Predicción de ASA utilizando datos de salud y uso de medicamentos
Descripción general del estudio
Estado
Condiciones
Descripción detallada
El sistema de clasificación del estado físico de la Sociedad Estadounidense de Anestesiólogos (ASA-PS) es una herramienta ampliamente utilizada para evaluar la aptitud quirúrgica y otros contextos clínicos. Sin embargo, su subjetividad inherente y su gran dependencia del juicio clínico pueden generar inconsistencias en la estratificación del riesgo del paciente, un componente crítico de la atención perioperatoria. Además, el sistema ASA-PS se ha adoptado para diversos fines administrativos y regulatorios que van más allá de su intención original, como la evaluación de la calidad por parte de la Inspección de Salud y Atención Juvenil (IGJ) holandesa, decisiones de compensación de pagadores privados en los EE. UU., clasificación de pacientes y determinar la idoneidad para ciertos tipos de cirugía.
Dadas las aplicaciones amplias y críticas del sistema ASA-PS, mejorar su precisión y objetividad es de suma importancia. Una forma de lograrlo es mediante el desarrollo de un algoritmo de aprendizaje automático que predice ASA-PS en función de variables preoperatorias. Los anestesiólogos basan la puntuación ASA-PS en la presencia de enfermedades sistémicas, que pueden inferirse del uso de medicamentos. Al aprovechar datos como los códigos Anatomical Therapeutic Chemical (ATC), el IMC, el sexo, la edad, los datos de salud preoperatorios recopilados de forma rutinaria y el uso de medicamentos, este algoritmo podría proporcionar una medida más consistente y objetiva de ASA-PS.
Esto no sólo mejoraría la toma de decisiones clínicas en la estratificación del riesgo de los pacientes, sino que también ofrecería una herramienta más confiable para usos administrativos y regulatorios. Por lo tanto, el desarrollo de una herramienta de aprendizaje automático de este tipo presenta una oportunidad importante para avanzar tanto en la ciencia como en la práctica de la atención perioperatoria. La incorporación del uso de medicamentos al algoritmo podría mejorar aún más su poder predictivo, ya que está estrechamente relacionado con la enfermedad sistémica. Esta adición podría ayudar a refinar la clasificación ASA-PS, convirtiéndola en una herramienta aún más valiosa en el ámbito clínico.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Zuid-Holland
-
Rotterdam, Zuid-Holland, Países Bajos, 3015GD
- Erasmus MC
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Se ha sometido a un procedimiento quirúrgico, diagnóstico o terapéutico dentro del quirófano del Erasmus MC, y
- Puntuación ASA-PS registrada en la historia clínica electrónica (EMR), y
- Una lista de medicamentos verificada en EMR, o un cuestionario de salud anestesiológica preoperatoria completo registrado en EMR
Criterios de exclusión:
- Edad <18 al momento de la cirugía, o
- ASA-PS V-VI, o
- Optar por no registrarse en EMR
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Clase de estado físico de la Sociedad Estadounidense de Anestesiólogos (ASA-PS)
Periodo de tiempo: Día 0
|
La variable de respuesta dependiente será la clase ASA-PS, tanto como variable de cuatro niveles (ASA-PS I, II, III y IV) como de dos niveles (ASA-PS I y II versus ASA-PS III y IV).
La clase ASA-PS fue asignada al paciente y registrada en el expediente del paciente en el EMR por un anestesiólogo residente de anestesiología como parte del examen anestesiológico preoperatorio realizado de forma rutinaria en preparación para un procedimiento.
|
Día 0
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Métricas de rendimiento: precisión
Periodo de tiempo: día 0
|
La clasificación correcta de la puntuación ASA-PS se evaluará utilizando métricas de rendimiento de los algoritmos de aprendizaje automático.
Las métricas de rendimiento comunes incluyen: Precisión (la proporción de instancias predichas correctamente).
|
día 0
|
|
Métricas de rendimiento: precisión
Periodo de tiempo: día 0
|
La clasificación correcta de la puntuación ASA-PS se evaluará utilizando métricas de rendimiento de los algoritmos de aprendizaje automático.
Las métricas de rendimiento comunes incluyen: precisión (la proporción de predicciones positivas verdaderas con respecto al total de predicciones positivas)
|
día 0
|
|
Métricas de rendimiento: recordar
Periodo de tiempo: día 0
|
La clasificación correcta de la puntuación ASA-PS se evaluará utilizando métricas de rendimiento de los algoritmos de aprendizaje automático.
Las métricas de rendimiento comunes incluyen: ecall (sensibilidad o proporción de predicciones positivas verdaderas con respecto a las instancias positivas reales)
|
día 0
|
|
Métricas de rendimiento: puntuación F1
Periodo de tiempo: día 0
|
La clasificación correcta de la puntuación ASA-PS se evaluará utilizando métricas de rendimiento de los algoritmos de aprendizaje automático.
Las métricas de rendimiento comunes incluyen: Puntuación F1 (la media armónica de precisión y recuperación).
|
día 0
|
|
Métricas de rendimiento: área bajo la curva característica operativa del receptor
Periodo de tiempo: día 0
|
La clasificación correcta de la puntuación ASA-PS se evaluará utilizando métricas de rendimiento de los algoritmos de aprendizaje automático.
Las métricas de rendimiento comunes incluyen: el área bajo la curva característica operativa del receptor (AUC-ROC, mide la capacidad del modelo para discriminar entre instancias positivas y negativas).
|
día 0
|
|
Calibración
Periodo de tiempo: Día 0
|
Se utilizarán gráficos de calibración para evaluar la concordancia entre las predicciones y la tasa de eventos (es decir,
clasificación correcta).
|
Día 0
|
|
Clasificación errónea de la puntuación ASA-PS
Periodo de tiempo: Día 0
|
Dos anestesiólogos realizarán una revisión manual de una selección de clasificaciones erróneas para evaluar cualitativamente la causa de la clasificación errónea.
|
Día 0
|
|
Explicabilidad del modelo de predicción: explicaciones aditivas de Shapley (SHAP)
Periodo de tiempo: día 0
|
Explicaciones aditivas de Shapley (SHAP), si corresponde, ya que pueden ofrecer información sobre la contribución de cada característica a la predicción de instancias individuales.
|
día 0
|
|
Explicabilidad del modelo de predicción: explicaciones independientes del modelo local interpretable (LIME)
Periodo de tiempo: día 0
|
Las explicaciones locales interpretables independientes del modelo (LIME) pueden ofrecer información sobre la contribución de cada característica a la predicción de instancias individuales.
|
día 0
|
|
Tamaño de muestra óptimo
Periodo de tiempo: día 0
|
Análisis de las curvas de aprendizaje para determinar si datos adicionales probablemente mejorarían el rendimiento del modelo o si el conjunto de datos actual es suficiente.
|
día 0
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Jan-Wiebe Korstanje, MD MSc PhD, Erasmus Medical Center
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Otros números de identificación del estudio
- MEC-2020-0051/MEC-2024-0181
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Marco de tiempo para compartir IPD
Criterios de acceso compartido de IPD
Tipo de información de apoyo para compartir IPD
- PROTOCOLO DE ESTUDIO
- SAVIA
- RSC
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .