Übereinstimmung zwischen ChatGPT-5 und Anästhesisten bei der präoperativen Risikobewertung: ASA-Klassifikation (ASA)

Hintergrund und Begründung Die präoperative Risikobewertung ist ein Eckpfeiler der perioperativen Medizin und beeinflusst direkt die Anästhesieplanung, die Nutzung von Labortests und die Vorbereitung perioperativer Ressourcen. Die ASA-Klassifikation (American Society of Anesthesiologists Physical Status) bleibt das weltweit am weitesten verbreitete Instrument zur Risikostratifizierung. Die ASA-Einstufung ist jedoch von Natur aus subjektiv, beruht auf der Interpretation des Klinikers und kann eine Inter-Observer-Variabilität aufweisen.

Fortschritte in der künstlichen Intelligenz (KI), insbesondere große Sprachmodelle (LLMs), haben gezeigt, dass sie strukturierte und unstrukturierte klinische Informationen synthetisieren und medizinische Klassifikationen generieren können, die in ausgewählten Bereichen mit der klinischen Beurteilung vergleichbar sind. In der perioperativen Evaluation können KI-Systeme eine standardisiertere und reproduzierbarere Interpretation von Komorbiditäten, Funktionsstatus und Laborparametern bieten.

Neben der Risikoklassifikation ist die präoperative Anordnung von Labortests eine kritische Komponente des klinischen Arbeitsablaufs. Übermäßiges oder unzureichendes Labortesten kann die Effizienz der Gesundheitsversorgung und die perioperative Planung beeinflussen. Ob sich KI-basierte Empfehlungen quantitativ vom Anordnungsverhalten von Anästhesisten unterscheiden, ist unbekannt.

Darüber hinaus stellt die perioperative Transfusion von Erythrozytenkonzentraten (Packed Red Blood Cells, PRBC) einen objektiven Marker für die chirurgische physiologische Belastung und das perioperative Risiko dar. Die Bewertung, ob die vom Kliniker zugewiesene ASA-Klassifikation oder die KI-generierte ASA-Klassifikation besser mit der tatsächlichen PRBC-Nutzung korreliert, könnte Einblicke in die klinische Validität der KI-unterstützten Risikostratifizierung geben.

Diese Studie zielt darauf ab, die Übereinstimmung zwischen Anästhesisten und ChatGPT-5 bei der ASA-Klassifikation zu bewerten und die Muster der Labortestanordnung sowie deren Zusammenhang mit der perioperativen Nutzung von Erythrozytenkonzentraten zu vergleichen.

Studienziele Primäres Ziel Die Übereinstimmung zwischen ASA-Klassifikationen, die von Fachanästhesisten zugewiesen wurden, und ASA-Klassifikationen, die von ChatGPT-5 unter Verwendung anonymisierter präoperativer klinischer Dokumentation generiert wurden, zu bewerten.

Sekundäre Ziele

Die Anzahl und Art der präoperativen Labortests, die pro Patient angeordnet wurden, zu vergleichen durch:

Fachärzte für Anästhesiologie ChatGPT-5 unter standardisierten Prompt-Bedingungen Die Intensität der Laboranordnung (durchschnittliche Anzahl Tests pro Patient) zu quantifizieren und Unterschiede zwischen klinischen und KI-generierten Empfehlungen zu bewerten.

Die perioperative Nutzung von Erythrozytenkonzentraten (Packed Red Blood Cells, PRBC) zu bewerten:

Inzidenz der Transfusion Anzahl der transfundierten PRBC-Einheiten pro Patient

Die Beziehung zwischen zu beurteilen:

Vom Kliniker zugewiesener ASA-Klassifikation KI-generierter ASA-Klassifikation Umfang der Laboranordnung Tatsächlicher perioperativer PRBC-Transfusion Studiendesign Dies ist eine monozentrische, prospektiv-retrospektive hybride Beobachtungsstudie, die in der präoperativen Anästhesie-Ambulanz des Antalya City Hospital durchgeführt wird.

Die geplante Studiendauer beträgt 6 Monate (1. Januar 2026 - 1. Juli 2026). Die Zielrekrutierung liegt bei etwa 1000 erwachsenen elektiven chirurgischen Patienten, was eine ausreichende Power für Übereinstimmungsanalysen und Subgruppenvergleiche ermöglicht.

Diese Studie ist beobachtend. Es werden keine Änderungen an der routinemäßigen klinischen Versorgung vorgenommen. KI-Ergebnisse werden keine Patientenmanagement-Entscheidungen beeinflussen.

Studienpopulation Einschlusskriterien Alter ≥ 18 Jahre Für elektive Chirurgie geplant Abgeschlossenes standardisiertes präoperatives Anästhesie-Evaluierungsformular ASA-Klassifikation, die von einem Fachanästhesisten zugewiesen wurde Schriftliche Einwilligungserklärung nach Aufklärung Klinische Dokumentation, die sich für Anonymisierung eignet Ausschlusskriterien Notfallchirurgie ASA-Klassifikation VI Schwangerschaft Pädiatrische Patienten (<18 Jahre) Unvollständige oder nicht standardisierte Dokumentation Unfähigkeit, klinische Aufzeichnungen zu anonymisieren 30 Tage zwischen präoperativer Beurteilung und Operation Studienablauf

1. Klinikerbasierte Bewertung

   Aus elektronischen Patientenakten werden folgende Daten extrahiert:

   Demografie (Alter, Geschlecht) Komorbiditäten Medikamentenanamnese Funktionelle Kapazität (falls dokumentiert) Körperliche Untersuchungsbefunde Laborbefunde (falls angeordnet) ASA-Klassifikation, die vom Anästhesisten zugewiesen wurde Art und Anzahl der angeordneten Labortests Perioperative Transfusion von Erythrozytenkonzentraten (PRBC) Transfusionsinzidenz (ja/nein) Gesamtzahl der PRBC-Einheiten pro Patient Die Labortestzählungen umfassen alle routinemäßigen präoperativen Tests (z.B. Blutbild, Gerinnungsprofil, biochemische Panels, etc.), aufgezeichnet als Gesamtzahl pro Patient.

2. KI-basierte Bewertung

Anonymisierte präoperative klinische Zusammenfassungen werden unter Verwendung eines standardisierten strukturierten Prompts in ChatGPT-5 eingegeben. Die KI wird gebeten:

Eine ASA Physical Status-Klassifikation zuzuweisen. Präoperative Labortests zu empfehlen.

Für jeden Patienten werden folgende KI-Ergebnisse aufgezeichnet:

Von ChatGPT-5 generierte ASA-Klassifikation Liste der empfohlenen Labortests Gesamtzahl der empfohlenen Labortests KI-Empfehlungen werden klinisch nicht umgesetzt und ausschließlich für vergleichende Analysen verwendet.

Endpunkte Primärer Endpunkt

Übereinstimmung zwischen anästhesistenzugewiesenen und ChatGPT-5-generierten ASA-Klassifikationen, gemessen mit:

Cohens Kappa-Koeffizient Gewichtetem Kappa (ordinale ASA I-V Skala) Sekundäre Endpunkte

Durchschnittliche Anzahl Labortests pro Patient:

Kliniker-angefordert KI-empfohlen Verteilung der Labortestkategorien.

Perioperative Nutzung von Erythrozytenkonzentraten:

Transfusionsrate (% der Patienten) Durchschnittliche PRBC-Einheiten pro Patient

Zusammenhang zwischen:

ASA-Klassifikation (Kliniker vs KI) Umfang der Labortestanordnung PRBC-Transfusionsinzidenz und Anzahl der Einheiten Statistikplan Cohens Kappa und gewichtetes Kappa für ASA-Übereinstimmung Gepaarte Vergleiche der Labortestanzahlen unter Verwendung von gepaartem t-Test oder Wilcoxon-Vorzeichen-Rang-Test Korrelationsanalyse zwischen Labortestvolumen und PRBC-Einheiten Logistische Regressionsanalyse für Prädiktoren der PRBC-Transfusion Ordinale Regressionsanalyse für ASA-Prädiktoren

Subgruppenanalysen stratifiziert nach:

Altersgruppe Chirurgische Kategorie Komorbiditätslast Statistische Signifikanz wird als p < 0,05 definiert. Fallzahlbegründung Basierend auf früheren ASA-Übereinstimmungsstudien, die Kappa-Werte zwischen 0,70-0,85 berichten, wurde ein minimal klinisch bedeutsamer Kappa von 0,60 angenommen.

Mit α = 0,05 und 80% Power wurde die minimal erforderliche Fallzahl auf 150-180 Patienten geschätzt.

Um die statistische Präzision zu erhöhen und robuste Subgruppenanalysen zu ermöglichen, werden etwa 1000 Patienten während des Studienzeitraums rekrutiert.

Ethische Überlegungen Diese Studie ist nicht-interventionell und beobachtend. Alle klinischen Daten werden vor der KI-Verarbeitung anonymisiert. Keine Patientenmanagement-Entscheidungen werden durch KI-Ergebnisse beeinflusst. Die Studie wird gemäß der Deklaration von Helsinki und den anwendbaren Datenschutzbestimmungen durchgeführt.

Erwarteter wissenschaftlicher Beitrag

Diese Studie wird Evidenz aus der Praxis liefern bezüglich:

Der Zuverlässigkeit von ChatGPT-5 bei der Generierung von ASA-Klassifikationen Unterschieden in der Intensität der Laboranordnung zwischen Klinikern und KI Der Assoziation zwischen ASA-Klassifikationsmethoden und der tatsächlichen Nutzung von Erythrozytenkonzentraten Die Ergebnisse können zum Verständnis beitragen, ob KI-unterstützte präoperative Bewertung eine standardisiertere, objektivere und ressourcenbewusstere perioperative Evaluation unterstützen kann.