마취 전 평가를 위한 인공지능 도구의 전향적 검증

배경:

마취 전 평가는 수술 절차에 앞서 수행되는 중요한 과정으로, 수술 전후 안전과 치료 질 보장에 기본적인 역할을 합니다. 최근 수십 년 동안, 의료 질에 관한 의학 연구소 보고서에서 강조된 바와 같이 마취 전문의들은 수술 전후 안전과 치료 질 향상에 크게 기여해 왔습니다. 이 평가는 임상 결과를 향상시키고 불필요한 수술 전 검사와 검사의 비용을 줄이기 위해 지속적으로 개선되어 왔습니다.

마취 전 평가의 이점은 잘 문서화되어 있으며, 잠재적 합병증의 조기 식별을 통한 수술 효율성 증대, 당뇨병, 심폐 질환, 신장 기능 부전과 같은 기저 질환을 가진 환자의 수술 전 관리 최적화, 수술 후 합병증 최소화 등을 포함합니다. 브라질에서는 연방 의학 위원회 결의안 제1.802/2006호가 환자 안전을 위한 필수 구성 요소로 마취 전 평가를 의무화하며, 선택적 절차를 위한 입원 전 수행을 권장합니다.

최근 브라질은 COVID-19 팬데믹으로 악화된 수술 절차에 대한 수요 급증을 경험했습니다. 오스왈도 크루즈 재단(Fiocruz)의 2022년 조사에 따르면 통합 건강 시스템(SUS)에서 910,621건의 수술이 대기 중이며, 소화기계 수술(374,475건), 비뇨생식기 절차(241,752건), 순환계 중재(104,925건), 상기도, 얼굴, 머리, 목 수술(102,352건)에서 상당한 부족이 나타났습니다. 공공 보건 시스템의 이러한 압력은 브라질 연방 정부가 2024년에 대기 명단 감소를 위한 국가 프로그램을 시작하게 했습니다. 결과적으로, 이 누적된 수요에 대해 안전하고 적절한 치료를 보장하기 위해 마취 전 평가의 흐름과 과정을 재고할 필요가 있습니다.

기술 발전과 이용 가능한 의료 데이터 양의 증가로 임상 평가는 더욱 복잡해지고, 더 빠르고 정확한 결정이 요구됩니다. 이러한 맥락에서 인공지능(AI)은 마취학, 특히 마취 전 평가를 혁신할 유망한 도구로 부상합니다. 자연어 처리(NLP)와 대규모 언어 모델(LLM)을 포함한 AI 도구는 의료 치료의 정확성, 효율성, 개인화를 향상시킬 잠재력을 보여주었습니다.

최근 연구들은 이 분야에서 AI의 긍정적 영향을 입증했습니다. 예를 들어, 의무 기록 검토와 관련된 수술 전 임상 정보 식별을 위한 NLP는 기계와 마취 전문의 평가 간 조건 유무에 대해 높은 일치도(81.24%)를 보였으며, 마취 전문의가 간과한 경우의 16.6%에서 의료 상태를 식별했습니다. OWL 온톨로지와 시맨틱 웹 기술을 사용한 맞춤형 의사 결정 지원 시스템은 위험 평가 보고서와 맞춤형 임상 권고 사항 생성에 효과적인 것으로 입증되었습니다. 수술 전후 위험 예측을 위한 기계 학습 모델은 개별 위험 프로필과 맞춤형 평가 생성이 가능하게 했습니다.

GPT와 같은 대규모 언어 모델(LLM)은 수술 과정에서 환자 의사소통과 교육 향상 잠재력을 보여주었습니다. 2024년 GPT 버전 비교 연구는 마취 관련 질문에 대해 환자에게 정확하고 읽기 쉬운 응답을 제공할 수 있는 능력을 나타냈습니다. 그러나, LLM을 포함한 마취학에서 AI의 임상 적용에 관한 연구는 여전히 부족합니다; 2023년 체계적 문헌 고찰은 이 기술을 사용한 연구를 찾지 못했습니다. 또한, 대부분의 연구와 개발은 국제적 맥락에서 수행되어 포르투갈어 또는 브라질 보건 시스템의 특수성을 다루지 않았습니다. 지금까지, 특히 브라질의 역학적 프로필과 보건 문제를 고려하여 포르투갈어로 마취 전 평가를 위한 LLM 도구 개발과 검증에 관한 발표된 연구는 존재하지 않습니다.

또한, 의학에서 AI 도구의 신뢰성에 대한 우려가 주목할 만합니다. 네이처 메디신에 최근 발표된 연구는 미국 FDA에서 승인된 많은 AI 장치가 적절한 임상 검증이 부족함을 밝혔습니다. 1995년부터 2022년 사이 FDA 승인을 받은 521개 AI 장치 중, 56%만이 어떤 형태의 임상 검증을 보고했으며, 단 28.4%가 전향적으로 검증되고 4.2%가 무작위 임상 시험을 통해 검증되었습니다. 특히, 43.4%는 공개적으로 이용 가능한 임상 검증 데이터가 없었습니다. 이러한 결과는 의료 실무에서 AI 도구를 구현하기 전에, 특히 특정 맥락에서 엄격한 임상 검증 연구 수행의 중요성을 강조합니다.

따라서, 이 프로젝트는 브라질에서 마취 전 평가를 위한 포르투갈어 기반 LLM AI 도구를 개발하고 전향적으로 임상 환경에서 검증하는 것을 제안합니다. 이는 문헌의 공백을 해소하고 국가적 맥락의 특정 요구를 충족시킵니다. 목표는 브라질 인구와 보건 시스템의 특성을 고려하여, 고급 AI를 사용하여 수술 전 평가의 정확성, 개인화, 신뢰성, 효율성을 향상시키는 것입니다. 이 도구 구현은 국가의 마취학 실무를 혁신하여 개선된 의사 결정 지원을 제공하고 더 큰 수술 안전을 촉진할 잠재력이 있습니다.

연구 목표:

주요 목표:

- 국가 3차 병원에서 AI 도구에 의해 수행된 마취 전 평가와 마취 전문의가 수행한 평가 간 정확성과 일관성을 전향적으로 평가합니다.

부차적 목표:

• 미국 마취학회(ASA) 분류와 검증된 수술 위험 모델과 같은 측면을 고려하여, 국가 3차 병원에서 AI 도구와 인간 마취 전문의가 수행한 수술 전 위험 평가 간 일치 수준을 결정합니다.
• AI 도구의 유용성에 대한 마취 전문의의 인식을 조사하며, 도구가 생성한 결과에 대한 신뢰와 임상 실무에 통합하려는 의지를 포함합니다.
• AI 도구 사용이 기존 인간 평가에서 과소평가되거나 간과될 수 있는 위험 상태 탐지를 포함하여 마취 전 평가의 전반적 질에 영향을 미치는지 평가합니다.
• 국가 3차 병원에서 AI 도구 사용 시 환자가 직면하는 어려움을 평가합니다.

연구 설계:

이는 브라질 포르투알레그리의 노사 세뇨라 다 콘세이상 병원 마취 서비스와 브라질 산타 카사 드 히베이랑 프레투의 두 센터에서 수행된 전향적 관찰 종적 코호트 연구입니다.

참여자:

포함 기준:

• 18세 이상의 환자.
• 두 기관 모두에서 선택적 비심장 수술 예정.

제외 기준:

• 격리된 진정 또는 국소 마취로 진단 절차를 받는 환자.
• 환자가 동일한 입원 중 두 번 이상 수술 중재를 받는 경우, 주요 절차만 고려됩니다.

표본 크기:

표본 크기는 코헨의 카파 계수를 사용한 AI와 인간 수술 전 위험 평가 간 일치도라는 주요 결과를 기반으로 계산되었습니다. AI와 임상의 간 수술 전후 위험 평가에 대해 약 0.80을 보인 선행 연구를 기반으로 예상 일치도 80%, 카파 값 ≥ 0.70을 상당한 일치도로 간주, 5% 오차 한계, 95% 신뢰 수준으로 최소 표본 크기는 약 246명의 환자입니다. 추적 관찰 손실과 제외 가능성(10% 여유)을 고려하여 총 표본은 270명의 환자가 됩니다.

절차:

1. 수술 적응증:

   • 외과의가 환자의 수술 적응증을 결정하고 Ex-Care 위험 모델의 절차 코드에 따라 수술명을 기록합니다.

2. AI 도구 사용:

   • 외과의가 환자에게 마취 전 평가를 위해 AI 도구 사용을 지시합니다. 환자가 도구에 접속하여 요청된 정보를 완료합니다.

3. 평가 처리:

   • 도구는 환자 평가를 처리하여 두 가지 유형의 결과를 생성합니다:
   • 일반 지침: 수술 준비를 돕기 위해 환자에게 직접 전송되는 일반 지침 세트.
   • 특정 평가: 의료용으로 생성된 자세한 평가로, 권고 사항과 경고 신호를 포함하지만 수술 전 평가를 수행하는 마취 전문의에게 제공되지 않습니다.

4. 마취 전 평가:

   • 환자는 마취 전문의에 의해 전통적인 마취 전 평가를 받으며, 마취 전문의는 AI 생성 평가에 접근할 수 없습니다.

5. 평가 비교:

   • 이전 과정을 모르는 제3의 마취 전문의가 두 평가(AI 도구 대 인간 평가)를 비교합니다. 이 비교는 수집된 정보의 질, 임상 판단의 정확성, 잠재적 위험 또는 합병증 식별을 고려합니다.

데이터 수집:

데이터는 연령, 성별, 수술 코드, 두 평가(AI 도구와 마취 전문의) 결과와 같은 변수를 포함하여 전향적으로 수집됩니다. 데이터 수집 양식(참고문헌 후 프로토콜에 첨부됨)은 이 연구 프로토콜에 포함된 변수를 설명합니다.

결과 측정:

주요 결과:

- 수집된 정보의 질과 임상 판단 측면에서 AI 도구와 인간 마취 전문의의 수술 전 위험 평가 간 일치도.

부차적 결과:

• ASA 분류와 검증된 수술 위험 모델에 대한 합의 수준.
• 도구의 유용성, 신뢰, 통합 잠재력에 대한 마취 전문의의 인식(설문 조사로 평가).
• 간과된 위험 탐지를 포함한 평가 질에 대한 영향.
• AI 도구 사용 시 환자가 보고한 어려움(피드백으로 평가).

통계 분석:

일치도 검정은 AI 도구와 마취 전문의 간 수술 전 위험 평가 결과 비교에 사용됩니다. 코헨의 카파 계수는 범주형 변수(정보 질과 임상 판단)에 대한 합의를 측정합니다. 연속 변수(예: 연령)의 경우, 데이터 분포(샤피로-윌크 검정으로 정규성 확인)에 따라 스튜던트 t-검정 또는 맨-휘트니 검정이 적용됩니다. 통계적 유의성은 P < 0.05로 설정됩니다.

타임라인:

연구는 36개월 동안 진행됩니다: 데이터 수집 24개월, 분석 6개월, 결과 공식화 및 출판 6개월.

자금:

데이터 수집 자료, 컴퓨터, 통계 소프트웨어, 문서화 비용은 관련 저자들이 부담합니다. 예산 세부 사항: 저장용 폴더(R$250.00), 데이터 수집 시트(R$500.00), 분석 소프트웨어(R$1,000.00)를 포함합니다.

확산:

결과는 안전하고 기밀 데이터베이스에 저장되며, 완료 시 색인된 과학 저널에 출판을 위해 제출됩니다.