ASA-forudsigelse ved hjælp af sundhedsdata og medicinbrug

American Society of Anesthesiologists Physical Status (ASA-PS) klassifikationssystem er et meget brugt værktøj til vurdering af kirurgisk fitness og andre kliniske sammenhænge. Imidlertid kan dens iboende subjektivitet og store afhængighed af klinikerens dømmekraft føre til uoverensstemmelser i patientrisikostratificering, en kritisk komponent i perioperativ behandling. Desuden er ASA-PS-systemet blevet vedtaget til forskellige administrative og regulatoriske formål ud over dets oprindelige hensigt, såsom kvalitetsvurdering af det hollandske sundheds- og ungdomstilsyn (IGJ), kompensationsbeslutninger fra private betalere i USA, patienttriage og bestemmelse af egnethed til visse typer operationer.

I betragtning af de brede og kritiske anvendelser af ASA-PS-systemet er det af afgørende betydning at forbedre dets præcision og objektivitet. En måde at opnå dette på er gennem udviklingen af ​​en maskinlæringsalgoritme, der forudsiger ASA-PS baseret på præoperative variable. Anæstesilæger baserer ASA-PS-scoren på tilstedeværelsen af ​​systemiske sygdomme, som kan udledes af medicinbrug. Ved at udnytte data såsom Anatomical Therapeutic Chemical (ATC) koder, BMI, køn, alder, rutinemæssigt indsamlede præoperative helbredsdata og medicinbrug, kunne denne algoritme give et mere konsistent og objektivt mål for ASA-PS.

Dette ville ikke kun forbedre den kliniske beslutningstagning i patientrisikostratificering, men også tilbyde et mere pålideligt værktøj til administrative og regulatoriske anvendelser. Derfor udgør udviklingen af ​​et sådant maskinlæringsværktøj en betydelig mulighed for at fremme både videnskaben og praksisen inden for perioperativ pleje. Inkorporering af medicinbrug i algoritmen kan yderligere forbedre dens forudsigelsesevne, da den er tæt forbundet med systemisk sygdom. Denne tilføjelse kan hjælpe med at forfine ASA-PS-klassifikationen, hvilket gør den til et endnu mere værdifuldt værktøj i kliniske omgivelser.