Deep Learning-modeller til forudsigelse af intraoperativ hypotension ved hjælp af ikke-invasive parametre
Forudsigelse af intraoperativ hypotension ved hjælp af ikke-invasive overvågningsanordninger: Udvikling af dyb læringsmodel
Studieoversigt
Status
Status
Betingelser
Betingelser
Detaljeret beskrivelse
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Heejoon Jeong, MD
- Telefonnummer: 821087282414
- E-mail: heejoonjeong@skku.edu
Studiesteder
-
-
-
Seoul, Korea, Republikken, 06351
- Samsung Medical Center
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- De patienter, der indgår i den åbne database, VtialDB.
- De patienter, der gennemgik inhaleret generel anæstesi til ikke-hjertekirurgi.
- De patienter, som har ikke-invasive monitoreringsdata, herunder blodtryk, elektrokardiografi, pulsoximetri, bispektralt indeks, kapnografi og minimum alveolær koncentration af inhalationsmiddel.
Ekskluderingskriterier:
- Patienten med manglende data.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
|---|
|
Gruppe
I open source-databasen (VitalDB, https://vitaldb.net), de patienter, der gennemgik generel anæstesi med ikke-invasiv overvågning, herunder blodtryk, elektrokardiografi, pulsoximetri, bispektralt indeks, kapnografi og minimal alveolær koncentration af inhalationsmiddel.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Deep learning models forudsigelsesevne på intraoperativ hypotension
Tidsramme: gennem studieafslutning, i gennemsnit 3 timer
|
Areal under kurven modtagerens driftskarakteristik (AUROC) kurve for den dybe indlæringsmodel til at forudsige intraoperativ hypotension.
|
gennem studieafslutning, i gennemsnit 3 timer
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Efterforskere
Efterforskere
- Ledende efterforsker: Hyun Joo Ahn, MD, PhD, Samsung Medical Center
Publikationer og nyttige links
Generelle publikationer
- Lee HC, Jung CW. Vital Recorder-a free research tool for automatic recording of high-resolution time-synchronised physiological data from multiple anaesthesia devices. Sci Rep. 2018 Jan 24;8(1):1527. doi: 10.1038/s41598-018-20062-4.
- Lee S, Lee HC, Chu YS, Song SW, Ahn GJ, Lee H, Yang S, Koh SB. Deep learning models for the prediction of intraoperative hypotension. Br J Anaesth. 2021 Apr;126(4):808-817. doi: 10.1016/j.bja.2020.12.035. Epub 2021 Feb 6.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- SMC 2022-09-096
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
produkt fremstillet i og eksporteret fra U.S.A.
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .