ROTEM-tolkning AI kontra eksperter (ROTEMAI)

Denne prospektive multicenter-observasjonsstudien er designet for å evaluere samsvaret mellom kunstig intelligens (KI)-basert tolkning og eksperttolkning av rotational thromboelastometry (ROTEM)-funn, med fokus på klinisk beslutningstaking hos kritisk syke pasienter.

ROTEM er en point-of-care viskoelastisk metode som gir sanntidsinformasjon om koagulering, inkludert dannelse av blodpropp, styrke og fibrinolysen. Den er mye brukt for å veilede målrettet hemostatisk terapi ved traumer, større kirurgi og intensivbehandling. Imidlertid er tolkning av ROTEM-funn kompleks og krever klinisk ekspertise. Variasjon mellom observatører blant klinikere kan føre til inkonsistente terapeutiske beslutninger. Selv om algoritmebaserte tilnærminger er introdusert, er implementeringen fortsatt variabel.

Kunstig intelligens (KI) har potensial til å standardisere tolkning ved å integrere flere ROTEM-parametere og generere konsistente anbefalinger. Tidligere studier har vist at maskinlæringsmodeller kan forutsi kliniske utfall eller transfusjonsbehov basert på viskoelastiske data. Imidlertid er bevisene på samsvar mellom KI-basert tolkning og eksperttolkning, spesielt i virkelig klinisk beslutningstaking, fortsatt begrenset.

Det primære målet med denne studien er å fastslå om KI-basert tolkning oppnår et samsvarsnivå som kan sammenlignes med variasjon mellom eksperter i ROTEM-tolkning. Denne studien antar ikke en enkelt gullstandard; i stedet evaluerer den samsvar mellom metoder, noe som gjenspeiler virkelig klinisk praksis.

Sekundære mål inkluderer:

• sammenligning av tolkningstid mellom KI og ekspertklinikere,
• vurdering av konsistens (intra-metodevariasjon) av KI sammenlignet med variasjon mellom eksperter,
• evaluering av potensiell innvirkning på klinisk beslutningstaking, inkludert identifikasjon av koagulasjonsavvik og foreslåtte behandlingsstrategier.

ROTEM-målinger vil bli samlet inn og presentert i et standardisert format, inkludert grafiske og numeriske utdata. Hvert datasett vil bli uavhengig evaluert av flere ekspertanestesileger. De samme datasettene vil bli tolket gjentatte ganger av en KI-basert stor språkmodell ved bruk av en forhåndsdefinert standardisert forespørsel, med flere uavhengige kjøringer for å vurdere intra-modellvariasjon.

For hvert ROTEM-datasett vil både eksperter og KI vurdere:

• tilstedeværelse av en koagulasjonsforstyrrelse,
• dominerende underliggende abnormitet,
• passende terapeutisk intervensjon,
• og anbefalt behandlingsdose.

Samsvar mellom eksperter og KI, samt samsvar mellom eksperter, vil bli analysert ved bruk av passende statistiske metoder for kategoriske og kontinuerlige variabler (f.eks. kappa-statistikk og intraklasse korrelasjonskoeffisienter). Tiden som kreves for tolkning vil også bli registrert og sammenlignet.

Denne studien er ikke designet for å fastslå den absolutte riktigheten av tolkning, men for å kvantifisere samsvar og variasjon mellom menneskelige eksperter og KI. Ved å identifisere klinisk relevante avvik, har studien som mål å evaluere om KI-assistert tolkning kan tjene som et pålitelig beslutningsstøtteverktøy og redusere variasjon i ROTEM-veiledet hemostatisk behandling.