건강 데이터 및 약물 사용을 이용한 ASA 예측
연구 개요
상태
정황
상세 설명
ASA-PS(American Society of Anesthesiologists Physical Status) 분류 시스템은 수술 적합성 및 기타 임상 상황을 평가하는 데 널리 사용되는 도구입니다. 그러나 본질적인 주관성과 임상 의사의 판단에 대한 의존도가 높기 때문에 수술 전후 치료의 중요한 구성 요소인 환자 위험 계층화의 불일치가 발생할 수 있습니다. 또한 ASA-PS 시스템은 원래 의도를 넘어 네덜란드 보건 및 청소년 관리 검사관(IGJ)의 품질 평가, 미국 민간 지불인의 보상 결정, 환자 분류 및 특정 유형의 수술에 대한 적합성을 결정합니다.
ASA-PS 시스템의 광범위하고 중요한 적용을 고려할 때 정확성과 객관성을 높이는 것이 가장 중요합니다. 이를 달성하는 한 가지 방법은 수술 전 변수를 기반으로 ASA-PS를 예측하는 기계 학습 알고리즘을 개발하는 것입니다. 마취과의사는 약물 사용으로 추론할 수 있는 전신 질환의 존재 여부를 토대로 ASA-PS 점수를 매깁니다. 이 알고리즘은 해부학적 치료 화학 물질(ATC) 코드, BMI, 성별, 연령, 정기적으로 수집되는 수술 전 건강 데이터 및 약물 사용과 같은 데이터를 활용하여 ASA-PS에 대한 보다 일관되고 객관적인 측정을 제공할 수 있습니다.
이는 환자 위험 계층화에서 임상적 의사 결정을 향상시킬 뿐만 아니라 관리 및 규제 용도에 보다 신뢰할 수 있는 도구를 제공합니다. 따라서 이러한 기계 학습 도구의 개발은 수술 전후 관리의 과학과 실습을 모두 발전시킬 수 있는 중요한 기회를 제공합니다. 약물 사용을 알고리즘에 통합하면 전신 질환과 밀접하게 연관되어 있으므로 예측력이 더욱 향상될 수 있습니다. 이 추가는 ASA-PS 분류를 개선하는 데 도움이 되어 임상 환경에서 더욱 가치 있는 도구가 될 수 있습니다.
연구 유형
등록 (실제)
연락처 및 위치
연구 장소
-
-
Zuid-Holland
-
Rotterdam, Zuid-Holland, 네덜란드, 3015GD
- Erasmus MC
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준:
- Erasmus MC의 수술 제품군 내에서 수술, 진단 또는 치료 절차를 거쳤으며,
- 전자의무기록(EMR)에 기록된 ASA-PS 점수,
- EMR에서 검증된 약물 목록 또는 EMR에 등록된 수술 전 마취과 건강 설문지를 작성하여 작성
제외 기준:
- 수술 당시 연령 <18, 또는
- ASA-PS V-VI 또는
- EMR에 등록된 옵트아웃
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
미국 마취과 학회 신체 상태(ASA-PS) 등급
기간: 0일차
|
종속 응답 변수는 4단계 변수(ASA-PS I, II, III 및 IV)와 2단계 변수(ASA-PS I 및 II 대 ASA-PS III 및 IV)인 ASA-PS 클래스입니다. IV).
ASA-PS 클래스는 수술 준비 시 일상적으로 수행되는 수술 전 마취 스크리닝의 일환으로 상주 마취과 의사가 환자에게 할당하고 EMR의 환자 파일에 기록했습니다.
|
0일차
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
성능 지표: 정확성
기간: 0일
|
ASA-PS 점수의 올바른 분류는 기계 학습 알고리즘의 성능 지표를 사용하여 평가됩니다.
일반적인 성능 지표에는 다음이 포함됩니다. 정확도(정확하게 예측된 인스턴스의 비율).
|
0일
|
|
성능 지표: 정밀도
기간: 0일
|
ASA-PS 점수의 올바른 분류는 기계 학습 알고리즘의 성능 지표를 사용하여 평가됩니다.
일반적인 성능 지표에는 다음이 포함됩니다. 정밀도(전체 긍정적 예측에 대한 참 긍정 예측의 비율)
|
0일
|
|
성능 지표:재현율
기간: 0일
|
ASA-PS 점수의 올바른 분류는 기계 학습 알고리즘의 성능 지표를 사용하여 평가됩니다.
일반적인 성능 지표에는 다음이 포함됩니다. ecall(민감도 또는 실제 긍정적 사례에 대한 참 긍정 예측의 비율)
|
0일
|
|
성능 지표: F1 점수
기간: 0일
|
ASA-PS 점수의 올바른 분류는 기계 학습 알고리즘의 성능 지표를 사용하여 평가됩니다.
일반적인 성능 지표에는 F1 점수(정밀도와 재현율의 조화 평균)가 포함됩니다.
|
0일
|
|
성능 지표: 수신기 작동 특성 곡선 아래 영역
기간: 0일
|
ASA-PS 점수의 올바른 분류는 기계 학습 알고리즘의 성능 지표를 사용하여 평가됩니다.
일반적인 성능 지표에는 다음이 포함됩니다. 수신기 작동 특성 곡선 아래 영역(AUC-ROC, 긍정적인 사례와 부정적인 사례를 구별하는 모델의 능력을 측정).
|
0일
|
|
구경 측정
기간: 0일차
|
보정 플롯은 예측과 사건 발생률 간의 일치를 평가하는 데 사용됩니다(예:
올바른 분류).
|
0일차
|
|
ASA-PS 점수의 잘못된 분류
기간: 0일차
|
잘못된 분류의 원인을 질적으로 평가하기 위해 두 명의 마취과 의사가 선택한 잘못된 분류에 대한 수동 검토를 수행합니다.
|
0일차
|
|
예측 모델의 설명 가능성: SHAP(Shapley Additive explain)
기간: 0일
|
SHAP(Shapley Additive explain)(해당하는 경우). 개별 인스턴스 예측에 대한 각 기능의 기여도에 대한 통찰력을 제공할 수 있습니다.
|
0일
|
|
예측 모델의 설명 가능성:LIME(로컬 해석 가능한 모델 불가지론적 설명)
기간: 0일
|
LIME(Local Interpretable Model-Agnostic Description)은 개별 인스턴스 예측에 대한 각 기능의 기여에 대한 통찰력을 제공할 수 있습니다.
|
0일
|
|
최적의 표본 크기
기간: 0일
|
추가 데이터가 모델 성능을 향상시킬 가능성이 있는지 또는 현재 데이터 세트가 충분한지 확인하기 위해 학습 곡선을 분석합니다.
|
0일
|
공동 작업자 및 조사자
협력자
수사관
- 수석 연구원: Jan-Wiebe Korstanje, MD MSc PhD, Erasmus Medical Center
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
IPD 공유 기간
IPD 공유 액세스 기준
IPD 공유 지원 정보 유형
- 연구_프로토콜
- 수액
- CSR
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .