- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT07395713
Forutsigbarheten av behovet for kardiologkonsultasjon hos pasienter planlagt for ikke-hjertekirurgi ved bruk av kunstig intelligens-modeller i preoperativ anestesiutredning
Effektiviteten av å bruke kunstig intelligens (Chat GPT) i hjertevurdering under anestesieundersøkelse av preoperativ saker
Strukturert Sammendrag Tittel
Forutsigbarhet av Kardiologikonsultasjonsbehov hos Pasienter som Gjennomgår Ikke-Kardial Kirurgi ved Bruk av Kunstig Intelligens Modeller
Bakgrunn
Preoperativ hjerterisikovurdering er avgjørende for å minimere perioperativ morbiditet og mortalitet hos pasienter som gjennomgår ikke-kardial kirurgi. Kardiologikonsultasjoner blir ofte forespurt for å vurdere kirurgisk egnethet og redusere komplikasjonsrisiko. Imidlertid kan unødvendige konsultasjoner bidra til ineffektiv helseressursutnyttelse og prosedyreforsinkelser.
Nylige fremskritt innen kunstig intelligens, spesielt store språkmodeller, har vist potensial i kliniske beslutningsstøttesystemer. De europeiske kardiologiforeningens (ESC) retningslinjer for 2024 gir et strukturert rammeverk for evaluering av perioperativ hjerterisiko. Denne studien tar sikte på å undersøke om KI-baserte modeller kan bidra til å forutsi behovet for kardiologikonsultasjon og å undersøke effekten av promptet versus ikke-promptet inputformat på KI-anbefalinger.
Studiedesign
Prospektiv, observasjonsbasert, komparativ studie.
Etisk Godkjenning
Studien er godkjent av Bursa City Hospital etikkkomité og vil bli utført i samsvar med Helsingforserklæringen.
Utvalgsstørrelse
Utvalgsstørrelse ble beregnet ved bruk av G*Power programvare basert på forventet effektstørrelse og statistisk styrkekrav.
Deltakere
Inklusjonskriterier:
Voksne 18 år eller eldre
ASA fysisk status I-IV
Planlagt for ikke-kardial kirurgi
Vurdert av anestesileger med mindre enn to års klinisk erfaring
Eksklusjonskriterier:
Pediatriske pasienter
Pasienter som avslår deltakelse
Ufullstendige kliniske data
Datainnsamling
Følgende pasientdata vil bli registrert:
Demografi (alder, kjønn, BMI)
Medisinsk historie (komorbiditeter, medisinbruk, allergier, substansbruk)
Funksjonell kapasitet (METs poengsum)
EKG-funn
Røntgenbrystfunn
Planlagte kirurgiske prosedyreegenskaper
KI-modell Evaluering
Flere KI-språkmodeller vil bli testet ved bruk av standardiserte pasientscenarier. Hvert scenario vil bli presentert i to formater:
Promptet format:
"Du er en anestesilege med 10 års erfaring. I henhold til ESC 2024 retningslinjer, vurder om denne pasienten krever kardiologikonsultasjon."
Ikke-promptet format:
"Vurder om denne pasienten krever kardiologikonsultasjon."
KI-anbefalinger vil ikke påvirke klinisk beslutningstaking.
Utfallsmål
Primær- og sekundæranalyser vil inkludere:
Overensstemmelse mellom KI-anbefalinger og ekspert anestesilegevurderinger
Lesbarhet av KI-genererte svar
Kvalitetsvurdering av svar
Klassifiseringsytelsessammenligninger på tvers av modeller
Statistisk Analyse
Statistiske analyser vil bli utført ved bruk av passende sammenlignende og overensstemmelsestester. Lesbarhets- og kvalitetspoeng vil bli analysert ved bruk av ikke-parametriske metoder der det er aktuelt. ROC-analyse vil bli brukt for å vurdere klassifiserings evne. Et signifikansnivå på p < 0.05 vil bli anvendt.
Studiemål
Målet med denne studien er å utforske gjennomførbarheten av KI-assisterte beslutningsstøttesystemer i å forutsi kardiologikonsultasjonsbehov og å evaluere om prompt engineering påvirker KI-ytelse.
Studieoversikt
Status
Detaljert beskrivelse
Strukturert sammendragstittel
Forutsigbarhet av behovet for kardiologisk konsultasjon hos pasienter som gjennomgår ikke-hjertekirurgi ved bruk av kunstig intelligens-modeller
Bakgrunn
Preoperativ hjerterisikovurdering er avgjørende for å minimere perioperativ morbiditet og mortalitet hos pasienter som gjennomgår ikke-hjertekirurgi. Kardiologikonsultasjoner blir ofte forespurt for å vurdere kirurgisk egnethet og redusere komplikasjonsrisiko. Imidlertid kan unødvendige konsultasjoner bidra til ineffektiv ressursutnyttelse i helsevesenet og prosedyreforsinkelser.
Nylige fremskritt innen kunstig intelligens, spesielt store språkmodeller, har vist potensial i kliniske beslutningsstøttesystemer. De europeiske kardiologiforeningens (ESC) retningslinjer for 2024 gir et strukturert rammeverk for å evaluere perioperativ hjerterisiko. Denne studien tar sikte på å undersøke om AI-baserte modeller kan hjelpe til med å forutsi behovet for kardiologisk konsultasjon og å undersøke effekten av promptet versus ikke-promptet inndataformat på AI-anbefalinger.
Studiedesign
Prospektiv, observasjonsbasert, komparativ studie.
Etisk godkjenning
Studien er godkjent av Bursa City Hospitals etikkomité og vil bli gjennomført i samsvar med Helsingforserklæringen.
Utvalgsstørrelse
Utvalgsstørrelsen ble beregnet ved hjelp av G*Power-programvare basert på forventet effektstørrelse og statistisk styrkekrav.
Deltakere
Inklusjonskriterier:
Voksne 18 år eller eldre
ASA fysisk status I-IV
Planlagt for ikke-hjertekirurgi
Vurdert av anestesiresidenter med mindre enn to års klinisk erfaring
Eksklusjonskriterier:
Pediatriske pasienter
Pasienter som avslår deltakelse
Ufullstendige kliniske data
Datainnsamling
Følgende pasientdata vil bli registrert:
Demografi (alder, kjønn, BMI)
Medisinsk historikk (komorbiditeter, medisinbruk, allergier, substansbruk)
Funksjonell kapasitet (METs-score)
EKG-funn
Røntgenfunn fra brystkassen
Planlagte kirurgiske prosedyrekarakteristikker
AI-modellvurdering
Flere AI-språkmodeller vil bli testet ved bruk av standardiserte pasientscenarier. Hvert scenario vil bli presentert i to formater:
Promptet format:
"Du er en anestesilege med 10 års erfaring. I henhold til ESC 2024-retningslinjer, vurder om denne pasienten krever kardiologisk konsultasjon."
Ikke-promptet format:
"Vurder om denne pasienten krever kardiologisk konsultasjon."
AI-anbefalinger vil ikke påvirke klinisk beslutningstaking.
Utfallsmål
Primære og sekundære analyser vil inkludere:
Overensstemmelse mellom AI-anbefalinger og ekspertanestesilegevurderinger
Lesbarhet av AI-genererte svar
Kvalitetsvurdering av svar
Klassifiseringsytelsessammenligninger på tvers av modeller
Statistisk analyse
Statistiske analyser vil bli utført ved bruk av passende komparative og overensstemmelsestester. Lesbarhets- og kvalitetsskårer vil bli analysert ved bruk av ikke-parametriske metoder der aktuelt. ROC-analyse vil bli brukt for å vurdere klassifiserings evne. Et signifikansnivå på p < 0,05 vil bli anvendt.
Studieformål
Formålet med denne studien er å utforske gjennomførbarheten av AI-assisterte beslutningsstøttesystemer for å forutsi kardiologiske konsultasjonsbehov og å evaluere om prompt-teknikker påvirker AI-ytelse.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiesteder
-
-
Bursa
-
Bursa, Bursa, Tyrkia (Türkiye), 16001
- Bursa Şehir Hastanesi
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
Voksne i alderen 18 år eller eldre
ASA fysisk statusklassifisering I-IV
Planlagt for ikke-hjertekirurgi
Pasienter evaluert preoperativt av anestesiresidenter med mindre enn to års klinisk erfaring
Tilgjengelighet av fullstendige kliniske data inkludert medisinsk historie, EKG-funn og røntgen av brystet
Evne til å gi informert samtykke
Eksklusjonskriterier:
Pasienter under 18 år
Pasienter som gjennomgår hjertekirurgi
Pasienter med ufullstendige kliniske data
Pasienter som avslo deltakelse
Akuttkirurgiske tilfeller
Pasienter som ikke kan gjennomgå standard preoperativ evaluering
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Avtale mellom AI-modellanbefalinger og ekspertanestesilegers avgjørelse angående kardiologikonsultasjonsbehov
Tidsramme: Ved basislinje preoperativ evaluering (Dag 1)
|
Overensstemmelsen mellom kunstig intelligens-modellens anbefalinger og ekspert-anestesiologers vurderinger av nødvendigheten av kardiologisk konsultasjon vil bli vurdert ved bruk av Cohens kappa-koeffisient basert på ESC 2024-retningslinjer.
|
Ved basislinje preoperativ evaluering (Dag 1)
|
Andre resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Lesbarhet av AI-genererte svar
Tidsramme: Umiddelbart etter evaluering av AI-generert respons (dag 1)
|
Lesbarheten til AI-genererte svar vil bli vurdert ved bruk av Ateşman-lesbarhetsindeksen for å fastslå klarhet og forståelighet av konsultasjonsanbefalinger.
|
Umiddelbart etter evaluering av AI-generert respons (dag 1)
|
Samarbeidspartnere og etterforskere
Sponsor
Etterforskere
- Hovedetterforsker: eralp çevikkalp, Bursa Şehir Hastanesi
Publikasjoner og nyttige lenker
Generelle publikasjoner
- 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
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Andre studie-ID-numre
- Bursa Şehir Hastanesi
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .