- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT07395713
Förutsägbarheten av behovet av kardiologkonsultation hos patienter schemalagda för icke-hjärtkirurgi med hjälp av artificiell intelligens-modeller i preoperativ anestesiutvärdering
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
Status
Betingelser
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
Inskrivning (Beräknad)
Kontakter och platser
Studieorter
-
-
Bursa
-
Bursa, Bursa, Turkiet (Türkiye), 16001
- Bursa Şehir Hastanesi
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
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
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
Sponsor
Utredare
- Huvudutredare: eralp çevikkalp, Bursa Şehir Hastanesi
Publikationer och användbara länkar
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
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
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)?
IPD-planbeskrivning
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
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 .