このページは自動翻訳されたものであり、翻訳の正確性は保証されていません。を参照してください。 英語版 ソーステキスト用。

術前麻酔評価における人工知能モデルを用いた非心臓手術予定患者における心臓科コンサルテーション必要性の予測可能性

2026年1月31日 更新者:eralp çevikkalp、Bursa City Hospital

術前症例の麻酔検査における心臓評価における人工知能(Chat GPT)使用の有効性

構造化された要約タイトル

人工知能モデルを用いた非心臓手術患者における循環器科コンサルテーション必要性の予測可能性

背景

術前心臓リスク評価は、非心臓手術を受ける患者の周術期罹病率と死亡率を最小限に抑えるために不可欠です。 循環器科コンサルテーションは、手術適格性を評価し合併症リスクを低減するためによく依頼されます。 しかし、不必要なコンサルテーションは、医療リソースの非効率的な利用や処置の遅延につながる可能性があります。

人工知能、特に大規模言語モデルの最近の進歩は、臨床意思決定支援システムにおける可能性を示しています。 欧州心臓病学会(ESC)2024年ガイドラインは、周術期心臓リスク評価のための構造化された枠組みを提供しています。 本研究は、AIベースのモデルが循環器科コンサルテーションの必要性を予測するのに役立つかどうかを調査し、プロンプトありとプロンプトなしの入力形式がAIの推奨に及ぼす影響を検討することを目的としています。

研究デザイン

前向き観察比較研究。

倫理承認

本研究はブルサ市病院倫理委員会によって承認され、ヘルシンキ宣言に従って実施されます。

サンプルサイズ

サンプルサイズは、予想される効果量と統計的検出力の要件に基づいてG*Powerソフトウェアを用いて計算されました。

参加者

包含基準:

18歳以上の成人

ASA身体状態分類 I-IV

非心臓手術の予定がある

臨床経験2年未満の麻酔科レジデントによって評価される

除外基準:

小児患者

参加を辞退する患者

不完全な臨床データ

データ収集

以下の患者データが記録されます:

人口統計学的データ(年齢、性別、BMI)

病歴(併存疾患、薬剤使用、アレルギー、物質使用)

機能的容量(METスコア)

心電図所見

胸部X線所見

計画された外科手術の特性

AIモデル評価

複数のAI言語モデルが、標準化された患者シナリオを用いてテストされます。 各シナリオは2つの形式で提示されます:

プロンプトあり形式:

「あなたは10年の経験を持つ麻酔科医です。 ESC 2024年ガイドラインに従って、この患者が循環器科コンサルテーションを必要とするかどうかを評価してください。」

プロンプトなし形式:

「この患者が循環器科コンサルテーションを必要とするかどうかを評価してください。」

AIの推奨は臨床的意思決定に影響を与えません。

アウトカム指標

一次および二次解析には以下が含まれます:

AI推奨と専門麻酔科医評価との一致度

AI生成応答の読みやすさ

応答の品質評価

モデル間の分類性能比較

統計解析

統計解析は、適切な比較検定と一致度検定を用いて実施されます。 読みやすさと品質スコアは、該当する場合、ノンパラメトリック法を用いて分析されます。 ROC分析は分類能力を評価するために使用されます。 有意水準p<0.05が適用されます。

研究目的

本研究の目的は、循環器科コンサルテーション要件を予測する際のAI支援意思決定支援システムの実現可能性を探り、プロンプトエンジニアリングがAI性能に影響を与えるかどうかを評価することです。

調査の概要

詳細な説明

構造化サマリータイトル

非心臓手術を受ける患者における人工知能モデルを用いた心臓科コンサルテーション必要性の予測可能性

背景

術前の心臓リスク評価は、非心臓手術を受ける患者の周術期罹病率と死亡率を最小限に抑えるために不可欠です。 手術適格性を評価し合併症リスクを軽減するため、しばしば心臓科コンサルテーションが要請されます。 しかしながら、不必要なコンサルテーションは、医療資源の非効率的な利用や手順の遅延につながる可能性があります。

人工知能、特に大規模言語モデルの最近の進歩は、臨床意思決定支援システムにおいて潜在的可能性を示しています。 欧州心臓病学会(ESC)2024年ガイドラインは、周術期心臓リスク評価のための構造化された枠組みを提供します。 本研究は、AIベースのモデルが心臓科コンサルテーションの必要性予測に役立つかどうかを調査し、プロンプト有りと無しの入力形式がAIの推奨に与える影響を検討することを目的とします。

研究デザイン

前向き、観察的、比較研究。

倫理的承認

本研究はブルサ市病院倫理委員会によって承認され、ヘルシンキ宣言に従って実施されます。

サンプルサイズ

サンプルサイズは、予想される効果量と統計的検出力の要件に基づき、G*Powerソフトウェアを用いて計算されました。

参加者

包括基準:

18歳以上の成人

ASA身体状態分類 I-IV

非心臓手術の予定がある

臨床経験2年未満の麻酔科レジデントによって評価される

除外基準:

小児患者

参加を辞退した患者

不完全な臨床データ

データ収集

以下の患者データが記録されます:

人口統計学的データ(年齢、性別、BMI)

病歴(併存疾患、薬物使用、アレルギー、物質使用)

機能的耐容能(METsスコア)

心電図所見

胸部X線所見

計画された外科手術の特性

AIモデル評価

標準化された患者シナリオを用いて、複数のAI言語モデルがテストされます。 各シナリオは2つの形式で提示されます:

プロンプト有り形式:

「あなたは10年の経験を持つ麻酔科医です。 ESC 2024年ガイドラインに従い、この患者が心臓科コンサルテーションを必要とするか評価してください。」

プロンプト無し形式:

「この患者が心臓科コンサルテーションを必要とするか評価してください。」

AIの推奨は臨床意思決定に影響を与えません。

アウトカム指標

一次および二次解析には以下が含まれます:

AIの推奨と専門家麻酔科医の評価との一致度

AI生成応答の読みやすさ

応答の質的評価

モデル間の分類性能比較

統計解析

統計解析は、適切な比較検定と一致度検定を用いて実施されます。 読みやすさと質的スコアは、適切な場合にノンパラメトリック手法を用いて分析されます。 分類能力の評価にはROC分析が用いられます。 有意水準はp < 0.05とします。

研究目的

本研究の目的は、心臓科コンサルテーション要件の予測におけるAI支援意思決定支援システムの実現可能性を探り、プロンプトエンジニアリングがAIの性能に影響を与えるかどうかを評価することです。

研究の種類

観察的

入学 (推定)

183

連絡先と場所

このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。

研究場所

参加基準

研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。

適格基準

就学可能な年齢

  • 大人
  • 高齢者

健康ボランティアの受け入れ

いいえ

サンプリング方法

確率サンプル

調査対象母集団

この研究は、非心臓手術を受ける前に麻酔科外来で検査を受けた後、心臓内科に紹介される患者の参加を得て実施されます。

説明

包含基準:

18歳以上の成人

ASA身体状態分類I-IV

非心臓外科手術の予定がある

臨床経験2年未満の麻酔科レジデントによる術前評価を受けた患者

病歴、心電図所見、胸部X線を含む完全な臨床データの入手可能性

インフォームドコンセントを提供できる能力

除外基準:

18歳未満の患者

心臓外科手術を受ける患者

臨床データが不完全な患者

参加を辞退した患者

緊急手術症例

標準的な術前評価を受けられない患者

研究計画

このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。

研究はどのように設計されていますか?

デザインの詳細

この研究は何を測定していますか?

主要な結果の測定

結果測定
メジャーの説明
時間枠
AIモデルによる推奨と専門麻酔科医の判断との間の心臓病学コンサルテーション要件に関する合意
時間枠:ベースライン術前評価時(第1日目)
人工知能モデルの推奨と専門麻酔科医による心臓病コンサルテーション必要性評価との一致レベルは、ESC 2024ガイドラインに基づきCohenのカッパ係数を用いて評価されます。
ベースライン術前評価時(第1日目)

その他の成果指標

結果測定
メジャーの説明
時間枠
AI生成応答の読みやすさ
時間枠:AI生成応答評価直後(1日目)
AI生成応答の読みやすさは、Ateşman読みやすさ指数を用いて評価され、相談推奨事項の明確さと理解可能性を判断します。
AI生成応答評価直後(1日目)

協力者と研究者

ここでは、この調査に関係する人々や組織を見つけることができます。

スポンサー

捜査官

  • 主任研究者:eralp çevikkalp、Bursa Şehir Hastanesi

出版物と役立つリンク

研究に関する情報を入力する責任者は、自発的にこれらの出版物を提供します。これらは、研究に関連するあらゆるものに関するものである可能性があります。

一般刊行物

  • 1.M. Graeßner et al., "Enabling personalized perioperative risk prediction by using a machinelearning model based on preoperative data," Scientific Reports, vol. 13, no. 1, May 2023, doi: 10.1038/s41598-023-33981-8. 2.B. Choi et al., "Prediction Model for 30-Day Mortality after Non-Cardiac Surgery Using MachineLearning Techniques Based on Preoperative Evaluation of Electronic Medical Records," Journal of Clinical Medicine, vol. 11, no. 21, p. 6487, Nov. 2022, doi: 10.3390/jcm11216487. 3.M. Vine et al., "Innovative approaches to preoperative care including feasibility, efficacy, and ethical implications: a narrative review," AME Surgical Journal, vol. 4. AME Publishing Company, p. 1, Feb. 01, 2024. doi: 10.21037/asj-23-41. 4.P. Chung, C. T. Fong, A. M. Walters, N. Aghaeepour, M. Yetişgen, and V. N. O'Reilly-Shah, "Large Language Model Capabilities in Perioperative Risk Prediction and Prognostication," JAMA Surgery, vol. 159, no. 8, American Medical Association, p. 928, Jun. 05, 2024. doi: 10.1001/jamasurg.2024.1621 5.T. Yurttas, R. Hidvegi, and M. Filipovic, "Biomarker-Based Preoperative Risk Stratification for Patients Undergoing Non-Cardiac Surgery," Journal of Clinical Medicine, vol. 9, no. 2, p. 351, Jan. 2020, doi: 10.3390/jcm9020351 6.J. Stones and D. Yates, "Clinical risk assessment tools in anaesthesia," BJA Education, vol. 19, no. 2. Elsevier BV, p. 47, Dec. 15, 2018. doi: 10.1016/j.bjae.2018.09.009. 7. Engineering as an Important Emerging Skill for Medical Professionals: Tutorial. J Med Internet Res. 2023 Oct 4;25:e50638. doi: 10.2196/50638. PMID: 37792434; PMCID: PMC10585440. 8. ATEŞMAN, Ender. (1997). Türkçe'de okunabilirliğin Ölçülmesi. A.Ü. Tömer Dil Dergisi, sayı:58,s.171174. 9. Coskun B, Ocakoglu G, Yetemen M, Kaygisiz O. Can ChatGPT, an Artificial Intelligence Language Model, Provide Accurate and High-quality Patient Information on Prostate Cancer? Urology. 2023 Oct;180:35-58. doi: 10.1016/j.urology.2023.05.040. Epub 2023 Jul 4. PMID: 37406

研究記録日

これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。

主要日程の研究

研究開始 (実際)

2025年1月1日

一次修了 (実際)

2025年6月30日

研究の完了 (推定)

2026年3月15日

試験登録日

最初に提出

2025年12月20日

QC基準を満たした最初の提出物

2026年1月31日

最初の投稿 (実際)

2026年2月9日

学習記録の更新

投稿された最後の更新 (実際)

2026年2月9日

QC基準を満たした最後の更新が送信されました

2026年1月31日

最終確認日

2026年1月1日

詳しくは

本研究に関する用語

その他の研究ID番号

  • Bursa Şehir Hastanesi

個々の参加者データ (IPD) の計画

個々の参加者データ (IPD) を共有する予定はありますか?

いいえ

IPD プランの説明

患者の権利、データプライバシー、および同意書に対する当社の取り組みにより

医薬品およびデバイス情報、研究文書

米国FDA規制医薬品の研究

いいえ

米国FDA規制機器製品の研究

いいえ

この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。

購読する