Prognozy ASA na podstawie danych dotyczących zdrowia i stosowania leków

System klasyfikacji stanu fizycznego Amerykańskiego Towarzystwa Anestezjologów (ASA-PS) jest szeroko stosowanym narzędziem do oceny sprawności chirurgicznej i innych kontekstów klinicznych. Jednakże nieodłączna subiektywność tego badania i duże poleganie na ocenie lekarza może prowadzić do niespójności w stratyfikacji ryzyka pacjenta, która jest kluczowym elementem opieki okołooperacyjnej. Co więcej, system ASA-PS został przyjęty do różnych celów administracyjnych i regulacyjnych wykraczających poza pierwotne zamierzenie, takich jak ocena jakości przeprowadzana przez Holenderski Inspektorat Zdrowia i Opieki nad Młodzieżą (IGJ), decyzje dotyczące odszkodowań wydawane przez prywatnych płatników w USA, segregacja pacjentów i określenie przydatności do niektórych rodzajów operacji.

Biorąc pod uwagę szerokie i krytyczne zastosowania systemu ASA-PS, zwiększenie jego precyzji i obiektywizmu ma ogromne znaczenie. Jednym ze sposobów osiągnięcia tego jest opracowanie algorytmu uczenia maszynowego, który przewiduje ASA-PS na podstawie zmiennych przedoperacyjnych. Anestezjolodzy opierają wynik ASA-PS na obecności chorób ogólnoustrojowych, które można wywnioskować ze stosowania leków. Wykorzystując dane, takie jak kody anatomiczno-terapeutyczne (ATC), BMI, płeć, wiek, rutynowo zbierane przedoperacyjne dane zdrowotne i stosowane leki, algorytm ten może zapewnić bardziej spójny i obiektywny pomiar ASA-PS.

Nie tylko usprawniłoby to proces podejmowania decyzji klinicznych w zakresie stratyfikacji ryzyka pacjenta, ale także zapewniłoby bardziej niezawodne narzędzie do zastosowań administracyjnych i regulacyjnych. Dlatego opracowanie takiego narzędzia uczenia maszynowego stwarza znaczącą szansę na postęp zarówno w nauce, jak i praktyce opieki okołooperacyjnej. Włączenie do algorytmu stosowania leków mogłoby jeszcze bardziej zwiększyć jego siłę predykcyjną, ponieważ jest ono ściśle powiązane z chorobami ogólnoustrojowymi. Dodatek ten mógłby pomóc udoskonalić klasyfikację ASA-PS, czyniąc ją jeszcze bardziej wartościowym narzędziem w warunkach klinicznych.