Nástroj pro screening dětské sepse na základě umělé inteligence s podporou biomarkerů
2. září 2025 aktualizováno: Ioannis Koutroulis, Computer Technology Associates, Inc.
Nástroj pro screening dětské sepse na základě umělé inteligence vylepšený biomarkery směrem k časnému rozpoznání a personalizované terapii
Celkovým cílem tohoto navrhovaného výzkumu je odvození nástroje pro screening pediatrické sepse (PSCT) (software) založeného na umělé inteligenci (AI) založené na biomarkerech, který lze použít v kombinaci s nemocničním systémem elektronických zdravotních záznamů (EHR) k monitorování a vyhodnocovat data z elektronických zdravotních záznamů (EHR) na pohotovostním oddělení (ED) v reálném čase s cílem zlepšit včasné rozpoznání dětské sepse a zahájit včasnou agresivní personalizovanou terapii sepse, o které je známo, že zlepšuje výsledky pacientů.
Předpokládá se, že výkonnost screeningu (např. pozitivní prediktivní hodnota) předpokládaného screeningového nástroje bude významně zvýšena zahrnutím výsledků testů panelu biomarkerů (PERSEVERE), které se ukázaly jako účinné při predikci klinického zhoršení u non- kriticky nemocní dětští pacienti s oslabenou imunitou vyšetřeni na infekci. Předpokládá se také, že vylepšené fenotypy lze odvodit shlukováním biomarkerů PERSEVERE v kombinaci s rutinně shromažďovanými daty EHR směrem k lepší personalizované medicíně.
Přehled studie
Postavení
Zatím nenabíráme
Podmínky
Detailní popis
Pozadí a zdůvodnění Stávající nástroje automatizovaného screeningu dětské sepse (PSCT) založené na konsenzuálních kritériích, které se v současnosti používají na odděleních pohotovosti, nezlepšují včasné rozpoznání a/nebo neinformují o individuálních terapeutických rozhodnutích vedoucích ke zlepšení výsledků. Iniciativa Improving Pediatric Sepsis Outcomes (IPSO) zjistila, že zahrnutím pacientů, kteří dostávají léčbu, rozšířená kritéria zachycují nejen pacienty, u kterých se vyvinula sepse s orgánovou dysfunkcí (OD), ale také ty, u kterých byla časná sepse léčena OD potenciálně odvráceným.
Cílem navrhovaného úsilí je odvodit a retrospektivně ověřit biomarkerem vylepšený nástroj pro screening dětské sepse založený na AI, který lze použít ke screeningu dat ED EHR ke zlepšení včasného rozpoznání, stratifikace závažnosti a včasného zahájení personalizované terapie sepse. CTA a jejích 6 institucionálních partnerů společně navrhují zřídit dva neidentifikované registry pacientů: 1) „kohortu pouze s údaji o EHR“ (N = 2000) a 2) „kohortu s údaji o EHR + biomarkerech“ (N = 400) na podporu tohoto cíle.
Prvky údajů o setkáních, které mají být abstrahovány z EHR pro zahrnutí do těchto registrů, zahrnují jak strukturované (např. fyziologická měření s časovým razítkem, ošetření, postupy, výsledky), tak i poznámky s volným textem.
Analýza dat a zkreslení Všechna data studie, včetně fyziologických dat extrahovaných z EHR pacienta a výsledků biomarkerových testů, budou analyzována pomocí různých algoritmů a technik strojového učení s cílem vytvořit vysoce přesný prediktivní model screeningu sepse. Analytické metody zahrnují standardní deskriptivní statistickou analýzu výkonu prediktivní klasifikace (např. AUC, citlivost/specifičnost, PPV atd.).
Typ studie
Pozorovací
Zápis (Odhadovaný)
12961
Kontakty a umístění
Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.
Studijní kontakt
- Jméno: Ioannis Koutroulis, MD
- Telefonní číslo: 202-476-4177
- E-mail: IKOUTROULI@childrensnational.org
Studijní záloha kontaktů
- Jméno: Carmelo "Tom" E Velez, PhD
- Telefonní číslo: 19495005883
- E-mail: tom.velez@cta.com
Studijní místa
-
-
District of Columbia
-
Washington D.C., District of Columbia, Spojené státy, 20010
- Children's National Hospital
-
Kontakt:
- Ioannis Koutroulis
-
-
Kritéria účasti
Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.
Kritéria způsobilosti
Věk způsobilý ke studiu
3 měsíce až 17 let (Dítě, Dospělý)
Přijímá zdravé dobrovolníky
Ne
Metoda odběru vzorků
Ukázka pravděpodobnosti
Studijní populace
Ti dětští pacienti, kteří přicházejí na pohotovost s horečkou a/nebo obavami z infekce a mají pozitivní screening na dětskou sepsi na základě stávajícího protokolu ústavního screeningu.
Popis
Kritéria pro zařazení:
Pacienti ve věku 3 měsíce -17 let včetně
- Klinickým lékařem je diagnostikována sepse nebo spustí upozornění na sepsi a je nařízena hemokultura. Kontroly budou falešně pozitivní pacienti.
- U pacientů, kteří budou prospektivně zařazeni k odběru vzorků krve: bude vyžadovat venepunkci nebo zavedení intravenózní linky.
Kritéria vyloučení:
- Pacienti účastnící se výzkumného programu s intervencemi mimo běžnou klinickou praxi
- Pacienti s rodiči nebo LARs, kteří nemluví anglicky nebo španělsky
- Těhotenství
Studijní plán
Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.
Jak je studie koncipována?
Detaily designu
- Observační modely: Case-Control
- Časové perspektivy: Jiný
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
|---|---|
|
Retrospektivní skupina EHR-DATA pouze
Členové této skupiny jsou pediatričtí pacienti ve věku od 3 měsíců do 45 let včetně, kteří byli představeni jednomu ze šesti pohotovostních oddělení zúčastněných institucí mezi lety 2016–2021 a prověřili pozitivní pro podezření na sepsu pomocí stávajícího pediatrického protokolu sepse a obdrželi pořadí krve kultury.
Současné pediatrické screeningové/varovné nástroje je známo, že jsou vysoce citlivé, ale špatně specifické.
„Případy“ v této kohortě budou tvořeny případy, které jsou nakonec diagnostikovány sepsou a/nebo přijímat protokolované ošetření sepse.
„Ovládací prvky“ v této kohortě budou ty s falešně pozitivním upozorněním, tj. Nelze diagnostikovat sepse a nedostávají protokolované ošetření sepse.
|
Všechny zúčastněné instituce používají buď algoritmický, manuální nebo kombinovaný algoritmus/manuální screeningový protokol pediatrické sepse pro pacienty, kteří mají horečku a/nebo mají obavy z infekce.
I když se specifické parametry testované ve screeningových nástrojích liší, obecně se skládají z testů systémové zánětlivé reakce (např.
SIRS) a/nebo orgánové dysfunkce (např.
SOFA) a/nebo vysoká náchylnost (např.
imunokompromitované) faktory.
|
|
Prospektivní skupina EHR a Biomarker Data Group
Členové této skupiny jsou pediatričtí pacienti ve věku od 3 měsíců do 45 let včetně, kteří byli představeni jednomu ze šesti pohotovostních oddělení zúčastněných institucí během období zápisu do studie, která je pozitivní na podezření na sepse pomocí existujícího pediatrického protokolu sepsingu, aby byla vzorová vzorek, aby byla uložena pro měření periatrické pečlivosti, aby bylo možné pro měření periatrické pečlivé pečlivosti.
Členové této kohorty budou také souhlasit s opětovným použitím svých údajů o lékařských záznamech pro výzkum.
Současné pediatrické screeningové/varovné nástroje je známo, že jsou vysoce citlivé, ale špatně specifické.
„Případy“ v této kohortě budou tvořeny případy, které jsou nakonec diagnostikovány sepsou a/nebo přijímat protokolované ošetření sepse.
„Ovládací prvky“ v této kohortě budou ty s falešně pozitivním upozorněním, tj. Nelze diagnostikovat sepse a nedostávají protokolované ošetření sepse.
|
Všechny zúčastněné instituce používají buď algoritmický, manuální nebo kombinovaný algoritmus/manuální screeningový protokol pediatrické sepse pro pacienty, kteří mají horečku a/nebo mají obavy z infekce.
I když se specifické parametry testované ve screeningových nástrojích liší, obecně se skládají z testů systémové zánětlivé reakce (např.
SIRS) a/nebo orgánové dysfunkce (např.
SOFA) a/nebo vysoká náchylnost (např.
imunokompromitované) faktory.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Efektivní expertní systém založený na screeningu dětské sepse (PSCT)
Časové okno: Poslední 3 měsíce studijního období.
|
Během testovacího období použitelnosti, pomocí emulace logiky odborníků ve screeningovém nástroji, který se neustále zlepšuje se zkušenostmi, dosáhnete vysoké úrovně použitelnosti pracovního postupu ED směrem k lepšímu včasnému rozpoznání sepse IPSO, jak to vnímají praktičtí lékaři ED zabývající se použitelností. testování.
|
Poslední 3 měsíce studijního období.
|
|
Vysoce výkonný nástroj pro screening dětské sepse na bázi expertního systému (PSCT)
Časové okno: Použití „časných dat“ po prezentaci na ED, např. po obdržení dat biomarkerů během 1. 3 hodin od prezentace)
|
K odvození vysoce výkonného (např. senzitivita/specifičnost > 90 %, PPV > 40 %) PSCT k identifikaci pacientů v ED splňujících kritéria sepse IPSO pomocí dat z časného setkání (např.
po obdržení dat biomarkerů během 1. 1-3 hodin od prezentace).
|
Použití „časných dat“ po prezentaci na ED, např. po obdržení dat biomarkerů během 1. 3 hodin od prezentace)
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Efektivní fenotypizace sepse pro personalizovanou léčbu
Časové okno: Vlastnosti založené na 1. 6. hodině po prezentaci u pacientů s diagnózou sepse a zahájení léčebného protokolu.
|
Ukázat, že kombinovaná data z biomarkerů PERSEVERE a EHR jako shlukování (např. pomocí analýzy latentních tříd) zlepšuje detekci klinicky užitečných prognostických fenotypů.
|
Vlastnosti založené na 1. 6. hodině po prezentaci u pacientů s diagnózou sepse a zahájení léčebného protokolu.
|
Spolupracovníci a vyšetřovatelé
Zde najdete lidi a organizace zapojené do této studie.
Spolupracovníci
Vyšetřovatelé
- Ředitel studie: Carmelo "Tom" E Velez, PhD, CTA
Publikace a užitečné odkazy
Osoba odpovědná za zadávání informací o studiu tyto publikace poskytuje dobrovolně. Mohou se týkat čehokoli, co souvisí se studiem.
Obecné publikace
- Goldstein B, Giroir B, Randolph A; International Consensus Conference on Pediatric Sepsis. International pediatric sepsis consensus conference: definitions for sepsis and organ dysfunction in pediatrics. Pediatr Crit Care Med. 2005 Jan;6(1):2-8. doi: 10.1097/01.PCC.0000149131.72248.E6.
- Hajian-Tilaki K. Sample size estimation in diagnostic test studies of biomedical informatics. J Biomed Inform. 2014 Apr;48:193-204. doi: 10.1016/j.jbi.2014.02.013. Epub 2014 Feb 26.
- Bujang MA, Adnan TH. Requirements for Minimum Sample Size for Sensitivity and Specificity Analysis. J Clin Diagn Res. 2016 Oct;10(10):YE01-YE06. doi: 10.7860/JCDR/2016/18129.8744. Epub 2016 Oct 1.
- Eisenberg M, Madden K, Christianson JR, Melendez E, Harper MB. Performance of an Automated Screening Algorithm for Early Detection of Pediatric Severe Sepsis. Pediatr Crit Care Med. 2019 Dec;20(12):e516-e523. doi: 10.1097/PCC.0000000000002101.
- Eisenberg MA, Freiman E, Capraro A, Madden K, Monuteaux MC, Hudgins J, Harper M. Outcomes of Patients with Sepsis in a Pediatric Emergency Department after Automated Sepsis Screening. J Pediatr. 2021 Aug;235:239-245.e4. doi: 10.1016/j.jpeds.2021.03.053. Epub 2021 Mar 30.
- Iwashyna TJ, Odden A, Rohde J, Bonham C, Kuhn L, Malani P, Chen L, Flanders S. Identifying patients with severe sepsis using administrative claims: patient-level validation of the angus implementation of the international consensus conference definition of severe sepsis. Med Care. 2014 Jun;52(6):e39-43. doi: 10.1097/MLR.0b013e318268ac86.
- Mathias B, Mira JC, Larson SD. Pediatric sepsis. Curr Opin Pediatr. 2016 Jun;28(3):380-7. doi: 10.1097/MOP.0000000000000337.
- Weiss SL, Parker B, Bullock ME, Swartz S, Price C, Wainwright MS, Goodman DM. Defining pediatric sepsis by different criteria: discrepancies in populations and implications for clinical practice. Pediatr Crit Care Med. 2012 Jul;13(4):e219-26. doi: 10.1097/PCC.0b013e31823c98da.
- Scott HF, Brilli RJ, Paul R, Macias CG, Niedner M, Depinet H, Richardson T, Riggs R, Gruhler H, Larsen GY, Huskins WC, Balamuth F; Improving Pediatric Sepsis Outcomes (IPSO) Collaborative Investigators.. Evaluating Pediatric Sepsis Definitions Designed for Electronic Health Record Extraction and Multicenter Quality Improvement. Crit Care Med. 2020 Oct;48(10):e916-e926. doi: 10.1097/CCM.0000000000004505.
- Lippi G. Sepsis biomarkers: past, present and future. Clin Chem Lab Med. 2019 Aug 27;57(9):1281-1283. doi: 10.1515/cclm-2018-1347. No abstract available.
- Marshall JC, Reinhart K; International Sepsis Forum. Biomarkers of sepsis. Crit Care Med. 2009 Jul;37(7):2290-8. doi: 10.1097/CCM.0b013e3181a02afc.
- Patel K, McElvania E. Diagnostic Challenges and Laboratory Considerations for Pediatric Sepsis. J Appl Lab Med. 2019 Jan;3(4):587-600. doi: 10.1373/jalm.2017.025908. Epub 2018 Nov 21.
- Lanziotti VS, Povoa P, Soares M, Silva JR, Barbosa AP, Salluh JI. Use of biomarkers in pediatric sepsis: literature review. Rev Bras Ter Intensiva. 2016 Oct-Dec;28(4):472-482. doi: 10.5935/0103-507X.20160080.
- Wong HR, Salisbury S, Xiao Q, Cvijanovich NZ, Hall M, Allen GL, Thomas NJ, Freishtat RJ, Anas N, Meyer K, Checchia PA, Lin R, Shanley TP, Bigham MT, Sen A, Nowak J, Quasney M, Henricksen JW, Chopra A, Banschbach S, Beckman E, Harmon K, Lahni P, Lindsell CJ. The pediatric sepsis biomarker risk model. Crit Care. 2012 Oct 1;16(5):R174. doi: 10.1186/cc11652.
- Jacobs L, Berrens Z, Stenson EK, Zackoff MW, Danziger LA, Lahni P, Wong HR. The Pediatric Sepsis Biomarker Risk Model (PERSEVERE) Biomarkers Predict Clinical Deterioration and Mortality in Immunocompromised Children Evaluated for Infection. Sci Rep. 2019 Jan 23;9(1):424. doi: 10.1038/s41598-018-36743-z.
- Gardlund B, Dmitrieva NO, Pieper CF, Finfer S, Marshall JC, Taylor Thompson B. Six subphenotypes in septic shock: Latent class analysis of the PROWESS Shock study. J Crit Care. 2018 Oct;47:70-79. doi: 10.1016/j.jcrc.2018.06.012. Epub 2018 Jun 8.
- Williams JB, Ghosh D, Wetzel RC. Applying Machine Learning to Pediatric Critical Care Data. Pediatr Crit Care Med. 2018 Jul;19(7):599-608. doi: 10.1097/PCC.0000000000001567.
- Seymour CW, Kennedy JN, Wang S, Chang CH, Elliott CF, Xu Z, Berry S, Clermont G, Cooper G, Gomez H, Huang DT, Kellum JA, Mi Q, Opal SM, Talisa V, van der Poll T, Visweswaran S, Vodovotz Y, Weiss JC, Yealy DM, Yende S, Angus DC. Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019 May 28;321(20):2003-2017. doi: 10.1001/jama.2019.5791.
- Sepanski RJ, Godambe SA, Mangum CD, Bovat CS, Zaritsky AL, Shah SH. Designing a pediatric severe sepsis screening tool. Front Pediatr. 2014 Jun 16;2:56. doi: 10.3389/fped.2014.00056. eCollection 2014.
- Sinha P, Calfee CS, Delucchi KL. Practitioner's Guide to Latent Class Analysis: Methodological Considerations and Common Pitfalls. Crit Care Med. 2021 Jan 1;49(1):e63-e79. doi: 10.1097/CCM.0000000000004710.
- Weiss SL, Fitzgerald JC, Balamuth F, Alpern ER, Lavelle J, Chilutti M, Grundmeier R, Nadkarni VM, Thomas NJ. Delayed antimicrobial therapy increases mortality and organ dysfunction duration in pediatric sepsis. Crit Care Med. 2014 Nov;42(11):2409-17. doi: 10.1097/CCM.0000000000000509.
- C. D. Sutton, "Classification and Regression Trees, Bagging, and Boosting," Handb. Stat., vol. 24, pp. 303-329, 2005, doi: 10.1016/S0169-7161(04)24011-1.
- Sinha P, Delucchi KL, Thompson BT, McAuley DF, Matthay MA, Calfee CS; NHLBI ARDS Network. Latent class analysis of ARDS subphenotypes: a secondary analysis of the statins for acutely injured lungs from sepsis (SAILS) study. Intensive Care Med. 2018 Nov;44(11):1859-1869. doi: 10.1007/s00134-018-5378-3. Epub 2018 Oct 5.
- Wiersema R, Jukarainen S, Vaara ST, Poukkanen M, Lakkisto P, Wong H, Linder A, van der Horst ICC, Pettila V. Two subphenotypes of septic acute kidney injury are associated with different 90-day mortality and renal recovery. Crit Care. 2020 Apr 15;24(1):150. doi: 10.1186/s13054-020-02866-x.
- Delucchi K, Famous KR, Ware LB, Parsons PE, Thompson BT, Calfee CS; ARDS Network. Stability of ARDS subphenotypes over time in two randomised controlled trials. Thorax. 2018 May;73(5):439-445. doi: 10.1136/thoraxjnl-2017-211090. Epub 2018 Feb 24.
- Feuillet F, Bellanger L, Hardouin JB, Victorri-Vigneau C, Sebille V. On Comparison of Clustering Methods for Pharmacoepidemiological Data. J Biopharm Stat. 2015;25(4):843-56. doi: 10.1080/10543406.2014.920855.
- Kent P, Jensen RK, Kongsted A. A comparison of three clustering methods for finding subgroups in MRI, SMS or clinical data: SPSS TwoStep Cluster analysis, Latent Gold and SNOB. BMC Med Res Methodol. 2014 Oct 2;14:113. doi: 10.1186/1471-2288-14-113.
- R. Lachman, "Expert systems: A cognitive science perspective," Behav. Res. Methods, Instruments, Comput., 1989, doi: 10.3758/BF03205582.
- L. Medsker, M. Tan, and E. Turban, "Knowledge acquisition from multiple experts: Problems and issues," Expert Syst. Appl., vol. 9, no. 1, pp. 35-40, Jan. 1995, doi: 10.1016/0957-4174(94)00046-X.
- Brewer A, Helfgott MA, Novak J, Schanhals R. An application of cmaps in the description of clinical information structure and logic in electronic health records. Glob Adv Health Med. 2012 Sep;1(4):16-31. doi: 10.7453/gahmj.2012.1.4.003.
- Beglinger B, Rohacek M, Ackermann S, Hertwig R, Karakoumis-Ilsemann J, Boutellier S, Geigy N, Nickel C, Bingisser R. Physician's first clinical impression of emergency department patients with nonspecific complaints is associated with morbidity and mortality. Medicine (Baltimore). 2015 Feb;94(7):e374. doi: 10.1097/MD.0000000000000374.
- R. R. Starr and J. M. Parente De Oliveira, "Concept maps as the first step in an ontology construction method," Inf. Syst., 2013, doi: 10.1016/j.is.2012.05.010.
- R. Matkar and A. Parab, "Ontology based expert systems - replication of human learning," Thinkquest~2010, pp. 43-47, 2011, doi: 10.1007/978-81-8489-989-4_7.
- Yamagata Y, Kozaki K, Imai T, Ohe K, Mizoguchi R. An ontological modeling approach for abnormal states and its application in the medical domain. J Biomed Semantics. 2014 May 21;5:23. doi: 10.1186/2041-1480-5-23. eCollection 2014.
- R. M. RJ Rovetto, "Causality and the ontology of disease," Appl Ontol, vol. 10, no. 2, pp. 79-105, Sep. 2015, doi: 10.3233/ao-150147.
- Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004 Jan 1;32(Database issue):D267-70. doi: 10.1093/nar/gkh061.
- Ghassemi M, Naumann T, Schulam P, Beam AL, Chen IY, Ranganath R. A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Jt Summits Transl Sci Proc. 2020 May 30;2020:191-200. eCollection 2020.
- Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nat Mach Intell. 2019 May;1(5):206-215. doi: 10.1038/s42256-019-0048-x. Epub 2019 May 13.
- Wong HR, Caldwell JT, Cvijanovich NZ, Weiss SL, Fitzgerald JC, Bigham MT, Jain PN, Schwarz A, Lutfi R, Nowak J, Allen GL, Thomas NJ, Grunwell JR, Baines T, Quasney M, Haileselassie B, Lindsell CJ. Prospective clinical testing and experimental validation of the Pediatric Sepsis Biomarker Risk Model. Sci Transl Med. 2019 Nov 13;11(518):eaax9000. doi: 10.1126/scitranslmed.aax9000.
- Paxton C, Niculescu-Mizil A, Saria S. Developing predictive models using electronic medical records: challenges and pitfalls. AMIA Annu Symp Proc. 2013 Nov 16;2013:1109-15. eCollection 2013.
- Taneja I, Reddy B, Damhorst G, Dave Zhao S, Hassan U, Price Z, Jensen T, Ghonge T, Patel M, Wachspress S, Winter J, Rappleye M, Smith G, Healey R, Ajmal M, Khan M, Patel J, Rawal H, Sarwar R, Soni S, Anwaruddin S, Davis B, Kumar J, White K, Bashir R, Zhu R. Combining Biomarkers with EMR Data to Identify Patients in Different Phases of Sepsis. Sci Rep. 2017 Sep 7;7(1):10800. doi: 10.1038/s41598-017-09766-1.
- Wong A, Otles E, Donnelly JP, Krumm A, McCullough J, DeTroyer-Cooley O, Pestrue J, Phillips M, Konye J, Penoza C, Ghous M, Singh K. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021 Aug 1;181(8):1065-1070. doi: 10.1001/jamainternmed.2021.2626.
Termíny studijních záznamů
Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.
Hlavní termíny studia
Začátek studia (Odhadovaný)
1. dubna 2026
Primární dokončení (Odhadovaný)
31. března 2029
Dokončení studie (Odhadovaný)
31. března 2029
Termíny zápisu do studia
První předloženo
20. března 2022
První předloženo, které splnilo kritéria kontroly kvality
31. března 2022
První zveřejněno (Aktuální)
5. dubna 2022
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Odhadovaný)
8. září 2025
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
2. září 2025
Naposledy ověřeno
1. září 2025
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- NIAID 1R41AI167224-01
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
NEROZHODNÝ
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Ne
Studuje produkt zařízení regulovaný americkým úřadem FDA
Ne
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .