Prédiction de l'ASA à l'aide de données sur la santé et de l'utilisation de médicaments
Aperçu de l'étude
Statut
Les conditions
Description détaillée
Le système de classification de l’état physique de l’American Society of Anesthesiologists (ASA-PS) est un outil largement utilisé pour évaluer l’aptitude chirurgicale et d’autres contextes cliniques. Cependant, sa subjectivité inhérente et sa forte dépendance au jugement du clinicien peuvent conduire à des incohérences dans la stratification du risque des patients, un élément essentiel des soins périopératoires. En outre, le système ASA-PS a été adopté à diverses fins administratives et réglementaires au-delà de son objectif initial, telles que l'évaluation de la qualité par l'Inspection néerlandaise de la santé et de la protection de la jeunesse (IGJ), les décisions d'indemnisation des payeurs privés aux États-Unis, le tri des patients et déterminer l’adéquation à certains types de chirurgie.
Compte tenu des applications vastes et critiques du système ASA-PS, l’amélioration de sa précision et de son objectivité est d’une importance primordiale. Une façon d’y parvenir consiste à développer un algorithme d’apprentissage automatique qui prédit l’ASA-PS sur la base de variables préopératoires. Les anesthésiologistes fondent le score ASA-PS sur la présence de maladies systémiques, qui peuvent être déduites de la prise de médicaments. En exploitant des données telles que les codes anatomiques, thérapeutiques et chimiques (ATC), l'IMC, le sexe, l'âge, les données de santé préopératoires régulièrement collectées et l'utilisation de médicaments, cet algorithme pourrait fournir une mesure plus cohérente et objective de l'ASA-PS.
Cela améliorerait non seulement la prise de décision clinique en matière de stratification des risques pour les patients, mais offrirait également un outil plus fiable à des fins administratives et réglementaires. Par conséquent, le développement d’un tel outil d’apprentissage automatique présente une opportunité significative de faire progresser à la fois la science et la pratique des soins périopératoires. L’intégration de l’utilisation de médicaments dans l’algorithme pourrait encore améliorer son pouvoir prédictif, car il est étroitement lié aux maladies systémiques. Cet ajout pourrait aider à affiner la classification ASA-PS, ce qui en ferait un outil encore plus précieux en milieu clinique.
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
Zuid-Holland
-
Rotterdam, Zuid-Holland, Pays-Bas, 3015GD
- Erasmus MC
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critères d'intégration :
- A subi une intervention chirurgicale, diagnostique ou thérapeutique au sein du bloc opératoire de l'Erasmus MC, et
- Score ASA-PS enregistré dans le dossier médical électronique (DME), et
- Une liste de médicaments vérifiée dans le DME ou un questionnaire de santé anesthésiologique préopératoire rempli et enregistré dans le DME
Critères d'exclusion :
- Âge <18 ans au moment de la chirurgie, ou
- ASA-PS V-VI, ou
- Opt-out enregistré dans le DME
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Classe sur l'état physique de l'American Society of Anesthesiologists (ASA-PS)
Délai: Jour 0
|
La variable de réponse dépendante sera la classe ASA-PS, à la fois comme variable à quatre niveaux (ASA-PS I, II, III et IV) et comme variable à deux niveaux (ASA-PS I et II versus ASA-PS III et IV).
La classe ASA-PS a été attribuée au patient et enregistrée dans le dossier du patient dans le DME par un anesthésiologiste résident en anesthésiologie dans le cadre du dépistage anesthésiologique préopératoire effectué en routine en préparation d'une procédure.
|
Jour 0
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Mesures de performance : précision
Délai: jour 0
|
La classification correcte du score ASA-PS sera évaluée à l'aide des mesures de performance des algorithmes d'apprentissage automatique.
Les mesures de performances courantes incluent : Précision (la proportion d'instances correctement prédites).
|
jour 0
|
|
Indicateurs de performance : précision
Délai: jour 0
|
La classification correcte du score ASA-PS sera évaluée à l'aide des mesures de performance des algorithmes d'apprentissage automatique.
Les mesures de performance courantes incluent : la précision (le rapport entre les véritables prédictions positives et le total des prédictions positives)
|
jour 0
|
|
Métriques de performances:rappel
Délai: jour 0
|
La classification correcte du score ASA-PS sera évaluée à l'aide des mesures de performance des algorithmes d'apprentissage automatique.
Les mesures de performance courantes incluent : ecall (sensibilité ou rapport entre les véritables prédictions positives et les instances positives réelles)
|
jour 0
|
|
Mesures de performance : score F1
Délai: jour 0
|
La classification correcte du score ASA-PS sera évaluée à l'aide des mesures de performance des algorithmes d'apprentissage automatique.
Les mesures de performance courantes incluent : le score F1 (la moyenne harmonique de précision et de rappel).
|
jour 0
|
|
Mesures de performance : aire sous la courbe des caractéristiques de fonctionnement du récepteur
Délai: jour 0
|
La classification correcte du score ASA-PS sera évaluée à l'aide des mesures de performance des algorithmes d'apprentissage automatique.
Les mesures de performance courantes incluent : la zone sous la courbe caractéristique de fonctionnement du récepteur (AUC-ROC, mesure la capacité du modèle à faire la distinction entre les instances positives et négatives).
|
jour 0
|
|
Étalonnage
Délai: Jour 0
|
Des tracés d'étalonnage seront utilisés pour évaluer l'accord entre les prédictions et le taux d'événements (c'est-à-dire
classement correct).
|
Jour 0
|
|
Erreur de classification du score ASA-PS
Délai: Jour 0
|
Un examen manuel d'une sélection d'erreurs de classification sera effectué par deux anesthésiologistes pour évaluer qualitativement la cause de l'erreur de classification.
|
Jour 0
|
|
Explicabilité du modèle de prédiction : explications additives de Shapley (SHAP)
Délai: jour 0
|
Explications additives de Shapley (SHAP), le cas échéant, car elles peuvent offrir un aperçu de la contribution de chaque fonctionnalité à la prédiction d'instances individuelles.
|
jour 0
|
|
Explicabilité du modèle de prédiction : explications locales interprétables et indépendantes du modèle (LIME)
Délai: jour 0
|
Les explications locales interprétables et indépendantes du modèle (LIME) peuvent offrir un aperçu de la contribution de chaque fonctionnalité à la prédiction d'instances individuelles.
|
jour 0
|
|
Taille d'échantillon optimale
Délai: jour 0
|
Analyse des courbes d'apprentissage pour déterminer si des données supplémentaires amélioreraient probablement les performances du modèle ou si l'ensemble de données actuel est suffisant.
|
jour 0
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Chercheur principal: Jan-Wiebe Korstanje, MD MSc PhD, Erasmus Medical Center
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Autres numéros d'identification d'étude
- MEC-2020-0051/MEC-2024-0181
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Délai de partage IPD
Critères d'accès au partage IPD
Type d'informations de prise en charge du partage d'IPD
- PROTOCOLE D'ÉTUDE
- SÈVE
- RSE
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .