ASA-voorspelling met behulp van gezondheidsgegevens en medicatiegebruik
Studie Overzicht
Toestand
Conditie
Gedetailleerde beschrijving
Het classificatiesysteem van de American Society of Anesthesiologists Physical Status (ASA-PS) is een veelgebruikt hulpmiddel voor het beoordelen van de chirurgische fitheid en andere klinische contexten. De inherente subjectiviteit en het sterke vertrouwen op het oordeel van artsen kunnen echter leiden tot inconsistenties in de risicostratificatie van patiënten, een cruciaal onderdeel van de perioperatieve zorg. Bovendien is het ASA-PS-systeem ingevoerd voor verschillende administratieve en regelgevende doeleinden die verder gaan dan de oorspronkelijke bedoeling ervan, zoals kwaliteitsbeoordeling door de Nederlandse Inspectie voor de Gezondheidszorg en Jeugd (IGJ), beslissingen over compensatie door particuliere betalers in de VS, patiëntentriage en het bepalen van de geschiktheid voor bepaalde soorten operaties.
Gezien de brede en kritische toepassingen van het ASA-PS-systeem is het vergroten van de nauwkeurigheid en objectiviteit van het allergrootste belang. Eén manier om dit te bereiken is door de ontwikkeling van een machine learning-algoritme dat ASA-PS voorspelt op basis van preoperatieve variabelen. Anesthesiologen baseren de ASA-PS-score op de aanwezigheid van systemische ziekten, die kunnen worden afgeleid uit medicatiegebruik. Door gebruik te maken van gegevens zoals Anatomical Therapeutic Chemical (ATC)-codes, BMI, geslacht, leeftijd, routinematig verzamelde preoperatieve gezondheidsgegevens en medicatiegebruik, zou dit algoritme een meer consistente en objectieve meting van ASA-PS kunnen bieden.
Dit zou niet alleen de klinische besluitvorming bij de risicostratificatie van patiënten verbeteren, maar ook een betrouwbaarder instrument bieden voor administratief en regelgevend gebruik. Daarom biedt de ontwikkeling van een dergelijk machine learning-instrument een belangrijke kans om zowel de wetenschap als de praktijk van peri-operatieve zorg vooruit te helpen. Het opnemen van medicatiegebruik in het algoritme zou de voorspellende kracht ervan verder kunnen vergroten, omdat het nauw verbonden is met systemische ziekten. Deze toevoeging zou kunnen helpen de ASA-PS-classificatie te verfijnen, waardoor het een nog waardevoller hulpmiddel wordt in de klinische setting.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Zuid-Holland
-
Rotterdam, Zuid-Holland, Nederland, 3015GD
- Erasmus MC
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Een chirurgische, diagnostische of therapeutische ingreep heeft ondergaan binnen de operatieafdeling van het Erasmus MC, en
- ASA-PS-score vastgelegd in elektronisch medisch dossier (EMR), en
- Een geverifieerde medicatielijst in het EMR, of een ingevulde preoperatieve anesthesiologische gezondheidsvragenlijst geregistreerd in het EMR
Uitsluitingscriteria:
- Leeftijd <18 op het moment van de operatie, of
- ASA-PS V-VI, of
- Opt-out geregistreerd in EMR
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
De fysieke status (ASA-PS) klasse van de American Society of Anesthesiologists
Tijdsspanne: Dag 0
|
De afhankelijke responsvariabele zal de ASA-PS-klasse zijn, zowel als een variabele met vier niveaus (ASA-PS I, II, III en IV) als een variabele met twee niveaus (ASA-PS I en II versus ASA-PS III en IV).
De ASA-PS-klasse werd aan de patiënt toegewezen en in het patiëntendossier in het EPD vastgelegd door een anesthesioloog van de residentiële anesthesiologie als onderdeel van de routinematig uitgevoerde preoperatieve anesthesiologische screening ter voorbereiding op een procedure.
|
Dag 0
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Prestatiestatistieken: nauwkeurigheid
Tijdsspanne: dag 0
|
De juiste classificatie van de ASA-PS-score zal worden geëvalueerd met behulp van prestatiestatistieken van de machine learning-algoritmen.
Veel voorkomende prestatiestatistieken zijn onder meer: Nauwkeurigheid (het aandeel correct voorspelde exemplaren).
|
dag 0
|
|
Prestatiestatistieken: precisie
Tijdsspanne: dag 0
|
De juiste classificatie van de ASA-PS-score zal worden geëvalueerd met behulp van prestatiestatistieken van de machine learning-algoritmen.
Veel voorkomende prestatiestatistieken zijn onder meer: precisie (de verhouding tussen werkelijk positieve voorspellingen en het totale aantal positieve voorspellingen)
|
dag 0
|
|
Prestatiestatistieken: herinneren
Tijdsspanne: dag 0
|
De juiste classificatie van de ASA-PS-score zal worden geëvalueerd met behulp van prestatiestatistieken van de machine learning-algoritmen.
Veel voorkomende prestatiestatistieken zijn onder meer: ecall (gevoeligheid of de verhouding tussen echt positieve voorspellingen en de daadwerkelijke positieve gevallen)
|
dag 0
|
|
Prestatiestatistieken: F1-score
Tijdsspanne: dag 0
|
De juiste classificatie van de ASA-PS-score zal worden geëvalueerd met behulp van prestatiestatistieken van de machine learning-algoritmen.
Veel voorkomende prestatiestatistieken zijn onder meer: F1-score (het harmonische gemiddelde van precisie en herinnering).
|
dag 0
|
|
Prestatiestatistieken: gebied onder de bedrijfskarakteristiekcurve van de ontvanger
Tijdsspanne: dag 0
|
De juiste classificatie van de ASA-PS-score zal worden geëvalueerd met behulp van prestatiestatistieken van de machine learning-algoritmen.
Veel voorkomende prestatiestatistieken zijn onder meer: het gebied onder de receiver operating karakteristieke curve (AUC-ROC, meet het vermogen van het model om onderscheid te maken tussen positieve en negatieve gevallen).
|
dag 0
|
|
Kalibratie
Tijdsspanne: Dag 0
|
Kalibratiegrafieken zullen worden gebruikt om de overeenkomst tussen voorspellingen en het aantal gebeurtenissen (d.w.z.
juiste classificatie).
|
Dag 0
|
|
Verkeerde classificatie van de ASA-PS-score
Tijdsspanne: Dag 0
|
Een handmatige beoordeling van een selectie van misclassificaties zal worden uitgevoerd door twee anesthesiologen om de oorzaak van de misclassificatie kwalitatief te beoordelen.
|
Dag 0
|
|
Verklaarbaarheid van het voorspellingsmodel: Shapley additieve verklaringen (SHAP)
Tijdsspanne: dag 0
|
Shapley additieve verklaringen (SHAP), indien van toepassing, omdat dit inzicht kan bieden in de bijdrage van elk kenmerk aan de voorspelling van individuele gevallen.
|
dag 0
|
|
Verklaarbaarheid van het voorspellingsmodel: Lokaal interpreteerbare model-agnostische verklaringen (LIME)
Tijdsspanne: dag 0
|
Lokaal interpreteerbare model-agnostische verklaringen (LIME) kunnen inzicht bieden in de bijdrage van elk kenmerk aan de voorspelling van individuele gevallen.
|
dag 0
|
|
Optimale steekproefomvang
Tijdsspanne: dag 0
|
Analyse van de leercurven om te bepalen of aanvullende gegevens waarschijnlijk de prestaties van het model zouden verbeteren of dat de huidige dataset voldoende is.
|
dag 0
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Jan-Wiebe Korstanje, MD MSc PhD, Erasmus Medical Center
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Andere studie-ID-nummers
- MEC-2020-0051/MEC-2024-0181
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
IPD-tijdsbestek voor delen
IPD-toegangscriteria voor delen
IPD delen Ondersteunend informatietype
- LEERPROTOCOOL
- SAP
- MVO
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .