Heikkouden arviointi paljastaa kognitiivisia eroja ASA-luokituksessa: Anestesialääkärit vs. suuret kielimallit (ASA-AI)

Tämä tutkimus on suunniteltu prospektiiviseksi, havainnointipohjaiseksi, vertailevaksi ja usean arvioijan tutkimukseksi, joka arvioi ASA-fysiologisen tilaluokituksen eroja anestesiologien ja suurten kielimallien (LLM) välillä.

ASA-fysiologisen tilaluokitusjärjestelmä on perioperatiivisen riskinarvioinnin kulmakivi; se ei kuitenkaan sisällä eksplisiittisesti heikkoutta, joka on moniulotteinen käsite, joka heijastaa vähentynyttä fysiologista reserviä ja haavoittuvuutta. Kliinisessä käytännössä anestesiologit usein integroivat heikkouteen liittyvää tietoa implisiittisesti ASA-arviointeihin, mikä saattaa vaikuttaa tarkkailijavaihteluun.

Suuret kielimallit käsittelevät kliinistä tietoa käyttäen eksplisiittisiä, strukturoituja syötteitä eivätkä luota kokemus- tai intuitiiviseen päättelyyn. Tämä ominaisuus tarjoaa ainutlaatuisen mahdollisuuden tutkia kognitiivisia eroja ihmisasiantuntijoiden ja tekoälyn välillä kliinisissä luokittelutehtävissä.

Aikuispotilaat (≥18 vuotta), joille on suunniteltu valintaista leikkausta, sisällytetään. Hätätapaukset, lastipotilaat ja henkilöt, joilla on riittämätön kliininen tieto ASA-luokitusta varten, jätetään pois. Jokaisesta potilaasta kerätään standardoituja preoperatiivisia kliinisiä tietoja, mukaan lukien demografiset ominaisuudet, painoindeksi, komorbiditeetit, säännölliset lääkkeet ja suunnitellun leikkausmenettelyn tyyppi.

ASA-fysiologisen tilaluokituksen tekevät itsenäisesti neljä alan sertifioitua anestesiologia, joilla on vähintään viiden vuoden kliininen kokemus, sekä kaksi eri organisaatioiden kehittämää suurta kielimallia. Kaikki arvioinnit suoritetaan käyttäen samaa standardoitua tietojoukkoa, ja arvioijat ovat sokeutettuja toistensa arvioinneille.

Tutkimus toteutetaan kahdessa peräkkäisessä vaiheessa. Ensimmäisessä vaiheessa ASA-luokitus suoritetaan käyttäen pelkästään standardoituja kliinisiä tietoja. Toisessa vaiheessa validoitu heikkousindeksi lisätään samaan potilastietojoukkoon, ja arviointiprosessi toistetaan. Tämä suunnittelu mahdollistaa arvioinnin siitä, kuinka heikkoustieto vaikuttaa ASA-luokituspäätöksiin ihmis- ja tekoälyarvioijilla.

Suuria kielimalleja käytetään ennalta määritellyllä, standardoidulla kehotteella, joka pysyy muuttumattomana koko tutkimuksen ajan. Malleille annetaan ohje tuottaa yksi ASA-fysiologisen tilan luokka (I–V) ilman selityksiä tai lisäkommentteja, eikä iteratiivista kehottamista tai palautetta sallita.

Arvioijien välistä sopivuutta anestesiologien kesken, tekoälymallien kesken sekä ihmisten ja tekoälyarvioijien välillä analysoidaan käyttäen Cohenin kappa- ja Fleissin kappa-tilastoja tarpeen mukaan. ASA-luokituksen muutoksia heikkoustiedon lisäämisen jälkeen arvioidaan käyttäen parittaisia tilastollisia menetelmiä. Tilastollinen merkitsevyys määritellään p < 0,05.

Vertailemalla ASA-luokitusmalleja anestesiologien ja suurten kielimallien välillä sekä heikkoustiedon kanssa että ilman sitä, tämä tutkimus pyrkii selventämään implisiittisen ja eksplisiittisen päättelyn roolia perioperatiivisessa riskinarvioinnissa ja edistämään tulevien tekoälyavusteisten kliinisten päätöksentukijärjestelmien kehitystä.