ASA-prediksjon ved bruk av helsedata og medisinbruk

American Society of Anesthesiologists Physical Status (ASA-PS) klassifiseringssystem er et mye brukt verktøy for å vurdere kirurgisk form og andre kliniske sammenhenger. Imidlertid kan dens iboende subjektivitet og store avhengighet av klinikerens dømmekraft føre til inkonsekvenser i pasientrisikostratifisering, en kritisk komponent i perioperativ behandling. Videre har ASA-PS-systemet blitt tatt i bruk for ulike administrative og regulatoriske formål utover den opprinnelige intensjonen, for eksempel kvalitetsvurdering av det nederlandske helse- og ungdomstilsynet (IGJ), kompensasjonsbeslutninger fra private betalere i USA, pasientutredning, og avgjøre egnethet for visse typer kirurgi.

Gitt de brede og kritiske bruksområdene til ASA-PS-systemet, er det av største betydning å forbedre dets presisjon og objektivitet. En måte å oppnå dette på er gjennom utvikling av en maskinlæringsalgoritme som predikerer ASA-PS basert på preoperative variabler. Anestesileger baserer ASA-PS-skåren på tilstedeværelsen av systemiske sykdommer, som kan utledes fra medisinbruk. Ved å utnytte data som Anatomical Therapeutic Chemical (ATC)-koder, BMI, kjønn, alder, rutinemessig innsamlede preoperative helsedata og medisinbruk, kan denne algoritmen gi et mer konsistent og objektivt mål på ASA-PS.

Dette vil ikke bare forbedre klinisk beslutningstaking i pasientrisikostratifisering, men også tilby et mer pålitelig verktøy for administrativ og regulatorisk bruk. Derfor gir utviklingen av et slikt maskinlæringsverktøy en betydelig mulighet til å fremme både vitenskapen og praksisen innen perioperativ omsorg. Å innlemme medisinbruk i algoritmen kan ytterligere forbedre dens prediksjonskraft, siden den er nært knyttet til systemisk sykdom. Dette tillegget kan bidra til å avgrense ASA-PS-klassifiseringen, noe som gjør den til et enda mer verdifullt verktøy i kliniske omgivelser.