Previsão ASA usando dados de saúde e uso de medicamentos
Visão geral do estudo
Status
Condições
Descrição detalhada
O sistema de classificação do estado físico da Sociedade Americana de Anestesiologistas (ASA-PS) é uma ferramenta amplamente utilizada para avaliar a aptidão cirúrgica e outros contextos clínicos. No entanto, a sua subjetividade inerente e a forte dependência do julgamento clínico podem levar a inconsistências na estratificação de risco do paciente, um componente crítico dos cuidados perioperatórios. Além disso, o sistema ASA-PS foi adoptado para vários fins administrativos e regulamentares para além da sua intenção original, tais como avaliação de qualidade pela Inspecção Holandesa de Saúde e Cuidados Juvenis (IGJ), decisões de compensação por pagadores privados nos EUA, triagem de pacientes, e determinar a adequação para certos tipos de cirurgia.
Dadas as aplicações amplas e críticas do sistema ASA-PS, melhorar a sua precisão e objetividade é de suma importância. Uma maneira de conseguir isso é através do desenvolvimento de um algoritmo de aprendizado de máquina que preveja ASA-PS com base em variáveis pré-operatórias. Os anestesiologistas baseiam a pontuação ASA-PS na presença de doenças sistêmicas, que podem ser inferidas pelo uso de medicamentos. Ao aproveitar dados como códigos Anatomical Therapeutic Chemical (ATC), IMC, sexo, idade, dados de saúde pré-operatórios coletados rotineiramente e uso de medicamentos, este algoritmo poderia fornecer uma medida mais consistente e objetiva de ASA-PS.
Isto não só melhoraria a tomada de decisões clínicas na estratificação de risco dos pacientes, mas também ofereceria uma ferramenta mais confiável para usos administrativos e regulatórios. Portanto, o desenvolvimento de tal ferramenta de aprendizado de máquina apresenta uma oportunidade significativa para o avanço da ciência e da prática dos cuidados perioperatórios. A incorporação do uso de medicamentos no algoritmo poderia aumentar ainda mais seu poder preditivo, uma vez que está intimamente ligado a doenças sistêmicas. Esta adição poderia ajudar a refinar a classificação ASA-PS, tornando-a uma ferramenta ainda mais valiosa no ambiente clínico.
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
Zuid-Holland
-
Rotterdam, Zuid-Holland, Holanda, 3015GD
- Erasmus MC
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critérios de inclusão:
- Foi submetido a procedimento cirúrgico, diagnóstico ou terapêutico no centro cirúrgico do Erasmus MC, e
- Pontuação ASA-PS registrada em prontuário eletrônico (EMR), e
- Uma lista de medicamentos verificada no EMR ou um questionário de saúde anestesiológica pré-operatória preenchido e registrado no EMR
Critérios de exclusão:
- Idade <18 anos no momento da cirurgia, ou
- ASA-PS V-VI, ou
- Cancelamento registrado no EMR
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Aula de estado físico da Sociedade Americana de Anestesiologistas (ASA-PS)
Prazo: Dia 0
|
A variável resposta dependente será a classe ASA-PS, tanto como variável de quatro níveis (ASA-PS I, II, III e IV) quanto como variável de dois níveis (ASA-PS I e II versus ASA-PS III e 4).
A classe ASA-PS foi atribuída ao paciente e registrada no prontuário do paciente no EMR por um anestesiologista residente em anestesiologia como parte da triagem anestesiológica pré-operatória rotineiramente realizada na preparação para um procedimento.
|
Dia 0
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Métricas de desempenho: precisão
Prazo: dia 0
|
A classificação correta da pontuação ASA-PS será avaliada por meio de métricas de desempenho dos algoritmos de aprendizado de máquina.
As métricas de desempenho comuns incluem: Precisão (a proporção de instâncias previstas corretamente).
|
dia 0
|
|
Métricas de desempenho: precisão
Prazo: dia 0
|
A classificação correta da pontuação ASA-PS será avaliada por meio de métricas de desempenho dos algoritmos de aprendizado de máquina.
As métricas de desempenho comuns incluem: precisão (a proporção entre previsões positivas verdadeiras e o total de previsões positivas)
|
dia 0
|
|
Métricas de desempenho: recall
Prazo: dia 0
|
A classificação correta da pontuação ASA-PS será avaliada por meio de métricas de desempenho dos algoritmos de aprendizado de máquina.
As métricas de desempenho comuns incluem: ecall (sensibilidade ou proporção de previsões positivas verdadeiras em relação às instâncias positivas reais)
|
dia 0
|
|
Métricas de desempenho: pontuação F1
Prazo: dia 0
|
A classificação correta da pontuação ASA-PS será avaliada por meio de métricas de desempenho dos algoritmos de aprendizado de máquina.
As métricas de desempenho comuns incluem: pontuação F1 (a média harmônica de precisão e recuperação).
|
dia 0
|
|
Métricas de desempenho: área sob a curva característica operacional do receptor
Prazo: dia 0
|
A classificação correta da pontuação ASA-PS será avaliada por meio de métricas de desempenho dos algoritmos de aprendizado de máquina.
As métricas de desempenho comuns incluem: a área sob a curva característica operacional do receptor (AUC-ROC, mede a capacidade do modelo de discriminar entre instâncias positivas e negativas).
|
dia 0
|
|
Calibração
Prazo: Dia 0
|
Gráficos de calibração serão usados para avaliar a concordância entre as previsões e a taxa de eventos (ou seja,
classificação correta).
|
Dia 0
|
|
Classificação incorreta da pontuação ASA-PS
Prazo: Dia 0
|
Uma revisão manual de uma seleção de erros de classificação será realizada por dois anestesiologistas para avaliar qualitativamente a causa do erro de classificação.
|
Dia 0
|
|
Explicabilidade do modelo de previsão: explicações aditivas de Shapley (SHAP)
Prazo: dia 0
|
Explicações aditivas de Shapley (SHAP), se aplicável, pois podem oferecer insights sobre a contribuição de cada recurso para a previsão de instâncias individuais.
|
dia 0
|
|
Explicabilidade do modelo de predição: Explicações independentes do modelo interpretável local (LIME)
Prazo: dia 0
|
Explicações independentes de modelo interpretáveis locais (LIME) podem oferecer insights sobre a contribuição de cada recurso para a previsão de instâncias individuais.
|
dia 0
|
|
Tamanho ideal da amostra
Prazo: dia 0
|
Análise das curvas de aprendizagem para determinar se dados adicionais provavelmente melhorariam o desempenho do modelo ou se o conjunto de dados atual é suficiente.
|
dia 0
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Investigadores
- Investigador principal: Jan-Wiebe Korstanje, MD MSc PhD, Erasmus Medical Center
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Outros números de identificação do estudo
- MEC-2020-0051/MEC-2024-0181
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Prazo de Compartilhamento de IPD
Critérios de acesso de compartilhamento IPD
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
- CSR
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .