Studie o nástroji pro podporu klinického rozhodování pro řízení potratů pomocí strojového učení (MLMM)
Strojové učení používané k vývoji algoritmu k určení šance na úspěch s očekávaným nebo lékařským managementem pro jednotlivého pacienta. S přihlédnutím k následujícím objektivním opatřením:
- Demografické údaje: Věk matek, Parita
- Historie: Předchozí CS, předchozí SMM/MVA, předchozí myomektomie
- Těhotenství podle LMP
- Příznaky: skóre krvácení, skóre bolesti
- USS Měření: CRL, GS, RPOC 3 rozměry, Vaskularita
- Nesoulad mezi březostí podle CRL a LMP
Audit shromáždí 1000 případů a identifikuje funkce přispívající k algoritmu, který dokáže předvídat výsledek řízení potratů pro individualizované řízení případů.
Přehled studie
Postavení
Podmínky
Detailní popis
- Věda objevování umělé inteligence: Vývoj algoritmů založený na retrospektivním auditu přibližně 1000 případů potratů
- Stanovit spolehlivost nástroje pomocí testovacích datových sad
- Zvýšení citlivosti a specifičnosti rozhodování pomáhá rozšířením sběru dat na více míst a testováním algoritmu s prospektivními daty
Studie bude provedena v Queen Charlotte's and Chelsea Hospital v Imperial College Healthcare NHS Trusts (primární centrum studie).
Jedná se o multicentrickou retrospektivní kohortovou observační studii.
Studie bude prováděna po dobu minimálně tří let, aby byl dostatek času na procházení retrospektivních dat a porovnání testovacích datových souborů.
Budou analyzovány retrospektivní anonymizované případy zmeškaného potratu a neúplného potratu spravované v Imperial College Healthcare NHS Trust:
Pro každý případ budou shromážděny následující klinické příznaky a výsledky:
- Demografické údaje: Věk matek, Parita
- Historie: Předchozí CS, předchozí SMM/MVA, předchozí myomektomie
- Těhotenství podle LMP
- Příznaky: skóre krvácení, skóre bolesti
- USS Měření: CRL, GS, RPOC 3 rozměry, Vaskularita
- Nesoulad mezi březostí podle CRL a LMP
Všechny údaje budou shromažďovány zpětně a anonymizovány.
Po sběru dat budou použity modely strojového učení a metody redukce funkcí k určení nejvýkonnějšího modelu k předpovědi úspěchu nebo selhání očekávaného nebo lékařského zvládání potratu.
Další fáze bude zahrnovat prospektivní audit pro sběr dat a testování prediktivní schopnosti nástroje pro podporu klinického rozhodování MLM.
Typ studie
Zápis (Odhadovaný)
Kontakty a umístění
Studijní místa
-
-
-
London, Spojené království, W12 0HS
- Nábor
- Imperial College Heatlhcare NHS Trust
-
Kontakt:
- Sughashini Murugesu
- Telefonní číslo: 07988390772
- E-mail: sughashini.murugesu@nhs.net
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dítě
- Dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Zmeškaný potrat a neúplný potrat méně než 14 týdnů těhotenství
- Sledování bylo zaznamenáno po 2 týdnech
Kritéria vyloučení:
- Údaje o konečných výsledcích nejsou k dispozici
Studijní plán
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
|---|---|
|
Řízení očekávaného potratu
Kohorta, která se rozhodla pokračovat v očekávaném zvládání potratu, konečného výsledku úspěchu nebo neúspěchu do 14. dne od výběru vedení
|
Management těhotenství: Konzervativní léčba v případě potratu s následnou kontrolou za 2 týdny, aby se zjistilo, zda došlo k úplnému potratu.
|
|
Lékařský management potratu
Kohorta, která se rozhodla pro lékařskou péči o potrat, konečný výsledek úspěchu nebo neúspěchu do 14. dne od výběru vedení
|
Medikamentózní léčba: Misoprostol se užívá ke zvládnutí spontánního potratu v prvním trimestru s následnou kontrolou za 2 týdny, aby se zjistilo, zda došlo k úplnému potratu.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Vývoj prediktivního modelu strojového učení pro výsledky řízení potratů.
Časové okno: Leden 2023 – červen 2024
|
Vývoj prediktivního modelu strojového učení na základě retrospektivního auditu přibližně 1000 případů potratu.
|
Leden 2023 – červen 2024
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Prospektivní audit pro testování a ověření prediktivního modelu
Časové okno: Červenec 2024–červen 2025
|
Zvýšení citlivosti a specifičnosti rozhodování pomáhá rozšířením sběru dat na více míst a testováním modelu strojového učení s potenciálními daty.
|
Červenec 2024–červen 2025
|
Spolupracovníci a vyšetřovatelé
Sponzor
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Odhadovaný)
Dokončení studie (Odhadovaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- 23QC8155
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
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 .