Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Forutsigbarheten av behovet for kardiologkonsultasjon hos pasienter planlagt for ikke-hjertekirurgi ved bruk av kunstig intelligens-modeller i preoperativ anestesiutredning

31. januar 2026 oppdatert av: eralp çevikkalp, Bursa City Hospital

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

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

Observasjonsmessig

Registrering (Antatt)

183

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

    • Bursa
      • Bursa, Bursa, Tyrkia (Türkiye), 16001
        • Bursa Şehir Hastanesi

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

Denne studien vil bli gjennomført med deltakelse av pasienter som vil bli henvist til kardiologi etter en undersøkelse ved anestesiklinikken før de gjennomgår ikke-hjertekirurgi.

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

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

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

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Etterforskere

  • Hovedetterforsker: eralp çevikkalp, Bursa Şehir Hastanesi

Publikasjoner og nyttige lenker

Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.

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

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

1. januar 2025

Primær fullføring (Faktiske)

30. juni 2025

Studiet fullført (Antatt)

15. mars 2026

Datoer for studieregistrering

Først innsendt

20. desember 2025

Først innsendt som oppfylte QC-kriteriene

31. januar 2026

Først lagt ut (Faktiske)

9. februar 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

9. februar 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

31. januar 2026

Sist bekreftet

1. januar 2026

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)?

NEI

IPD-planbeskrivelse

På grunn av vårt engasjement for pasientrettigheter, datapersonvern og samtykkeskjemaet

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

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. .

Abonnere