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

AI-basert ASA-klassifisering hos preoperative pasienter (AI-Based ASA C)

16. juni 2026 oppdatert av: eralp çevikkalp, Bursa City Hospital

Evaluering av kunstig intelligens-modeller i tildeling av American Society of Anesthesiologists fysisk statusklassifisering hos preoperativ pasienter: En prospektiv observasjonsstudie

Denne prospektive observasjonsstudien har som mål å evaluere ytelsen til flere kunstig intelligens-baserte store språkmodeller i tildeling av American Society of Anesthesiologists Physical Status (ASA-PS)-klassifiseringer hos voksne preoperativ pasienter. AI-genererte ASA-skårer som er oppnådd ved bruk av både påmuntrede og upåmuntrede kliniske scenario-input, vil bli sammenlignet med vurderinger utført av erfarne anestesileger. Enighet, nøyaktighet, lesbarhet og overordnet kvalitet av AI-output vil bli analysert for å fastslå den potensielle rollen til kunstig intelligens i å støtte preoperativ risikostratifisering.

Studieoversikt

Detaljert beskrivelse

Den amerikanske anestesiologiforeningens fysiske status (ASA-PS) klassifisering er mye brukt for perioperativ risikostratifisering, men er utsatt for variasjon mellom observatører. Nylige fremskritt innen kunstig intelligens og store språkmodeller har introdusert nye muligheter for klinisk beslutningsstøtte.

Denne prospektive observasjonsstudien inkluderer voksne pasienter som gjennomgår rutinemessig preoperativ anestesiutredning ved Bursa City Hospital. Demografiske data, medisinsk historikk, komorbiditeter, funksjonell kapasitet, laboratoriefunn, elektrokardiografi, resultater fra brystbildediagnostikk og planlagte kirurgiske prosedyrer registreres for å konstruere standardiserte kliniske scenarioer.

Flere kunstig intelligens-modeller, inkludert systemer basert på store språkmodeller, tilføres pasientscenarioer ved bruk av både strukturerte påminnelser og ustrukturerte inndata. Hver modell tildeler en ASA-PS klassifisering og gir forklarende tekst. AI-genererte klassifiseringer sammenlignes med vurderinger utført uavhengig av erfarne anestesiologer.

Primære utfall inkluderer samsvar og nøyaktighet mellom AI-genererte og kliniker-tildelte ASA klassifiseringer ved bruk av Cohens Kappa-statistikk. Sekundære utfall inkluderer lesbarhetsvurdering ved bruk av Ateşman tyrkisk lesbarhetsindeks og responskvalitetsvurdering ved bruk av Global Quality Scale.

Studien har som mål å utforske om kunstig intelligens kan forbedre standardisering, objektivitet og effektivitet i preoperativ risikovurdering, samtidig som den fremhever styrkene og begrensningene til nåværende AI-teknologier i klinisk anestesipraksis.

Studietype

Observasjonsmessig

Registrering (Faktiske)

128

Kontakter og plasseringer

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

Studiesteder

    • Nilüfer
      • Bursa, Nilüfer, Tyrkia (Türkiye), 16110
        • Bursa City Hospital

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

Ja

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

Studiepopulasjonen består av voksne pasienter som kommer til rutinemessig preoperativ anestesiutredning ved Bursa City Hospital, inkludert personer med ulike komorbiditeter og kirurgiske risikoprofiler.

Beskrivelse

Inklusjonskriterier:

  • Voksne pasienter 18 år eller eldre
  • Gjennomgår rutinemessig preoperativ anestesivurdering
  • Klassifisert som ASA fysisk status I-IV
  • Tilgjengelighet av fullstendige kliniske data som kreves for AI-vurdering

Eksklusjonskriterier:

  • Pasienter yngre enn 18 år
  • Avslag på deltakelse
  • Ufullstendig eller manglende klinisk informasjon

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 KI-generert og kliniker-tildelt ASA-fysisk statusklassifisering
Tidsramme: Preprosedyre/Perioperativ
Nivå av overensstemmelse mellom kunstig intelligens-modeller og anestesileger i tildeling av ASA Physical Status-klassifisering målt ved hjelp av Cohens kappa-koeffisient
Preprosedyre/Perioperativ

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Nøyaktighet av AI-modeller i ASA-klassifisering
Tidsramme: Preprosedyre/Perioperativ
Andel korrekte ASA Physical Status-klassifiseringer generert av kunstig intelligens-modeller sammenlignet med anestesilegevurderinger
Preprosedyre/Perioperativ
Lesbarhet av KI-genererte kliniske responser
Tidsramme: Preprosedural/Perioperativ
Lesbarhetsskårer for kunstig intelligens-genererte kliniske svar vurdert ved bruk av Ateşman tyrkisk lesbarhetsindeks (område: 0-100), der høyere skårer indikerer bedre lesbarhet.
Preprosedural/Perioperativ

Samarbeidspartnere og etterforskere

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

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)

15. desember 2024

Primær fullføring (Faktiske)

15. desember 2024

Studiet fullført (Faktiske)

15. januar 2026

Datoer for studieregistrering

Først innsendt

4. februar 2026

Først innsendt som oppfylte QC-kriteriene

10. februar 2026

Først lagt ut (Faktiske)

12. februar 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

17. juni 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

16. juni 2026

Sist bekreftet

1. februar 2026

Mer informasjon

Begreper knyttet til denne studien

Andre studie-ID-numre

  • Bursa City Hospital 004

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

IPD-planbeskrivelse

Individuelle deltakerdata vil ikke bli delt på grunn av pasientkonfidensialitet og institusjonelle databeskyttelsespolitikker.

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