ASA-förutsägelse med hjälp av hälsodata och läkemedelsanvändning

American Society of Anesthesiologists Physical Status (ASA-PS) klassificeringssystem är ett allmänt använt verktyg för att bedöma kirurgisk kondition och andra kliniska sammanhang. Emellertid kan dess inneboende subjektivitet och stora beroende av läkares bedömning leda till inkonsekvenser i patientriskstratifiering, en kritisk komponent i perioperativ vård. Dessutom har ASA-PS-systemet antagits för olika administrativa och regulatoriska ändamål utöver dess ursprungliga avsikt, såsom kvalitetsbedömning av den holländska hälso- och ungdomsvårdsinspektionen (IGJ), ersättningsbeslut av privata betalare i USA, patienttriage och fastställande av lämplighet för vissa typer av operationer.

Med tanke på de breda och kritiska tillämpningarna av ASA-PS-systemet är det av största vikt att förbättra dess precision och objektivitet. Ett sätt att uppnå detta är genom utvecklingen av en maskininlärningsalgoritm som förutsäger ASA-PS baserat på preoperativa variabler. Anestesiologer baserar ASA-PS-poängen på förekomsten av systemiska sjukdomar, som kan härledas från läkemedelsanvändning. Genom att utnyttja data som Anatomical Therapeutic Chemical (ATC)-koder, BMI, kön, ålder, rutinmässigt insamlade preoperativa hälsodata och medicinanvändning, kan denna algoritm ge ett mer konsekvent och objektivt mått på ASA-PS.

Detta skulle inte bara förbättra det kliniska beslutsfattandet i patientriskstratifieringen utan också erbjuda ett mer tillförlitligt verktyg för administrativa och regulatoriska användningar. Därför erbjuder utvecklingen av ett sådant maskininlärningsverktyg en betydande möjlighet att främja både vetenskapen och praktiken av perioperativ vård. Att införliva medicinanvändning i algoritmen kan ytterligare förbättra dess prediktiva kraft, eftersom den är nära kopplad till systemisk sjukdom. Detta tillägg kan hjälpa till att förfina ASA-PS-klassificeringen, vilket gör den till ett ännu mer värdefullt verktyg i den kliniska miljön.