Avaliação da Fragilidade Revela Diferenças Cognitivas na Classificação ASA: Anestesiologistas vs Modelos de Linguagem de Grande Escala (ASA-AI)

Este estudo está concebido como uma investigação prospetiva, observacional, comparativa e multiavaliador que avalia as diferenças na Classificação do Estado Físico ASA entre anestesiologistas e modelos de linguagem de grande escala (LLMs).

O Sistema de Classificação do Estado Físico ASA é um pilar fundamental da avaliação de risco perioperatório; no entanto, carece de uma incorporação explícita da fragilidade, um conceito multidimensional que reflete uma reserva fisiológica reduzida e vulnerabilidade. Na prática clínica, os anestesiologistas frequentemente integram informações relacionadas com a fragilidade de forma implícita nas avaliações ASA, o que potencialmente contribui para a variabilidade interobservador.

Os modelos de linguagem de grande escala processam informações clínicas utilizando entradas explícitas e estruturadas e não dependem de raciocínio experiencial ou intuitivo. Esta característica proporciona uma oportunidade única para explorar diferenças cognitivas entre especialistas humanos e inteligência artificial em tarefas de classificação clínica.

Serão incluídos pacientes adultos (≥18 anos) programados para cirurgia eletiva. Serão excluídos casos de emergência, pacientes pediátricos e indivíduos com dados clínicos insuficientes para permitir a classificação ASA. Para cada paciente, serão recolhidos dados clínicos pré-operatórios padronizados, incluindo características demográficas, índice de massa corporal, comorbilidades, medicação habitual e tipo de procedimento cirúrgico planeado.

A Classificação do Estado Físico ASA será atribuída independentemente por quatro anestesiologistas certificados com pelo menos cinco anos de experiência clínica, bem como por dois modelos de linguagem de grande escala desenvolvidos por diferentes organizações. Todas as avaliações serão realizadas utilizando o mesmo conjunto de dados padronizado, e os avaliadores estarão cegos para as avaliações uns dos outros.

O estudo será conduzido em duas fases sequenciais. Na primeira fase, a classificação ASA será realizada utilizando apenas os dados clínicos padrão. Na segunda fase, um índice de fragilidade validado será adicionado ao mesmo conjunto de dados do paciente, e o processo de avaliação será repetido. Este desenho permitirá avaliar como a informação sobre fragilidade afeta as decisões de classificação ASA em avaliadores humanos e de inteligência artificial.

Os modelos de linguagem de grande escala serão ativados utilizando uma instrução pré-definida e padronizada que permanece inalterada ao longo do estudo. Será instruído aos modelos que gerem uma única categoria de Estado Físico ASA (I-V) sem fornecer explicações ou comentários adicionais, e não será permitida qualquer instrução iterativa ou feedback.

A concordância interavaliadores entre anestesiologistas, entre modelos de inteligência artificial e entre avaliadores humanos e de inteligência artificial será analisada utilizando as estatísticas de Kappa de Cohen e Kappa de Fleiss, conforme apropriado. As alterações na classificação ASA após a adição da informação de fragilidade serão avaliadas utilizando métodos estatísticos emparelhados. A significância estatística será definida como p < 0,05.

Ao comparar os padrões de classificação ASA entre anestesiologistas e modelos de linguagem de grande escala, tanto com como sem dados de fragilidade, este estudo visa esclarecer o papel do raciocínio implícito e explícito na avaliação de risco perioperatório e contribuir para o desenvolvimento de futuros sistemas de apoio à decisão clínica assistidos por inteligência artificial.