Vergleich von künstlicher Intelligenz und Anästhesisten bei der präoperativen Risikobewertung (AI-PREOP)
Klinische Leistung eines auf maschinellem Lernen basierenden künstlichen Intelligenzsystems im Vergleich zur Anästhesisteneinschätzung bei der präoperativen Patientenbewertung
Die präoperative Bewertung ist entscheidend, um patientenbezogene Risiken vor einer elektiven Operation zu identifizieren und ein sicheres Anästhesiemanagement zu planen. Traditionell wird diese Bewertung von Anästhesisten auf Grundlage der klinischen Anamnese, der körperlichen Untersuchung, von Begleiterkrankungen und Laborbefunden durchgeführt.
Diese Beobachtungsstudie zielt darauf ab, die klinische Leistungsfähigkeit eines auf maschinellem Lernen basierenden künstlichen Intelligenzsystems mit der Bewertung durch Anästhesisten während der präoperativen Patientenbewertung zu vergleichen. Das künstliche Intelligenzsystem analysiert unabhängig Patientendaten und erstellt Risikobewertungen, die dann mit den von Anästhesisten durchgeführten Bewertungen verglichen werden.
Das primäre Ziel der Studie ist, das Ausmaß der Übereinstimmung zwischen dem künstlichen Intelligenzsystem und Anästhesisten bei der präoperativen Risikobewertung zu bewerten. Sekundäre Ziele umfassen die Bewertung der Genauigkeit und Konsistenz des künstlichen Intelligenzsystems und die Untersuchung seiner potenziellen Rolle als Entscheidungsunterstützungswerkzeug in der präoperativen klinischen Praxis.
Die Ergebnisse dieser Studie können dazu beitragen, die potenziellen Vorteile und Grenzen der KI-gestützten Entscheidungsfindung in der präoperativen Bewertung zu verstehen.
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Die präoperative Bewertung ist eine kritische Komponente der perioperativen Versorgung, die darauf abzielt, patientenspezifische Risiken zu identifizieren, die Patientensicherheit zu optimieren und die anästhesiologische Planung vor elektiven chirurgischen Eingriffen zu leiten. Dieser Prozess stützt sich traditionell auf das klinische Urteil von Anästhesisten, die Krankengeschichte, körperliche Untersuchungsbefunde, Begleiterkrankungen und relevante Labordaten integrieren, um das perioperative Risiko zu beurteilen.
Jüngste Fortschritte in künstlicher Intelligenz und maschinellem Lernen haben die Entwicklung klinischer Entscheidungsunterstützungssysteme ermöglicht, die komplexe klinische Daten analysieren und prädiktive Risikobewertungen generieren können. Trotz zunehmenden Interesses an diesen Technologien bleiben ihre klinische Leistung und Zuverlässigkeit in realen präoperativen Umgebungen unzureichend bewertet.
Diese Beobachtungsstudie ist darauf ausgelegt, präoperative Risikobewertungen, die von einem auf maschinellem Lernen basierenden künstlichen Intelligenzsystem generiert werden, mit routinemäßigen anästhesiologengeführten Bewertungen zu vergleichen. Erwachsene Patienten, die für eine elektive Operation vorgesehen sind, werden eine standardmäßige präoperative Bewertung durch Anästhesisten als Teil der üblichen klinischen Versorgung durchlaufen. Unabhängig davon werden anonymisierte Patientendaten vom künstlichen Intelligenzsystem verarbeitet, um präoperative Risikobewertungen zu erstellen. Die Ausgabe der künstlichen Intelligenz wird Klinikern nicht zur Verfügung stehen und hat keinen Einfluss auf das Patientenmanagement.
Das primäre Ergebnis der Studie ist das Maß an Übereinstimmung zwischen dem künstlichen Intelligenzsystem und Anästhesisten bei der präoperativen Risikostratifizierung. Sekundäre Ergebnisse umfassen die Konsistenz, Übereinstimmung und Gesamtleistung von künstlichen Intelligenz-generierten Bewertungen im Vergleich zu klinischen Bewertungen.
Diese Studie beinhaltet keine Interventionen und ändert nicht die Standard-Patientenversorgung. Alle anästhesiologischen und perioperativen Managemententscheidungen bleiben vollständig in der Verantwortung des behandelnden Anästhesisten. Durch den systematischen Vergleich von auf künstlicher Intelligenz basierenden Bewertungen mit klinischen Bewertungen zielt diese Studie darauf ab, die potenzielle Rolle, Stärken und Grenzen von künstlicher Intelligenz als unterstützendes Werkzeug in der routinemäßigen präoperativen Bewertung zu klären.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
Trabzon
-
Trabzon, Trabzon, Türkei (türkiye)
- Trabzon Faculty of Medicine, Kanuni Training and Research Hospital,
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- - Erwachsene Patienten im Alter von 18 Jahren und älter
- Patienten, die für eine elektive Operation in Vollnarkose geplant sind
- Patienten, die eine routinemäßige präoperative Untersuchung durchlaufen haben
- Verfügbarkeit vollständiger präoperativer klinischer Daten, die sowohl für die Beurteilung durch den Anästhesisten als auch für die KI-gestützte Bewertung erforderlich sind
Ausschlusskriterien:
- - Patienten unter 18 Jahren
- Notfalloperationen
- Patienten mit unvollständigen oder fehlenden präoperativen klinischen Daten
- Patienten, die die Teilnahme abgelehnt haben oder deren Daten nicht ausgewertet werden konnten
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Übereinstimmungsrate zwischen KI-basierten und anästhesiologischen präoperativen Risikobewertungen
Zeitfenster: Zum Zeitpunkt der präoperativen Evaluierung
|
Dieses Ergebnis misst den Grad der Übereinstimmung zwischen einem auf künstlicher Intelligenz basierenden präoperativen Bewertungssystem und der Anästhesistenbewertung, einschließlich der American Society of Anesthesiologists (ASA)-physischen Statusklassifikation und der gesamten perioperativen Risikostratifizierung.
Die Übereinstimmung wird mit geeigneten statistischen Maßnahmen bewertet.
|
Zum Zeitpunkt der präoperativen Evaluierung
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Gülgün E Aksoy, MD, Trabzon Faculty of Medicine, Kanuni Training and Research Hospital, Turkey
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Andere Studien-ID-Nummern
- PREOP-AI-2025
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .