si klade za cíl prozkoumat, zda modely založené na AI mohou pomoci předpovědět potřebu konzultace kardiologie a zkoumat vliv formátů vstupů s promptem versus bez promptu na doporučení AI.
Studijní design
Prospektivní, observační, komparativní studie.
Etické schválení
Studie byla schválena Etickou komisí Městské nemocnice Bursa a bude prováděna v souladu s Helsinskou deklarací.
Velikost vzorku
Velikost vzorku byla vypočtena pomocí softwaru G*Power na základě předpokládané velikosti efektu a požadavků statistické síly.
Účastníci
Kritéria zařazení:
Dospělí ve věku 18 let nebo starší
ASA fyzický stav I-IV
Naplánováni na nechirurgickou kardiochirurgii
Hodnoceni anesteziologickými rezidenty s méně než dvěma roky klinické zkušenosti
Kritéria vyloučení:
Pediatričtí pacienti
Pacienti odmítající účast
Neúplná klinická data
Sběr dat
Bude zaznamenáno následující pacientovo data:
Demografické údaje (věk, pohlaví, BMI)
Anamnéza (komorbidity, užívání léků, alergie, užívání návykových látek)
Funkční kapacita (skóre METs)
Nálezy EKG
Nálezy rentgenografie hrudníku
Charakteristiky plánovaného chirurgického zákroku
Hodnocení modelu AI
Bude testováno více jazykových modelů AI pomocí standardizovaných pacientových scénářů. Každý scénář bude prezentován ve dvou formátech:
Formát s promptem:
„Jste anesteziolog s 10letou zkušeností. Podle směrnic ESC 2024 zhodnoťte, zda tento pacient vyžaduje konzultaci kardiologie.“
Formát bez promptu:
„Zhodnoťte, zda tento pacient vyžaduje konzultaci kardiologie.“
Doporučení AI nebudou ovlivňovat klinické rozhodování.
Výsledné míry
Primární a sekundární analýzy budou zahrnovat:
Souhlas mezi doporučeními AI a hodnoceními expertních anesteziologů
Čitelnost odpovědí generovaných AI
Hodnocení kvality odpovědí
Srovnání výkonnosti klasifikace napříč modely
Statistická analýza
Statistické analýzy budou provedeny pomocí vhodných komparativních a testů souhlasu. Skóre čitelnosti a kvality budou analyzovány pomocí neparametrických metod, kde je to vhodné. Pro posouzení schopnosti klasifikace bude použita ROC analýza. Bude aplikována hladina významnosti p < 0,05.
Cíl studie
Cílem této studie je prozkoumat proveditelnost systémů podpory rozhodování asistovaných AI při předpovídání požadavků na konzultaci kardiologie a vyhodnotit, zda prompt engineering ovlivňuje výkonnost AI.
Přehled studie
Postavení
Detailní popis
Strukturovaný souhrn nadpisu
Předvídatelnost potřeby kardiologické konzultace u pacientů podstupujících ne-kardiální chirurgii pomocí modelů umělé inteligence
Pozadí
Předoperační hodnocení kardiálního rizika je nezbytné pro minimalizaci perioperační morbidity a mortality u pacientů podstupujících ne-kardiální chirurgii. Kardiologické konzultace jsou často vyžadovány pro posouzení operační způsobilosti a snížení rizik komplikací. Nicméně zbytečné konzultace mohou přispívat k neefektivnímu využívání zdravotnických zdrojů a zpožděním procedur.
Nedávné pokroky v umělé inteligenci, zejména velké jazykové modely, prokázaly potenciál v systémech podpory klinického rozhodování. Směrnice Evropské kardiologické společnosti (ESC) z roku 2024 poskytují strukturovaný rámec pro hodnocení perioperačního kardiálního rizika. Tato studie si klade za cíl zjistit, zda modely založené na umělé inteligenci mohou pomoci předpovídat potřebu kardiologické konzultace, a zkoumat vliv formátů vstupů s promptem versus bez promptu na doporučení umělé inteligence.
Design studie
Prospektivní, observační, komparativní studie.
Etické schválení
Studie byla schválena etickou komisí Bursa City Hospital a bude provedena v souladu s Helsinskou deklarací.
Velikost vzorku
Velikost vzorku byla vypočtena pomocí softwaru G*Power na základě očekávané velikosti efektu a požadavků statistické síly.
Účastníci
Kriteria zařazení:
Dospělí ve věku 18 let nebo starší
ASA fyzický stav I-IV
Naplánovaní na ne-kardiální chirurgii
Hodnoceni anesteziologickými rezidenty s méně než dvěma roky klinické praxe
Kriteria vyloučení:
Pediatričtí pacienti
Pacienti odmítající účast
Neúplná klinická data
Sběr dat
Budou zaznamenány následující pacientova data:
Demografie (věk, pohlaví, BMI)
Anamnéza (komorbidity, užívání léků, alergie, užívání návykových látek)
Funkční kapacita (skóre METs)
Nálezy EKG
Nálezy rentgenografie hrudníku
Charakteristiky plánovaného chirurgického výkonu
Hodnocení modelu umělé inteligence
Bude testováno více jazykových modelů umělé inteligence pomocí standardizovaných pacientových scénářů. Každý scénář bude prezentován ve dvou formátech:
Formát s promptem:
"Jste anesteziolog s 10letou zkušeností. Podle směrnic ESC 2024 vyhodnoťte, zda tento pacient vyžaduje kardiologickou konzultaci."
Formát bez promptu:
"Vyhodnoťte, zda tento pacient vyžaduje kardiologickou konzultaci."
Doporučení umělé inteligence nebudou ovlivňovat klinické rozhodování.
Výsledné míry
Primární a sekundární analýzy budou zahrnovat:
Souhlas mezi doporučeními umělé inteligence a hodnoceními expertních anesteziologů
Čitelnost odpovědí generovaných umělou inteligencí
Hodnocení kvality odpovědí
Srovnání klasifikačního výkonu mezi modely
Statistická analýza
Statistické analýzy budou provedeny pomocí vhodných komparativních a dohodových testů. Skóre čitelnosti a kvality budou analyzovány pomocí neparametrických metod, kde je to vhodné. Pro posouzení klasifikační schopnosti bude použita ROC analýza. Bude aplikována hladina významnosti p < 0,05.
Cíl studie
Cílem této studie je prozkoumat proveditelnost systémů podpory rozhodování asistovaných umělou inteligencí při předpovídání požadavků na kardiologickou konzultaci a vyhodnotit, zda prompt engineering ovlivňuje výkon umělé inteligence.
Typ studie
Zápis (Odhadovaný)
Kontakty a umístění
Studijní místa
-
-
Bursa
-
Bursa, Bursa, Turecko (Türkiye), 16001
- Bursa Şehir Hastanesi
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
Dospělí ve věku 18 let nebo starší
Klasifikace fyzického stavu ASA I-IV
Naplánovaní na nekardiální chirurgický zákrok
Pacienti hodnocení před operací anesteziologickými rezidenty s méně než dvouletou klinickou praxí
Dostupnost kompletních klinických údajů včetně anamnézy, nálezů EKG a rentgenografie hrudníku
Schopnost poskytnout informovaný souhlas
Kritéria pro vyloučení:
Pacienti mladší 18 let
Pacienti podstupující kardiální chirurgii
Pacienti s neúplnými klinickými údaji
Pacienti, kteří odmítli účast
Případy nouzové chirurgie
Pacienti, kteří nemohou podstoupit standardní předoperační vyšetření
Studijní plán
Jak je studie koncipována?
Detaily designu
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Dohoda mezi doporučeními umělé inteligence a rozhodnutím odborného anesteziologa ohledně požadavku na kardiologickou konzultaci
Časové okno: Při výchozím předoperačním vyšetření (1. den)
|
Shoda mezi doporučeními modelu umělé inteligence a hodnoceními expertních anesteziologů ohledně nutnosti konzultace v kardiologii bude hodnocena pomocí Cohenova kappa koeficientu na základě směrnic ESC 2024.
|
Při výchozím předoperačním vyšetření (1. den)
|
Další výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Čitelnost odpovědí generovaných AI
Časové okno: Ihned po vyhodnocení odpovědi generované umělou inteligencí (Den 1)
|
Čitelnost odpovědí generovaných umělou inteligencí bude hodnocena pomocí Ateşmanova indexu čitelnosti, aby se určila jasnost a srozumitelnost doporučení z konzultací.
|
Ihned po vyhodnocení odpovědi generované umělou inteligencí (Den 1)
|
Spolupracovníci a vyšetřovatelé
Sponzor
Vyšetřovatelé
- Vrchní vyšetřovatel: eralp çevikkalp, Bursa Şehir Hastanesi
Publikace a užitečné odkazy
Obecné publikace
- 1.M. Graeßner et al., "Enabling personalized perioperative risk prediction by using a machinelearning model based on preoperative data," Scientific Reports, vol. 13, no. 1, May 2023, doi: 10.1038/s41598-023-33981-8. 2.B. Choi et al., "Prediction Model for 30-Day Mortality after Non-Cardiac Surgery Using MachineLearning Techniques Based on Preoperative Evaluation of Electronic Medical Records," Journal of Clinical Medicine, vol. 11, no. 21, p. 6487, Nov. 2022, doi: 10.3390/jcm11216487. 3.M. Vine et al., "Innovative approaches to preoperative care including feasibility, efficacy, and ethical implications: a narrative review," AME Surgical Journal, vol. 4. AME Publishing Company, p. 1, Feb. 01, 2024. doi: 10.21037/asj-23-41. 4.P. Chung, C. T. Fong, A. M. Walters, N. Aghaeepour, M. Yetişgen, and V. N. O'Reilly-Shah, "Large Language Model Capabilities in Perioperative Risk Prediction and Prognostication," JAMA Surgery, vol. 159, no. 8, American Medical Association, p. 928, Jun. 05, 2024. doi: 10.1001/jamasurg.2024.1621 5.T. Yurttas, R. Hidvegi, and M. Filipovic, "Biomarker-Based Preoperative Risk Stratification for Patients Undergoing Non-Cardiac Surgery," Journal of Clinical Medicine, vol. 9, no. 2, p. 351, Jan. 2020, doi: 10.3390/jcm9020351 6.J. Stones and D. Yates, "Clinical risk assessment tools in anaesthesia," BJA Education, vol. 19, no. 2. Elsevier BV, p. 47, Dec. 15, 2018. doi: 10.1016/j.bjae.2018.09.009. 7. Engineering as an Important Emerging Skill for Medical Professionals: Tutorial. J Med Internet Res. 2023 Oct 4;25:e50638. doi: 10.2196/50638. PMID: 37792434; PMCID: PMC10585440. 8. ATEŞMAN, Ender. (1997). Türkçe'de okunabilirliğin Ölçülmesi. A.Ü. Tömer Dil Dergisi, sayı:58,s.171174. 9. Coskun B, Ocakoglu G, Yetemen M, Kaygisiz O. Can ChatGPT, an Artificial Intelligence Language Model, Provide Accurate and High-quality Patient Information on Prostate Cancer? Urology. 2023 Oct;180:35-58. doi: 10.1016/j.urology.2023.05.040. Epub 2023 Jul 4. PMID: 37406
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Aktuální)
Dokončení studie (Odhadovaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další identifikační čísla studie
- Bursa Şehir Hastanesi
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Popis plánu IPD
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .