ROTEM-tolkning AI vs eksperter (ROTEMAI)

Denne prospektive multicenter observationsstudie er designet til at evaluere overensstemmelsen mellem kunstig intelligens (KI)-baseret fortolkning og ekspertfortolkning af rotational tromboelastometri (ROTEM)-fund med fokus på klinisk beslutningstagning hos kritisk syge patienter.

ROTEM er en point-of-care viskoelastisk metode, der giver realtidsinformation om koagulation, herunder klumpdannelse, styrke og fibrinolyser. Den er bredt anvendt til at guide målrettet hemostatisk terapi i traumer, større kirurgi og intensivbehandling. Fortolkning af ROTEM-fund er dog kompleks og kræver klinisk ekspertise. Interobservatørvariabilitet blandt klinikere kan føre til inkonsistente terapeutiske beslutninger. Selvom algoritmebaserede tilgange er blevet introduceret, er deres implementering variabel.

Kunstig intelligens (KI) har potentiale til at standardisere fortolkningen ved at integrere flere ROTEM-parametre og generere konsistente anbefalinger. Tidligere studier har vist, at maskinlæringsmodeller kan forudsige kliniske udfald eller transfusionsbehov baseret på viskoelastiske data. Bevis for overensstemmelse mellem KI-baseret fortolkning og ekspertfortolkning, især i virkelig klinisk beslutningstagning, er dog stadig begrænset.

Primærmålet med dette studie er at afgøre, om KI-baseret fortolkning opnår et niveau af overensstemmelse, der er sammenligneligt med inter-ekspertvariabilitet i ROTEM-fortolkning. Dette studie antager ikke en enkelt gylden standard, men evaluerer i stedet overensstemmelse mellem metoder, hvilket afspejler virkelig klinisk praksis.

Sekundære mål inkluderer:

• sammenligning af fortolkningstid mellem KI og ekspertklinikere,
• vurdering af konsistens (intra-metodevariabilitet) af KI sammenlignet med inter-ekspertvariabilitet,
• evaluering af potentiel indvirkning på klinisk beslutningstagning, herunder identifikation af koagulationsabnormaliteter og foreslåede behandlingsstrategier.

ROTEM-målinger vil blive indsamlet og præsenteret i et standardiseret format, herunder grafiske og numeriske output. Hvert datasæt vil blive uafhængigt evalueret af flere ekspertanæstesilæger. De samme datasæt vil blive fortolket gentagne gange af en KI-baseret stor sprogmodel ved hjælp af en foruddefineret standardiseret prompt, med flere uafhængige kørsler for at vurdere intra-modelvariabilitet.

For hvert ROTEM-datasæt vil både eksperter og KI vurdere:

• tilstedeværelse af en koagulationsforstyrrelse,
• dominerende underliggende abnormalitet,
• passende terapeutisk intervention,
• og anbefalet behandlingsdosis.

Overensstemmelse mellem eksperter og KI samt inter-ekspertoverensstemmelse vil blive analyseret ved hjælp af passende statistiske metoder for kategoriske og kontinuerte variable (f.eks. kappastatistik og intraklassekorrelationskoefficienter). Tidsforbrug til fortolkning vil også blive registreret og sammenlignet.

Dette studie er ikke designet til at afgøre den absolutte korrekthed af fortolkning, men til at kvantificere overensstemmelse og variabilitet mellem menneskelige eksperter og KI. Ved at identificere klinisk relevante afvigelser sigter studiet mod at evaluere, om KI-assisteret fortolkning kan fungere som et pålideligt beslutningsstøtteværktøj og reducere variabilitet i ROTEM-guidet hemostatisk behandling.