フレイルティ評価が明らかにするASA分類における認知の違い：麻酔科医対大規模言語モデル (ASA-AI)

この研究は、麻酔科医と大規模言語モデル（LLM）間のASA身体状態分類の差異を評価する前向き、観察的、比較的、多評価者による調査として設計されています。

ASA身体状態分類システムは、周術期リスク評価の基盤ですが、生理学的予備能と脆弱性の低下を反映する多次元概念であるフレイルの明示的な組み込みが欠けています。 臨床現場では、麻酔科医はしばしばフレイル関連情報を暗黙的にASA評価に統合しており、これは評価者間変動の一因となる可能性があります。

大規模言語モデルは、明示的で構造化された入力を使用して臨床情報を処理し、経験的または直感的な推論に依存しません。 この特性は、臨床分類タスクにおける人間の専門家と人工知能の間の認知的差異を探る独自の機会を提供します。

選択的手術を予定している成人患者（18歳以上）が対象となります。 緊急症例、小児患者、およびASA分類を可能にする十分な臨床データがない個人は除外されます。 各患者について、人口統計学的特性、体格指数、併存疾患、常用薬、計画手術の種類を含む標準化された術前臨床データが収集されます。

ASA身体状態分類は、少なくとも5年の臨床経験を持つ4人の専門認定麻酔科医と、異なる組織によって開発された2つの大規模言語モデルによって独立して割り当てられます。 すべての評価は同じ標準化されたデータセットを使用して実施され、評価者は互いの評価について盲検化されます。

この研究は、2つの連続した段階で実施されます。 第1段階では、標準的な臨床データのみを使用してASA分類が行われます。 第2段階では、検証済みのフレイル指数が同じ患者データセットに追加され、評価プロセスが繰り返されます。 この設計により、フレイル情報が人間および人工知能評価者のASA分類決定にどのように影響するかを評価することが可能になります。

大規模言語モデルは、研究を通じて変更されない事前定義された標準化されたプロンプトを使用して促されます。 モデルは、説明や追加のコメントを提供せずに単一のASA身体状態カテゴリ（I-V）を生成するように指示され、反復的なプロンプトやフィードバックは許可されません。

麻酔科医間、人工知能モデル間、および人間と人工知能評価者間の評価者間一致は、適切にコーエンのカッパおよびフライスのカッパ統計を使用して分析されます。 フレイル情報の追加に続くASA分類の変化は、対応のある統計手法を使用して評価されます。 統計的有意性はp < 0.05と定義されます。

麻酔科医と大規模言語モデル間のASA分類パターンを、フレイルデータの有無の両方で比較することにより、この研究は周術期リスク評価における暗黙的および明示的推論の役割を明確にし、将来の人工知能支援臨床意思決定支援システムの開発に貢献することを目的としています。