KI-augmentierte perioperative klinische Entscheidungsunter­stützung (KIPeriOP) - Studiendesign und erste Zwischen­ergebnisse

Hintergrund: Die perioperative Sterblichkeit beträgt in westlichen Industrienationen bis zu 4 %, wobei kardiovaskuläre, pulmonale, infektiologische und gerinnungsassoziierte Komplikationen am häufigsten auftreten. Erkenntnisse und Maßnahmen zur präoperativen Risikoevaluation sind in multiplen medizinischen Leitlinien der verschiedenen perioperativ tätigen Fachgesellschaften eigentlich ausführlich abgebildet. In der klinischen Praxis werden diese aufgrund von Komplexität, Zeitdruck oder falscher Risikoeinschätzung häufig nicht ausreichend befolgt. Um dieses Problem zu adressieren, wurde ein System zur klinischen Entscheidungsunterstützung (Clinical Decision Support, CDS) durch Expertinnen und Experten entwickelt. Methode und Ergebnisse: Das CE-zertifizierte KIPeriOP-CDS-System umfasst zahlreiche CDS-Tools, die eine strukturierte Erfassung der Anamnese-, Untersuchungs- und Laborwerte der Patientinnen und Patienten erlauben sowie Ärztinnen und Ärzten Unterstützung bei einer schrittweisen, evidenz- und leitlinienbasierten Entscheidung zur prä-, intra- und postoperativen Versorgung bieten. Ein zentrales Element sind die leitlinienbasierten CDS-Tools, die auf verschiedene Aspekte der präoperativen Risikoevaluierung, Anämiemanagement und Prävention von Delir eingehen. Mit der Entwicklung des KIPeriOP-CDS-Systems ist zudem ein Datenmodell von über 2.500 kodierten, interoperablen und idealerweise in der perioperativen Medizin zu verarbeitenden Patientendaten entstanden. Im Rahmen einer prospektiven, randomisiert kontrollierten Studie sollen Nutzbarkeit und klinische Auswirkung des KIPeriOP-CDS bei bis zu 480 Patientinnen und Patienten an vier Krankenhäusern in Deutschland getestet werden. Als primäre Hypothese wurde die Erhöhung der Leitlinien-Adhärenz im Sinne von Reduktion unnötiger und Erhöhung indizierter präoperativer Zusatzuntersuchungen (z. B. EKG, Echokardiographie, kardiale Stresstests, Röntgen-Thorax, Lungenfunktionsuntersuchung, Carotis-Doppler), verglichen mit dem Vorgehen ohne CDS-System, formuliert. Sekundäre Endpunkte umfassen perioperative Komplikationen, Dokumentationsqualität, gesundheitsökonomische sowie ethische Aspekte. Basierend auf realen Patientendaten sollen zudem mithilfe von maschinellem Lernen und KI-Algorithmen neue Prädikationsmodelle für perioperative Komplikationen entwickelt und mit etablierten Risiko-Scores verglichen werden. Schlussfolgerung: KIPeriOP soll die Präzision und Effizienz der präoperativen Risikoevaluation verbessern, die klinische Entscheidungsfindung unterstützen und die Qualität der Patientenversorgung steigern.

The perioperative mortality rate in western industrialised nations is up to 4 %, with cardiovascular, pulmonary, infectious and coagulation-related complications being the most common causes. Findings and measures for preoperative risk evaluation are actually described in detail in multiple medical guidelines of different societies. In clinical practice, these are often not sufficiently followed for reasons of complexity, time pressure or incorrect risk assessment. To address this problem, a clinical decision support system (CDS) has been developed. Method and results The CE-certified KIPeriOP CDS system comprises numerous CDS tools that allow for a structured recording of the patient‘s medical history, examination and laboratory values and support physicians in making, step-by-step, evidence- and guideline-based decisions on pre-, intra- and postoperative care. A central element is the guideline-based CDS tool, which addresses various aspects of preoperative risk evaluation, anaemia management and prevention of delirium. The development of the KIPeriOP CDS system has also created a data model of over 2,500 coded, interoperable patient data items that can ideally be processed in perioperative medicine. As part of a prospective, randomised controlled study, the usability and clinical impact of the KIPeriOP CDS will be tested in 480 patients at four hospitals in Germany. The primary hypothesis was to increase guideline adherence by reducing unnecessary and increasing indicated additional preoperative examinations (e. g., ECG, echocardiography, cardiac stress tests, chest X-ray, pulmonary function tests, carotid Doppler) compared to standard care without the CDS system. Secondary endpoints include perioperative complications, documentation quality, health economic and ethical aspects. Based on real patient data, new prediction models for perioperative complications will also be developed using machine learning and AI algorithms and compared with established risk scores. Conclusion KIPeriOP aims to improve the precision and efficiency of preoperative risk evaluation, support clinical decision-making and improve the quality of patient care.