Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Förutsägbarheten av behovet av kardiologkonsultation hos patienter schemalagda för icke-hjärtkirurgi med hjälp av artificiell intelligens-modeller i preoperativ anestesiutvärdering

31 januari 2026 uppdaterad av: eralp çevikkalp, Bursa City Hospital

Effektiviteten av att använda artificiell intelligens (Chat GPT) vid hjärtbedömning under narkosundersökning av preoperativa fall

Strukturerad sammanfattningstitel

Förutsägbarhet av kardiologkonsultationsbehov hos patienter som genomgår icke-hjärtkirurgi med hjälp av artificiell intelligens-modeller

Bakgrund

Preoperativ kardiologisk riskbedömning är avgörande för att minimera perioperativ morbiditet och mortalitet hos patienter som genomgår icke-hjärtkirurgi. Kardiologkonsultationer begärs ofta för att bedöma kirurgisk lämplighet och minska komplikationsrisker. Onödiga konsultationer kan dock bidra till ineffektiv användning av hälsoresurser och förseningar av procedurer.

Nya framsteg inom artificiell intelligens, särskilt stora språkmodeller, har visat potential i kliniska beslutsstödsystem. Europeiska kardiologiföreningens (ESC) riktlinjer från 2024 ger ett strukturerat ramverk för att utvärdera perioperativ kardiologisk risk. Denna studie syftar till att undersöka om AI-baserade modeller kan hjälpa till att förutsäga behovet av kardiologkonsultation och att undersöka effekten av promptade kontra icke-promptade inmatningsformat på AI-rekommendationer.

Studiedesign

Prospektiv, observationsbaserad, jämförande studie.

Etiskt godkännande

Studien har godkänts av Bursa City Hospitals etikprövningsnämnd och kommer att genomföras i enlighet med Helsingforsdeklarationen.

Urvalsstorlek

Urvalsstorlek beräknades med G*Power-programvara baserat på förväntad effektstorlek och statistisk styrkekrav.

Deltagare

Inklusionskriterier:

Vuxna 18 år eller äldre

ASA fysisk status I-IV

Planerad för icke-hjärtkirurgi

Utvärderad av anestesiologresidens med mindre än två års klinisk erfarenhet

Exklusionskriterier:

Barnpatienter

Patienter som vägrar deltagande

Ofullständiga kliniska data

Datainsamling

Följande patientdata kommer att registreras:

Demografi (ålder, kön, BMI)

Medicinsk historia (komorbiditeter, läkemedelsanvändning, allergier, substansanvändning)

Funktionell kapacitet (METs-poäng)

EKG-fynd

Thoraxröntgenfynd

Planerade kirurgiska proceduregenskaper

AI-modellutvärdering

Flera AI-språkmodeller kommer att testas med standardiserade patientscenarier. Varje scenario kommer att presenteras i två format:

Promptat format:

"Du är en anestesiolog med 10 års erfarenhet. Enligt ESC 2024-riktlinjer, utvärdera om denna patient kräver kardiologkonsultation."

Icke-promptat format:

"Utvärdera om denna patient kräver kardiologkonsultation."

AI-rekommendationer kommer inte att påverka kliniskt beslutsfattande.

Utfallsmått

Primära och sekundära analyser kommer att inkludera:

Överensstämmelse mellan AI-rekommendationer och expertanestesiologutvärderingar

Läsbarhet av AI-genererade svar

Kvalitetsbedömning av svar

Klassificeringsprestandajämförelser mellan modeller

Statistisk analys

Statistiska analyser kommer att utföras med lämpliga jämförande och överensstämmelsetester. Läsbarhets- och kvalitetspoäng kommer att analyseras med icke-parametriska metoder där tillämpligt. ROC-analys kommer att användas för att bedöma klassificeringsförmåga. En signifikansnivå på p < 0.05 kommer att tillämpas.

Studieobjektiv

Syftet med denna studie är att utforska genomförbarheten av AI-assisterade beslutsstödsystem för att förutsäga kardiologkonsultationsbehov och att utvärdera om promptteknik påverkar AI-prestanda.

Studieöversikt

Detaljerad beskrivning

Strukturerad sammanfattningstitel

Förutsägbarhet av kardiologkonsultationsbehov hos patienter som genomgår icke-kirurgisk hjärtkirurgi med hjälp av artificiell intelligens-modeller

Bakgrund

Preoperativ hjärtriskbedömning är avgörande för att minimera perioperativ morbiditet och mortalitet hos patienter som genomgår icke-kirurgisk hjärtkirurgi. Kardiologkonsultationer begärs ofta för att bedöma operationslämplighet och minska komplikationsrisker. Onödiga konsultationer kan dock bidra till ineffektiv användning av hälsoresurser och förseningar av procedurer.

Nya framsteg inom artificiell intelligens, särskilt stora språkmodeller, har visat potential i kliniska beslutsstödssystem. Europeiska kardiologiföreningens (ESC) riktlinjer från 2024 ger ett strukturerat ramverk för att utvärdera perioperativ hjärtrisk. Denna studie syftar till att undersöka om AI-baserade modeller kan hjälpa till att förutsäga behovet av kardiologkonsultation och att undersöka effekten av promptade kontra icke-promptade inmatningsformat på AI-rekommendationer.

Studiedesign

Prospektiv, observationsbaserad, jämförande studie.

Etiskt godkännande

Studien har godkänts av Bursa City Hospitals etiknämnd och kommer att genomföras i enlighet med Helsingforsdeklarationen.

Urvalsstorlek

Urvalsstorlek beräknades med G*Power-programvara baserat på förväntad effektstorlek och statistisk styrkekrav.

Deltagare

Inklusionskriterier:

Vuxna 18 år eller äldre

ASA fysiskt status I-IV

Planerad för icke-kirurgisk hjärtkirurgi

Utvärderad av anestesiresidenter med mindre än två års klinisk erfarenhet

Exklusionskriterier:

Barnpatienter

Patienter som vägrar deltagande

Ofullständiga kliniska data

Datainsamling

Följande patientdata kommer att registreras:

Demografi (ålder, kön, BMI)

Medicinsk historia (komorbiditeter, läkemedelsanvändning, allergier, substansanvändning)

Funktionell kapacitet (METs-poäng)

EKG-fynd

Röntgenfynd i bröstet

Planerade kirurgiska proceduregenskaper

AI-modellutvärdering

Flera AI-språkmodeller kommer att testas med standardiserade patientscenarier. Varje scenario presenteras i två format:

Promptat format:

"Du är en 10-årig erfaren anestesiläkare. Enligt ESC 2024-riktlinjer, utvärdera om denna patient kräver kardiologkonsultation."

Icke-promptat format:

"Utvärdera om denna patient kräver kardiologkonsultation."

AI-rekommendationer kommer inte att påverka kliniskt beslutsfattande.

Utfallsmått

Primära och sekundära analyser kommer att inkludera:

Överensstämmelse mellan AI-rekommendationer och expertanestesiläkareutvärderingar

Läsbarhet av AI-genererade svar

Kvalitetsbedömning av svar

Klassificeringsprestandajämförelser mellan modeller

Statistisk analys

Statistiska analyser kommer att utföras med lämpliga jämförande och överensstämmelsetester. Läsbarhets- och kvalitetspoäng kommer att analyseras med icke-parametriska metoder där tillämpligt. ROC-analys kommer att användas för att bedöma klassificeringsförmåga. En signifikansnivå på p < 0,05 kommer att tillämpas.

Studieobjektiv

Syftet med denna studie är att utforska genomförbarheten av AI-assisterade beslutsstödssystem för att förutsäga kardiologkonsultationsbehov och att utvärdera om promptteknik påverkar AI-prestanda.

Studietyp

Observationell

Inskrivning (Beräknad)

183

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Testmetod

Sannolikhetsprov

Studera befolkning

Denna studie kommer att genomföras med deltagande av patienter som kommer att remitteras till kardiologi efter en undersökning vid anestesikliniken innan de genomgår icke-hjärtkirurgi.

Beskrivning

Inklusionskriterier:

Vuxna från 18 år och uppåt

ASA fysisk statusklassificering I-IV

Planerad för icke-hjärtkirurgi

Patienter som utvärderats preoperativt av anestesiologregistrar med mindre än två års klinisk erfarenhet

Tillgång till kompletta kliniska data inklusive medicinsk historia, EKG-fynd och thoraxröntgen

Förmåga att ge informerat samtycke

Exklusionskriterier:

Patienter yngre än 18 år

Patienter som genomgår hjärtkirurgi

Patienter med ofullständiga kliniska data

Patienter som tackade nej till deltagande

Akutfall av kirurgi

Patienter som inte kan genomgå standard preoperativ utvärdering

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Överenskommelse mellan AI-modellrekommendationer och expertanestesiläkarbeslut angående kardiologkonsultationsbehov
Tidsram: Vid baslinjepreoperativ utvärdering (Dag 1)
Överensstämmelsen mellan rekommendationer från artificiell intelligens-modeller och utvärderingar av expertanestesiologer för nödvändigheten av kardiologkonsultation kommer att bedömas med Cohens kappakoefficient baserat på ESC 2024-riktlinjer.
Vid baslinjepreoperativ utvärdering (Dag 1)

Andra resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Läsbarhet för AI-genererade svar
Tidsram: Omedelbart efter utvärdering av AI-genererat svar (Dag 1)
Läsbarheten hos AI-genererade svar kommer att bedömas med hjälp av Ateşman-läsbarhetsindex för att fastställa tydligheten och begripligheten hos konsultationsrekommendationerna.
Omedelbart efter utvärdering av AI-genererat svar (Dag 1)

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Utredare

  • Huvudutredare: eralp çevikkalp, Bursa Şehir Hastanesi

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

  • 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

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

1 januari 2025

Primärt slutförande (Faktisk)

30 juni 2025

Avslutad studie (Beräknad)

15 mars 2026

Studieregistreringsdatum

Först inskickad

20 december 2025

Först inskickad som uppfyllde QC-kriterierna

31 januari 2026

Första postat (Faktisk)

9 februari 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

9 februari 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

31 januari 2026

Senast verifierad

1 januari 2026

Mer information

Termer relaterade till denna studie

Andra studie-ID-nummer

  • Bursa Şehir Hastanesi

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

IPD-planbeskrivning

På grund av vårt engagemang för patienters rättigheter, dataintegritet och samtyckesformuläret

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Prenumerera