Forudsigeligheden af behovet for kardiologisk konsultation hos patienter planlagt til ikke-hjertekirurgi ved brug af kunstig intelligens-modeller i preoperativ anæstesi-vurdering
Effektiviteten af at bruge kunstig intelligens (Chat GPT) i hjertevurdering under anæstesiundersøgelse af præoperative tilfælde
Struktureret resumé-titel
Forudsigelighed af krav om kardiologisk konsultation hos patienter, der gennemgår ikke-hjertelidende kirurgi ved hjælp af kunstig intelligens-modeller
Baggrund
Præoperativ kardiel risikovurdering er afgørende for at minimere perioperativ morbiditet og mortalitet hos patienter, der gennemgår ikke-hjertelidende kirurgi. Kardiologiske konsultationer anmodes ofte om for at vurdere kirurgisk egnethed og reducere komplikationsrisici. Unødvendige konsultationer kan dog bidrage til ineffektiv sundhedsressourceudnyttelse og procedureforsinkelser.
Nylige fremskridt inden for kunstig intelligens, især store sprogmodeller, har vist potentiale i kliniske beslutningsstøttesystemer. De Europæiske Kardiologiforenings (ESC) 2024-retningslinjer giver et struktureret rammeværk til evaluering af perioperativ kardiel risiko. Dette studie har til formål at undersøge, om AI-baserede modeller kan assistere i forudsigelse af behovet for kardiologisk konsultation, og at undersøge effekten af promptet versus ikke-promptet inputformater på AI-anbefalinger.
Studiedesign
Prospektivt, observationsbaseret, komparativt studie.
Etisk godkendelse
Studiet er blevet godkendt af Bursa City Hospitals etiske komité og vil blive gennemført i overensstemmelse med Helsinkideklarationen.
Stikprøvestørrelse
Stikprøvestørrelse blev beregnet ved hjælp af G*Power-software baseret på forventet effektstørrelse og statistiske styrkekrav.
Deltagere
Inklusionskriterier:
Voksne på 18 år eller ældre
ASA fysisk status I-IV
Planlagt til ikke-hjertelidende kirurgi
Evalueret af anæstesi-residenter med mindre end to års klinisk erfaring
Eksklusionskriterier:
Pædiatriske patienter
Patienter, der afviser deltagelse
Ufuldstændige kliniske data
Dataindsamling
Følgende patientdata vil blive registreret:
Demografi (alder, køn, BMI)
Medicinsk historie (komorbiditeter, medicinanvendelse, allergier, stofbrug)
Funktionel kapacitet (METs-score)
EKG-fund
Thoraxradiografifund
Planlagte kirurgiske procedurekarakteristika
AI-model evaluering
Flere AI-sprogmodeller vil blive testet ved hjælp af standardiserede patientscenarier. Hvert scenarie vil blive præsenteret i to formater:
Promptet format:
"Du er en anæstesiolog med 10 års erfaring. Ifølge ESC 2024-retningslinjer, vurder om denne patient kræver kardiologisk konsultation."
Ikke-promptet format:
"Vurder om denne patient kræver kardiologisk konsultation."
AI-anbefalinger vil ikke påvirke klinisk beslutningstagning.
Udfaldsmål
Primære og sekundære analyser vil inkludere:
Overensstemmelse mellem AI-anbefalinger og ekspertanæstesiologvurderinger
Læsbarhed af AI-genererede svar
Kvalitetsvurdering af svar
Klassifikationsydelsessammenligninger på tværs af modeller
Statistisk analyse
Statistiske analyser vil blive udført ved hjælp af passende komparative og overensstemmelsestests. Læsbarheds- og kvalitetsscorer vil blive analyseret ved hjælp af ikke-parametriske metoder, hvor relevant. ROC-analyse vil blive brugt til at vurdere klassifikationsevne. Et signifikansniveau på p < 0,05 vil blive anvendt.
Studieformål
Formålet med dette studie er at udforske muligheden for AI-assisterede beslutningsstøttesystemer i at forudsige kardiologiske konsultationskrav og at evaluere, om prompt-engineering påvirker AI-ydelse.
Studieoversigt
Status
Detaljeret beskrivelse
Struktureret resumé-titel
Forudsigelighed af krav til kardiologisk konsultation hos patienter, der gennemgår ikke-hjertelidende kirurgi ved brug af kunstig intelligens-modeller
Baggrund
Præoperativ hjerterisikovurdering er essentiel for at minimere perioperativ morbiditet og mortalitet hos patienter, der gennemgår ikke-hjertelidende kirurgi. Kardiologiske konsultationer anmodes ofte for at vurdere kirurgisk egnethed og reducere komplikationsrisici. Dog kan unødvendige konsultationer bidrage til ineffektiv sundhedsressourceudnyttelse og procedureforsinkelser.
Nylige fremskridt inden for kunstig intelligens, især store sprogmodeller, har demonstreret potentiale i kliniske beslutningsstøttesystemer. De Europæiske Kardiologiforenings (ESC) 2024-retningslinjer giver et struktureret rammeværk for evaluering af perioperativ hjerterisiko. Dette studie har til formål at undersøge, om AI-baserede modeller kan assistere i at forudsige behovet for kardiologisk konsultation og at undersøge effekten af promptet versus ikke-promptet inputformater på AI-anbefalinger.
Studiedesign
Prospektivt, observationsbaseret, komparativt studie.
Etisk godkendelse
Studiet er blevet godkendt af Bursa City Hospitals etiske komité og vil blive gennemført i overensstemmelse med Helsinki-erklæringen.
Stikprøvestørrelse
Stikprøvestørrelse blev beregnet ved brug af G*Power-software baseret på forventet effektstørrelse og statistisk styrkekrav.
Deltagere
Inklusionskriterier:
Voksne på 18 år eller ældre
ASA fysisk status I-IV
Planlagt til ikke-hjertelidende kirurgi
Evalueret af anæstesi-residenter med mindre end to års klinisk erfaring
Eksklusionskriterier:
Pædiatriske patienter
Patienter, der afslår deltagelse
Ufuldstændige kliniske data
Dataindsamling
Følgende patientdata vil blive registreret:
Demografi (alder, køn, BMI)
Medicinsk historie (komorbiditeter, medicinanvendelse, allergier, stofbrug)
Funktionel kapacitet (METs-score)
EKG-fund
Røntgenundersøgelse af brystkassen fund
Planlagte kirurgiske procedurekarakteristika
AI-model evaluering
Flere AI-sprogmodeller vil blive testet ved brug af standardiserede patientscenarier. Hvert scenario vil blive præsenteret i to formater:
Promptet format:
"Du er en 10-årig erfaren anæstesiolog. Ifølge ESC 2024-retningslinjer, vurder om denne patient kræver kardiologisk konsultation."
Ikke-promptet format:
"Vurder om denne patient kræver kardiologisk konsultation."
AI-anbefalinger vil ikke påvirke klinisk beslutningstagning.
Outcomemål
Primær og sekundær analyse vil inkludere:
Overensstemmelse mellem AI-anbefalinger og ekspertanæstesiologevalueringer
Læsbarhed af AI-genererede svar
Kvalitetsvurdering af svar
Klassifikationsydelsessammenligninger på tværs af modeller
Statistisk analyse
Statistiske analyser vil blive udført ved brug af passende komparative og overensstemmelsestests. Læsbarheds- og kvalitetsscorer vil blive analyseret ved brug af ikke-parametriske metoder, hvor relevant. ROC-analyse vil blive brugt til at vurdere klassifikationsevne. Et signifikansniveau på p < 0,05 vil blive anvendt.
Studiemål
Formålet med dette studie er at udforske gennemførligheden af AI-assisterede beslutningsstøttesystemer i at forudsige krav til kardiologisk konsultation og at evaluere, om prompt engineering påvirker AI-ydelse.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiesteder
-
-
Bursa
-
Bursa, Bursa, Tyrkiet (Türkiye), 16001
- Bursa Şehir Hastanesi
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
Voksne i alderen 18 år eller ældre
ASA fysisk statusklassifikation I-IV
Planlagt til ikke-hjertekirurgi
Patienter vurderet præoperativt af anæstesi-residenter med mindre end to års klinisk erfaring
Tilgængelighed af komplette kliniske data inklusive sygehistorie, EKG-funktioner og thorax radiografi
Evne til at give informeret samtykke
Eksklusionskriterier:
Patienter yngre end 18 år
Patienter, der gennemgår hjertekirurgi
Patienter med ufuldstændige kliniske data
Patienter, der afslog deltagelse
Akutkirurgiske tilfælde
Patienter, der ikke kan gennemgå standard præoperativ evaluering
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Aftale mellem AI-modelanbefalinger og ekspert-anæstesiologens beslutning vedrørende krav til kardiologisk konsultation
Tidsramme: Ved baseline præoperativ evaluering (dag 1)
|
Niveauet af overensstemmelse mellem kunstig intelligens models anbefalinger og ekspert-anæstesilægers evalueringer for kardiologisk konsultationsnødvendighed vil blive vurderet ved hjælp af Cohens Kappa-koefficient baseret på ESC 2024-retningslinjer.
|
Ved baseline præoperativ evaluering (dag 1)
|
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Læsbarhed af AI-genererede svar
Tidsramme: Umiddelbart efter evaluering af AI-genereret respons (dag 1)
|
Læsbarheden af AI-genererede svar vil blive vurderet ved hjælp af Ateşman Læsbarhedsindekset for at fastslå klarhed og forståelighed af konsultationsanbefalinger.
|
Umiddelbart efter evaluering af AI-genereret respons (dag 1)
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Ledende efterforsker: eralp çevikkalp, Bursa Şehir Hastanesi
Publikationer og nyttige links
Generelle publikationer
- 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
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- Bursa Şehir Hastanesi
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .