Przewidywalność konieczności konsultacji kardiologicznej u pacjentów zakwalifikowanych do operacji niekardiologicznych z wykorzystaniem modeli sztucznej inteligencji w przedoperacyjnej ocenie anestezjologicznej
Skuteczność wykorzystania sztucznej inteligencji (Chat GPT) w ocenie kardiologicznej podczas badania anestezjologicznego przypadków przedoperacyjnych
Strukturalny tytuł streszczenia
Przewidywalność wymogu konsultacji kardiologicznej u pacjentów poddawanych operacjom niekardiologicznym z wykorzystaniem modeli sztucznej inteligencji
Tło
Przedoperacyjna ocena ryzyka kardiologicznego jest niezbędna w celu minimalizacji śród- i pooperacyjnej zachorowalności i śmiertelności u pacjentów poddawanych operacjom niekardiologicznym. Konsultacje kardiologiczne są często wymagane w celu oceny kwalifikacji do zabiegu i zmniejszenia ryzyka powikłań. Jednak niepotrzebne konsultacje mogą przyczyniać się do nieefektywnego wykorzystania zasobów opieki zdrowotnej i opóźnień w procedurach.
Ostatnie postępy w sztucznej inteligencji, szczególnie w dużych modelach językowych, wykazały potencjał w systemach wsparcia decyzji klinicznych. Wytyczne Europejskiego Towarzystwa Kardiologicznego (ESC) z 2024 roku zapewniają ustrukturyzowane ramy do oceny okołooperacyjnego ryzyka kardiologicznego. Niniejsze badanie ma na celu zbadanie, czy modele oparte na sztucznej inteligencji mogą pomóc w przewidywaniu potrzeby konsultacji kardiologicznej oraz zbadanie wpływu formatów wejściowych z podpowiedziami versus bez podpowiedzi na rekomendacje sztucznej inteligencji.
Projekt badania
Badanie prospektywne, obserwacyjne, porównawcze.
Zatwierdzenie etyczne
Badanie zostało zatwierdzone przez Komitet Etyczny Szpitala Miejskiego w Bursie i będzie prowadzone zgodnie z Deklaracją Helsińską.
Wielkość próby
Wielkość próby została obliczona przy użyciu oprogramowania G*Power na podstawie oczekiwanego rozmiaru efektu i wymagań dotyczących mocy statystycznej.
Uczestnicy
Kryteria włączenia:
Dorośli w wieku 18 lat lub starsi
Stan fizyczny ASA I-IV
Planowana operacja niekardiologiczna
Oceniani przez rezydentów anestezjologii z mniej niż dwuletnim doświadczeniem klinicznym
Kryteria wykluczenia:
Pacjenci pediatryczni
Pacjenci odmawiający udziału
Niekompletne dane kliniczne
Zbiór danych
Następujące dane pacjentów będą rejestrowane:
Dane demograficzne (wiek, płeć, BMI)
Historia medyczna (choroby współistniejące, stosowanie leków, alergie, używanie substancji)
Zdolność funkcjonalna (wynik MET)
Wyniki EKG
Wyniki radiografii klatki piersiowej
Charakterystyka planowanej procedury chirurgicznej
Ocena modelu sztucznej inteligencji
Wiele modeli językowych sztucznej inteligencji będzie testowanych przy użyciu standaryzowanych scenariuszy pacjentów. Każdy scenariusz będzie prezentowany w dwóch formatach:
Format z podpowiedzią:
„Jesteś anestezjologiem z 10-letnim doświadczeniem. Zgodnie z wytycznymi ESC 2024, oceń, czy ten pacjent wymaga konsultacji kardiologicznej.”
Format bez podpowiedzi:
„Oceń, czy ten pacjent wymaga konsultacji kardiologicznej.”
Rekomendacje sztucznej inteligencji nie będą wpływać na podejmowanie decyzji klinicznych.
Miary wyników
Analizy pierwotne i wtórne będą obejmować:
Zgodność między rekomendacjami sztucznej inteligencji a ocenami ekspertów anestezjologów
Czytelność odpowiedzi generowanych przez sztuczną inteligencję
Ocena jakości odpowiedzi
Porównania wydajności klasyfikacji między modelami
Analiza statystyczna
Analizy statystyczne będą przeprowadzane przy użyciu odpowiednich testów porównawczych i zgodności. Wyniki czytelności i jakości będą analizowane przy użyciu metod nieparametrycznych tam, gdzie to możliwe. Analiza ROC zostanie użyta do oceny zdolności klasyfikacyjnych. Poziom istotności p < 0,05 zostanie zastosowany.
Cel badania
Celem tego badania jest zbadanie wykonalności systemów wsparcia decyzji wspomaganych sztuczną inteligencją w przewidywaniu wymogów konsultacji kardiologicznej oraz ocena, czy inżynieria podpowiedzi wpływa na wydajność sztucznej inteligencji.
Przegląd badań
Status
Warunki
Szczegółowy opis
Tytuł strukturalnego podsumowania
Przewidywalność wymogu konsultacji kardiologicznej u pacjentów poddawanych operacjom niekardiologicznym z wykorzystaniem modeli sztucznej inteligencji
Tło
Przedoperacyjna ocena ryzyka sercowego jest niezbędna do minimalizacji śród- i pooperacyjnej zachorowalności i śmiertelności u pacjentów poddawanych operacjom niekardiologicznym. Konsultacje kardiologiczne są często wymagane w celu oceny kwalifikacji do zabiegu i zmniejszenia ryzyka powikłań. Jednak niepotrzebne konsultacje mogą przyczyniać się do nieefektywnego wykorzystania zasobów opieki zdrowotnej i opóźnień w procedurach.
Ostatnie postępy w sztucznej inteligencji, szczególnie w dużych modelach językowych, wykazały potencjał w systemach wspomagania decyzji klinicznych. Wytyczne Europejskiego Towarzystwa Kardiologicznego (ESC) z 2024 roku zapewniają ustrukturyzowane ramy do oceny okołoporodowego ryzyka sercowego. Celem tego badania jest sprawdzenie, czy modele oparte na sztucznej inteligencji mogą pomóc w przewidywaniu potrzeby konsultacji kardiologicznej oraz zbadanie wpływu formatów wejściowych z podpowiedzią i bez podpowiedzi na zalecenia sztucznej inteligencji.
Projekt badania
Badanie prospektywne, obserwacyjne, porównawcze.
Zatwierdzenie etyczne
Badanie zostało zatwierdzone przez Komisję Etyczną Szpitala Miejskiego w Bursie i będzie prowadzone zgodnie z Deklaracją Helsińską.
Wielkość próby
Wielkość próby została obliczona przy użyciu oprogramowania G*Power na podstawie oczekiwanego rozmiaru efektu i wymagań dotyczących mocy statystycznej.
Uczestnicy
Kryteria włączenia:
Dorośli w wieku 18 lat lub starsi
Stan fizyczny ASA I-IV
Zaplanowani do operacji niekardiologicznej
Oceniani przez rezydentów anestezjologii z mniej niż dwuletnim doświadczeniem klinicznym
Kryteria wykluczenia:
Pacjenci pediatryczni
Pacjenci odmawiający udziału
Niekompletne dane kliniczne
Zbiór danych
Następujące dane pacjentów będą rejestrowane:
Dane demograficzne (wiek, płeć, BMI)
Historia medyczna (choroby współistniejące, stosowanie leków, alergie, używanie substancji)
Zdolność funkcjonalna (wynik MET)
Wyniki EKG
Wyniki radiografii klatki piersiowej
Charakterystyka planowanej procedury chirurgicznej
Ocena modelu sztucznej inteligencji
Wiele modeli językowych sztucznej inteligencji zostanie przetestowanych przy użyciu standaryzowanych scenariuszy pacjentów. Każdy scenariusz zostanie przedstawiony w dwóch formatach:
Format z podpowiedzią:
„Jesteś anestezjologiem z 10-letnim doświadczeniem. Zgodnie z wytycznymi ESC 2024, oceń, czy ten pacjent wymaga konsultacji kardiologicznej.”
Format bez podpowiedzi:
„Oceń, czy ten pacjent wymaga konsultacji kardiologicznej.”
Zalecenia sztucznej inteligencji nie będą wpływać na podejmowanie decyzji klinicznych.
Miary wyników
Analizy pierwotne i wtórne będą obejmować:
Zgodność między zaleceniami sztucznej inteligencji a ocenami doświadczonych anestezjologów
Czytelność odpowiedzi generowanych przez sztuczną inteligencję
Ocena jakości odpowiedzi
Porównania wydajności klasyfikacji między modelami
Analiza statystyczna
Analizy statystyczne zostaną przeprowadzone przy użyciu odpowiednich testów porównawczych i zgodności. Wyniki czytelności i jakości będą analizowane przy użyciu metod nieparametrycznych, jeśli to możliwe. Analiza ROC zostanie wykorzystana do oceny zdolności klasyfikacji. Zostanie zastosowany poziom istotności p < 0,05.
Cel badania
Celem tego badania jest zbadanie wykonalności systemów wspomagania decyzji wspomaganych sztuczną inteligencją w przewidywaniu wymagań dotyczących konsultacji kardiologicznej oraz ocena, czy inżynieria podpowiedzi wpływa na wydajność sztucznej inteligencji.
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Bursa
-
Bursa, Bursa, Turcja (Türkiye), 16001
- Bursa Şehir Hastanesi
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
Dorośli w wieku 18 lat lub starsi
Klasyfikacja ASA stanu fizycznego I-IV
Zaplanowani do operacji niekardiochirurgicznej
Pacjenci oceniani przedoperacyjnie przez rezydentów anestezjologii z mniej niż dwuletnim doświadczeniem klinicznym
Dostępność pełnych danych klinicznych, w tym wywiadu medycznego, wyników EKG i radiografii klatki piersiowej
Możliwość wyrażenia świadomej zgody
Kryteria wyłączenia:
Pacjenci młodsi niż 18 lat
Pacjenci poddawani operacji kardiochirurgicznej
Pacjenci z niekompletnymi danymi klinicznymi
Pacjenci, którzy odmówili udziału
Przypadki operacji nagłych
Pacjenci niezdolni do przejścia standardowej oceny przedoperacyjnej
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Porozumienie między rekomendacjami modelu AI a decyzją eksperta anestezjologa dotyczące wymogu konsultacji kardiologicznej
Ramy czasowe: Podczas wstępnej oceny przedoperacyjnej (dzień 1)
|
Zgodność między zaleceniami modelu sztucznej inteligencji a ocenami ekspertów anestezjologów dotyczącymi konieczności konsultacji kardiologicznej zostanie oceniona przy użyciu współczynnika kappa Cohena w oparciu o wytyczne ESC 2024.
|
Podczas wstępnej oceny przedoperacyjnej (dzień 1)
|
Inne miary wyników
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Czytelność odpowiedzi generowanych przez sztuczną inteligencję
Ramy czasowe: Natychmiast po ocenie odpowiedzi wygenerowanej przez sztuczną inteligencję (Dzień 1)
|
Czytelność odpowiedzi generowanych przez sztuczną inteligencję będzie oceniana za pomocą Indeksu Czytelności Ateşmana w celu określenia jasności i zrozumiałości zaleceń konsultacyjnych.
|
Natychmiast po ocenie odpowiedzi wygenerowanej przez sztuczną inteligencję (Dzień 1)
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: eralp çevikkalp, Bursa Şehir Hastanesi
Publikacje i pomocne linki
Publikacje ogólne
- 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
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Szacowany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
- Bursa Şehir Hastanesi
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .