Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

Прогноз ASA с использованием данных о состоянии здоровья и использовании лекарств

14 мая 2025 г. обновлено: Jan-Wiebe Korstanje, Erasmus Medical Center
Разработка алгоритма машинного обучения, который прогнозирует физическое состояние Американского общества анестезиологов (ASA-PS) на основе предоперационных переменных, не только улучшит процесс принятия клинических решений при стратификации риска пациентов, но также предложит более надежный инструмент для административного и нормативного использования. Таким образом, разработка такого инструмента машинного обучения представляет собой значительную возможность для развития как науки, так и практики периоперационного ухода. Включение использования лекарств в алгоритм может еще больше повысить его прогностическую способность, поскольку оно тесно связано с системными заболеваниями. Это дополнение может помочь уточнить классификацию ASA-PS, сделав ее еще более ценным инструментом в клинических условиях.

Обзор исследования

Статус

Завершенный

Подробное описание

Система классификации физического статуса Американского общества анестезиологов (ASA-PS) является широко используемым инструментом для оценки хирургической пригодности и других клинических условий. Однако присущая ему субъективность и сильная зависимость от суждений врача могут привести к несогласованности в стратификации риска для пациентов, что является важнейшим компонентом периоперационного ухода. Кроме того, система ASA-PS была принята для различных административных и нормативных целей, выходящих за рамки ее первоначальной цели, таких как оценка качества Инспекцией здравоохранения и молодежи Нидерландов (IGJ), решения о компенсации частными плательщиками в США, сортировка пациентов и определение пригодности к определенным видам хирургического вмешательства.

Учитывая широкое и критическое применение системы ASA-PS, повышение ее точности и объективности имеет первостепенное значение. Один из способов добиться этого — разработать алгоритм машинного обучения, который прогнозирует ASA-PS на основе предоперационных переменных. Анестезиологи основывают оценку ASA-PS на наличии системных заболеваний, о которых можно судить по приему лекарств. Используя такие данные, как анатомо-терапевтические химические (ATC) коды, ИМТ, пол, возраст, регулярно собираемые предоперационные данные о состоянии здоровья и использование лекарств, этот алгоритм может обеспечить более последовательную и объективную оценку ASA-PS.

Это не только улучшит процесс принятия клинических решений при стратификации риска пациентов, но и предоставит более надежный инструмент для административных и нормативных целей. Таким образом, разработка такого инструмента машинного обучения представляет собой значительную возможность для развития как науки, так и практики периоперационного ухода. Включение использования лекарств в алгоритм может еще больше повысить его прогностическую способность, поскольку оно тесно связано с системными заболеваниями. Это дополнение может помочь уточнить классификацию ASA-PS, сделав ее еще более ценным инструментом в клинических условиях.

Тип исследования

Наблюдательный

Регистрация (Действительный)

149422

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Места учебы

    • Zuid-Holland
      • Rotterdam, Zuid-Holland, Нидерланды, 3015GD
        • Erasmus MC

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

  • Взрослый
  • Пожилой взрослый

Принимает здоровых добровольцев

Нет

Метод выборки

Невероятностная выборка

Исследуемая популяция

Все пациенты, перенесшие хирургические, диагностические или терапевтические процедуры в хирургическом кабинете МЦ Эразмус с 2018 года (внедрение новой цифровой больничной информационной системы) и у которых был зарегистрирован класс ASA-PS.

Описание

Критерии включения:

  • Прошел хирургическую, диагностическую или терапевтическую процедуру в хирургическом отделении Erasmus MC, и
  • Оценка ASA-PS, записанная в электронной медицинской карте (EMR), и
  • Верифицированный список лекарств в EMR или заполненная предоперационная анкета о состоянии анестезиологического здоровья, зарегистрированная в EMR.

Критерии исключения:

  • Возраст <18 лет на момент операции или
  • АСА-ПС В-VI или
  • Отказ зарегистрирован в EMR

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

Что измеряет исследование?

Первичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
Класс физического статуса Американского общества анестезиологов (ASA-PS).
Временное ограничение: День 0
Зависимой переменной ответа будет класс ASA-PS, как четырехуровневая переменная (ASA-PS I, II, III и IV), так и двухуровневая переменная (ASA-PS I и II по сравнению с ASA-PS III и IV). Класс ASA-PS был присвоен пациенту и записан в карте пациента в электронной медицинской карточке анестезиологом ординатора-анестезиолога в рамках планового предоперационного анестезиологического скрининга при подготовке к процедуре.
День 0

Вторичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
Показатели производительности: точность
Временное ограничение: день 0
Правильная классификация оценки ASA-PS будет оцениваться с использованием показателей производительности алгоритмов машинного обучения. К общим показателям производительности относятся: Точность (доля правильно спрогнозированных экземпляров).
день 0
Показатели производительности: точность
Временное ограничение: день 0
Правильная классификация оценки ASA-PS будет оцениваться с использованием показателей производительности алгоритмов машинного обучения. Общие показатели производительности включают в себя: точность (отношение истинно положительных прогнозов к общему количеству положительных прогнозов);
день 0
Показатели производительности: напомним
Временное ограничение: день 0
Правильная классификация оценки ASA-PS будет оцениваться с использованием показателей производительности алгоритмов машинного обучения. Общие показатели производительности включают: ecall (чувствительность или соотношение истинно положительных прогнозов к фактическим положительным случаям).
день 0
Показатели производительности: рейтинг F1
Временное ограничение: день 0
Правильная классификация оценки ASA-PS будет оцениваться с использованием показателей производительности алгоритмов машинного обучения. К общим показателям производительности относятся: Оценка F1 (среднее гармоническое значение точности и полноты).
день 0
Показатели производительности: площадь под кривой рабочих характеристик приемника
Временное ограничение: день 0
Правильная классификация оценки ASA-PS будет оцениваться с использованием показателей производительности алгоритмов машинного обучения. Общие показатели производительности включают в себя: Площадь под кривой рабочих характеристик приемника (AUC-ROC, измеряет способность модели различать положительные и отрицательные случаи).
день 0
Калибровка
Временное ограничение: День 0
Калибровочные графики будут использоваться для оценки соответствия между прогнозами и частотой событий (т.е. правильная классификация).
День 0
Неправильная классификация оценки ASA-PS
Временное ограничение: День 0
Два анестезиолога проведут ручную проверку выбранных ошибочных классификаций для качественной оценки причины ошибочной классификации.
День 0
Объяснимость модели прогнозирования: аддитивные объяснения Шепли (SHAP).
Временное ограничение: день 0
Аддитивные объяснения Шепли (SHAP), если применимо, поскольку они могут дать представление о вкладе каждого признака в предсказание отдельных случаев.
день 0
Объяснимость модели прогнозирования: локальные интерпретируемые объяснения, не зависящие от модели (LIME).
Временное ограничение: день 0
Локальные интерпретируемые, не зависящие от модели объяснения (LIME) могут дать представление о вкладе каждой функции в предсказание отдельных случаев.
день 0
Оптимальный размер выборки
Временное ограничение: день 0
Анализ кривых обучения, чтобы определить, могут ли дополнительные данные улучшить производительность модели или достаточно текущего набора данных.
день 0

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Соавторы

Следователи

  • Главный следователь: Jan-Wiebe Korstanje, MD MSc PhD, Erasmus Medical Center

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

25 июня 2024 г.

Первичное завершение (Действительный)

27 июня 2024 г.

Завершение исследования (Действительный)

27 июня 2024 г.

Даты регистрации исследования

Первый отправленный

1 октября 2024 г.

Впервые представлено, что соответствует критериям контроля качества

3 октября 2024 г.

Первый опубликованный (Действительный)

8 октября 2024 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

18 мая 2025 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

14 мая 2025 г.

Последняя проверка

1 мая 2025 г.

Дополнительная информация

Термины, связанные с этим исследованием

Другие идентификационные номера исследования

  • MEC-2020-0051/MEC-2024-0181

Планирование данных отдельных участников (IPD)

Планируете делиться данными об отдельных участниках (IPD)?

ДА

Описание плана IPD

Все (основные) псевдонимизированные данные будут доступны вместе с публикацией для обучения и проверки моделей. Данные будут загружены в dataverse.

Сроки обмена IPD

подлежит определению на основе голландского законодательства

Критерии совместного доступа к IPD

Во внимание будут приниматься только запросы данных, соответствующие Условиям использования. Перед передачей данных необходимо подписать Соглашение о передаче данных (DTA) в соответствии с положениями Общего регламента ЕС по защите данных (EU-GDPR) и/или Соглашение о сотрудничестве в области исследований (RCA). Если запрос данных будет одобрен, данные будут доставлены безопасным и надежным способом. Подписывая DTA и/или RCA и получая доступ к Материалам, получатель подтверждает свое согласие с Условиями использования.

Совместное использование IPD Поддерживающий тип информации

  • STUDY_PROTOCOL
  • САП
  • КСО

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .

Подписаться