De Voorspelbaarheid van de Noodzaak voor Cardiologieconsultatie bij Patiënten Gepland voor Niet-Cardiale Chirurgie met Gebruik van Kunstmatige Intelligentiemodellen in Preoperatieve Anesthesiebeoordeling
De effectiviteit van het gebruik van kunstmatige intelligentie (Chat GPT) bij cardiale beoordeling tijdens anesthesieonderzoek van preoperatieve gevallen
Gestructureerde Samenvatting Titel
Voorspelbaarheid van Cardiologie Consultatie Vereiste bij Patiënten die Niet-Cardiale Chirurgie Ondergaan met Kunstmatige Intelligentie Modellen
Achtergrond
Preoperatieve cardiale risicobeoordeling is essentieel voor het minimaliseren van perioperatieve morbiditeit en mortaliteit bij patiënten die niet-cardiale chirurgie ondergaan. Cardiologie consultaties worden vaak aangevraagd om chirurgische geschiktheid te beoordelen en complicatierisico's te verminderen. Onnodige consultaties kunnen echter bijdragen aan inefficiënt gebruik van gezondheidszorgbronnen en procedurele vertragingen.
Recente vooruitgang in kunstmatige intelligentie, met name grote taalmodellen, heeft potentieel getoond in klinische beslissingsondersteuningssystemen. De Europese Vereniging voor Cardiologie (ESC) 2024 richtlijnen bieden een gestructureerd kader voor het evalueren van perioperatief cardiaal risico. Deze studie heeft tot doel te onderzoeken of AI-gebaseerde modellen kunnen helpen bij het voorspellen van de behoefte aan cardiologie consultatie en om het effect van geprompt versus niet-geprompt invoerformaten op AI-aanbevelingen te onderzoeken.
Studieopzet
Prospectieve, observationele, vergelijkende studie.
Ethische Goedkeuring
De studie is goedgekeurd door de Bursa City Hospital Ethische Commissie en zal worden uitgevoerd in overeenstemming met de Verklaring van Helsinki.
Steekproefgrootte
Steekproefgrootte is berekend met G*Power software op basis van verwachte effectgrootte en statistische power vereisten.
Deelnemers
Insluitingscriteria:
Volwassenen van 18 jaar of ouder
ASA fysieke status I-IV
Gepland voor niet-cardiale chirurgie
Geëvalueerd door anesthesie assistenten met minder dan twee jaar klinische ervaring
Uitsluitingscriteria:
Pediatrische patiënten
Patiënten die deelname weigeren
Onvolledige klinische gegevens
Dataverzameling
De volgende patiëntgegevens zullen worden geregistreerd:
Demografie (leeftijd, geslacht, BMI)
Medische geschiedenis (comorbiditeiten, medicatiegebruik, allergieën, middelengebruik)
Functionele capaciteit (METs score)
ECG bevindingen
Thoraxfoto bevindingen
Geplande chirurgische procedure kenmerken
AI Model Evaluatie
Meerdere AI taalmodellen zullen worden getest met gestandaardiseerde patiëntscenario's. Elk scenario wordt gepresenteerd in twee formaten:
Geprompt formaat:
"Je bent een anesthesioloog met 10 jaar ervaring. Volgens ESC 2024 richtlijnen, evalueer of deze patiënt cardiologie consultatie vereist."
Niet-geprompt formaat:
"Evalueer of deze patiënt cardiologie consultatie vereist."
AI-aanbevelingen zullen klinische besluitvorming niet beïnvloeden.
Uitkomstmaten
Primaire en secundaire analyses zullen omvatten:
Overeenstemming tussen AI-aanbevelingen en expert anesthesioloog evaluaties
Leesbaarheid van AI-gegenereerde antwoorden
Kwaliteitsbeoordeling van antwoorden
Classificatie prestatievergelijkingen tussen modellen
Statistische Analyse
Statistische analyses zullen worden uitgevoerd met geschikte vergelijkende en overeenstemmingstests. Leesbaarheid en kwaliteitsscores zullen worden geanalyseerd met niet-parametrische methoden waar van toepassing. ROC-analyse zal worden gebruikt om classificatievermogen te beoordelen. Een significantieniveau van p < 0.05 zal worden toegepast.
Studiedoel
Het doel van deze studie is om de haalbaarheid van AI-ondersteunde beslissingsondersteuningssystemen bij het voorspellen van cardiologie consultatie vereisten te verkennen en om te evalueren of prompt engineering AI-prestaties beïnvloedt.
Studie Overzicht
Toestand
Conditie
Gedetailleerde beschrijving
Gestructureerde Samenvatting Titel
Voorspelbaarheid van de behoefte aan cardiologieconsultatie bij patiënten die niet-cardiale chirurgie ondergaan met behulp van kunstmatige intelligentiemodellen
Achtergrond
Preoperatieve cardiologische risicobeoordeling is essentieel om perioperatieve morbiditeit en mortaliteit te minimaliseren bij patiënten die niet-cardiale chirurgie ondergaan. Cardiologieconsultaties worden vaak aangevraagd om de chirurgische geschiktheid te beoordelen en complicatierisico's te verminderen. Onnodige consultaties kunnen echter bijdragen aan inefficiënt gebruik van gezondheidszorgbronnen en vertragingen in procedures.
Recente vooruitgang in kunstmatige intelligentie, met name grote taalmodellen, heeft potentieel getoond in klinische beslissingsondersteunende systemen. De richtlijnen van de European Society of Cardiology (ESC) 2024 bieden een gestructureerd kader voor het evalueren van perioperatief cardiologisch risico. Deze studie heeft tot doel te onderzoeken of AI-gebaseerde modellen kunnen helpen bij het voorspellen van de behoefte aan cardiologieconsultatie en om het effect van geprompt versus niet-geprompt invoerformaten op AI-aanbevelingen te onderzoeken.
Studieopzet
Prospectieve, observationele, vergelijkende studie.
Ethische goedkeuring
De studie is goedgekeurd door de Ethische Commissie van Bursa City Hospital en zal worden uitgevoerd in overeenstemming met de Verklaring van Helsinki.
Steekproefgrootte
Steekproefgrootte is berekend met behulp van G*Power software op basis van verwachte effectgrootte en statistische powervereisten.
Deelnemers
Inclusiecriteria:
Volwassenen van 18 jaar of ouder
ASA fysieke status I-IV
Gepland voor niet-cardiale chirurgie
Geëvalueerd door anesthesie-assistenten met minder dan twee jaar klinische ervaring
Exclusiecriteria:
Pediatrische patiënten
Patiënten die deelname weigeren
Onvolledige klinische gegevens
Gegevensverzameling
De volgende patiëntgegevens worden vastgelegd:
Demografie (leeftijd, geslacht, BMI)
Medische voorgeschiedenis (comorbiditeiten, medicatiegebruik, allergieën, middelengebruik)
Functionele capaciteit (METs-score)
ECG-bevindingen
Röntgenfoto van de borstkas bevindingen
Geplande chirurgische procedure kenmerken
AI-model evaluatie
Meerdere AI-taalmodellen worden getest met gestandaardiseerde patiëntscenario's. Elk scenario wordt gepresenteerd in twee formaten:
Geprompt formaat:
"Je bent een anesthesioloog met 10 jaar ervaring. Volgens de ESC 2024 richtlijnen, evalueer of deze patiënt cardiologieconsultatie nodig heeft."
Niet-geprompt formaat:
"Evalueer of deze patiënt cardiologieconsultatie nodig heeft."
AI-aanbevelingen hebben geen invloed op klinische besluitvorming.
Uitkomstmaten
Primaire en secundaire analyses omvatten:
Overeenkomst tussen AI-aanbevelingen en expert-anesthesioloog evaluaties
Leesbaarheid van AI-gegenereerde antwoorden
Kwaliteitsbeoordeling van antwoorden
Classificatieprestatievergelijkingen tussen modellen
Statistische analyse
Statistische analyses worden uitgevoerd met geschikte vergelijkende en overeenkomsttests. Leesbaarheids- en kwaliteitsscores worden geanalyseerd met niet-parametrische methoden waar van toepassing. ROC-analyse wordt gebruikt om classificatievermogen te beoordelen. Een significantieniveau van p < 0,05 wordt toegepast.
Studiedoelstelling
Het doel van deze studie is om de haalbaarheid te onderzoeken van AI-ondersteunde beslissingsondersteunende systemen bij het voorspellen van cardiologieconsultatiebehoeften en om te evalueren of prompt engineering AI-prestaties beïnvloedt.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studie Locaties
-
-
Bursa
-
Bursa, Bursa, Turkije (Türkiye), 16001
- Bursa Şehir Hastanesi
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
Volwassenen van 18 jaar of ouder
ASA fysieke status classificatie I-IV
Gepland voor niet-cardiale chirurgie
Patiënten preoperatief geëvalueerd door anesthesie-assistenten met minder dan twee jaar klinische ervaring
Beschikbaarheid van volledige klinische gegevens inclusief medische voorgeschiedenis, ECG-bevindingen en thoraxfoto's
In staat om geïnformeerde toestemming te geven
Exclusiecriteria:
Patiënten jonger dan 18 jaar
Patiënten die cardiale chirurgie ondergaan
Patiënten met onvolledige klinische gegevens
Patiënten die deelname hebben geweigerd
Gevallen van spoedoperaties
Patiënten die geen standaard preoperatieve evaluatie kunnen ondergaan
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Overeenkomst tussen AI-modelaanbevelingen en beslissing van deskundige anesthesioloog betreffende vereiste cardiologieconsultatie
Tijdsspanne: Bij de preoperatieve evaluatie op baseline (Dag 1)
|
De mate van overeenstemming tussen aanbevelingen van kunstmatige intelligentiemodellen en evaluaties door ervaren anesthesiologen voor de noodzaak van cardiologieconsultatie wordt beoordeeld met behulp van de coëfficiënt van Cohen's Kappa op basis van de ESC 2024-richtlijnen.
|
Bij de preoperatieve evaluatie op baseline (Dag 1)
|
Andere uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Leesbaarheid van AI-gegenereerde reacties
Tijdsspanne: Onmiddellijk na evaluatie van de door AI gegenereerde respons (Dag 1)
|
De leesbaarheid van AI-gegenereerde antwoorden wordt beoordeeld met behulp van de Ateşman-leesbaarheidsindex om de duidelijkheid en begrijpelijkheid van consultatieaanbevelingen te bepalen.
|
Onmiddellijk na evaluatie van de door AI gegenereerde respons (Dag 1)
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Hoofdonderzoeker: eralp çevikkalp, Bursa Şehir Hastanesi
Publicaties en nuttige links
Algemene publicaties
- 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
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Geschat)
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
- Bursa Şehir Hastanesi
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
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 .