Effekten af maskinlæringsbaserede algoritmer til støtte for klinikerbeslutninger i perioperativ pleje (IMAGINATIVE)
Effekten af maskinlæringsbaserede klinikerbeslutningsstøttealgoritmer i perioperativ pleje - et randomiseret kontrolforsøg (IMAGINATIVE Trial)
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Tilmelding (Forventet)
Tilmelding
Fase
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Hairil Rizal Abdullah, MBBS
- Telefonnummer: 63265428
- E-mail: hairil.rizal.abdullah@singhealth.com.sg
Studiesteder
-
-
-
Singapore, Singapore
- Singapore General Hospital
-
Underforsker:
- Ecosse Lamoureux, PHD
-
Kontakt:
- Hairil Rizal Abdullah, MMED
- E-mail: hairil.rizal.abdullah@singhealth.com.sg
-
Ledende efterforsker:
- Hairil Rizal Abdullah, MMED
-
Underforsker:
- Elaine Lum, PHD
-
Underforsker:
- Nan Liu, PHD
-
Underforsker:
- Mengling Feng, PHD
-
Underforsker:
- Jacqueline Sim Xiu Ling, MBBS
-
Underforsker:
- Brian Goh Kim Poh, MBBS
-
Underforsker:
- Gek Hsiang Lim, MSC
-
Underforsker:
- Marcus Ong Eng Hock, MPH
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Beskrivelse
Inklusionskriterier:
- Patienter >=21 år
- Patienter, der skal til elektiv operation
Til semistruktureret interview:
1. Enhver kliniker eller sygeplejerske, der brugte CARES under forskningsforsøget
Ekskluderingskriterier:
- Patienter med nedsat mental kapacitet
- Patienter, der ikke er i stand til at give samtykke
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Andet
- Tildeling: Randomiseret
- Interventionel model: Parallel tildeling
- Maskning: Ingen (Åben etiket)
Antal våben
Våben og indgreb
Deltagergruppe / ArmDeltagergruppe / Arm |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Aktiv komparator: CARES-guidet gruppe
Interventionen
|
Deltagere, der er randomiseret til den CARES-guidede arm, vil få deres CARES-score beregnet og indtastet i den elektroniske formular til præ-anæstesivurdering i Electronic Medical Records (EMR).
Dette partitur og dets relevante råd vil blive vist tydeligt på denne elektroniske formular.
(Deltagere på denne arm vil modtage denne intervention ud over den rutinemæssige praksis).
|
|
Ingen indgriben: Ikke CARES-guidet gruppe
Kontrollen - Deltagere, der er randomiseret til kontrolarmen, vil fortsat have deres rutinepræ-anæstesivurdering på den elektroniske formular uden CARES-beregnerens beregninger, som pr. gældende praksis
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Ændring i perioperativ dødelighed
Tidsramme: Fem år
|
At vurdere effektiviteten af Machine Learning Clinical Decision Support (ML-CDS).
Hypotese: Den CARES-guidede gruppe vil have en relativ reduktion på 30 % i et års dødelighed på grund af klinikerens øgede bevidsthed om risiciene.
|
Fem år
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Ændring i potentielt undgåelig planlagt intensivafdeling efter operation
Tidsramme: Fem år
|
At vurdere effektiviteten af ML-CDS-algoritmen til at optimere ICU-sengeudnyttelsen, hvilket er en vigtig og kostbar hospitalsressource Hypotese: Der vil være en relativ reduktion på 25 % i den potentielt undgåelige planlagte ICU-indlæggelse efter operation i den CARES-guidede gruppe
|
Fem år
|
Andre resultatmål
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Skift i adoptionsraten for CARES's CDS-anbefalinger blandt anæstesiologer, intensivister, kirurger og sygeplejersker
Tidsramme: Fem år
|
At vurdere adoption og acceptabilitet og at forstå brugeroplevelse og bekymringer vedrørende en ML-baseret forudsigelsesapplikation designet til at forbedre patientsikkerheden i et klinisk miljø.
Hypotese: Der er stor accept af CARES's CDS-anbefalinger blandt henholdsvis anæstesilæger, intensivister, kirurger og sygeplejersker.
|
Fem år
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Forventet)
Studiestart
Primær færdiggørelse (Forventet)
Primær færdiggørelse
Studieafslutning (Forventet)
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
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- IMAGINATIVE Trial
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
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 .
Kliniske forsøg med Maskinelæring
-
NCT07338253Tilmelding efter invitationÅndelig omsorg | Flipped Learning Model
-
NCT06972043RekrutteringDyb læring | Ammende | Mechine Learning | Kunstig intelligens (AI)
-
NCT03626025AfsluttetMasselæring, Spaced Learning, Mikrokirurgi
-
NCT06037057Ikke rekrutterer endnuAnvendelse af kunstig intelligens Deep Learning-teknologi i magnetisk resonans lumbal billeddannelseDeep Learning, Lumbal Magnetic Resonance Imaging
-
NCT07611279Ikke rekrutterer endnuEndodonti | AI (kunstig intelligens) | Deep Learning Model | Perforering | Missede kanaler | Endodontisk genbehandling | Non-surgical Retreatment | DIFFICULTY ASSESSMENT | SEPARATED INSTRUMENT | Poor Obturation
-
NCT06734650Ikke rekrutterer endnuSlagvolumen variation | Pulstrykvariation | Deep Learning Model | Arterielle bølgerefleksioner | Perifer vene
-
NCT06068062AfsluttetOSCE (Objective Structured Clinical Examination) | TBL (Team Based Learning) | Undervisning af kliniske færdigheder til medicinske studerende
-
NCT07514702Ikke rekrutterer endnuSkulderdystoci-træning med AI-understøttet flipped learning i jordemoderuddannelsen
-
NCT05564975Ikke rekrutterer endnuRisikofaktorer | Kritisk syge patienter | Trykskade | Machine Learning Algoritmer
-
NCT06534645RekrutteringForudsigelse af slagtilfældeudfald understøttet af Deep Learning Algorithm
Kliniske forsøg med CARES-guidet gruppe
-
NCT06470412Afsluttet
-
NCT06470399Afsluttet
-
NCT03263806AfsluttetBrystsmerter | Akut koronarsyndrom | Hjertesygdom, koronar
-
NCT05829889RekrutteringKoronararteriesygdom | Koronararteriesygdom Venstre Hoved
-
NCT06253182Aktiv, ikke rekrutterendeBrystkræft | Gynækologisk kræft | Seksuel dysfunktion | Partnerkommunikation
-
NCT07379944Ikke rekrutterer endnuKoronararteriesygdom | Angst | Hjertekirurgi | Kirurgisk stressrespons | Postoperativ stress
-
NCT07475780RekrutteringRecidiverende parathyroidea-carcinom
-
NCT04163614RekrutteringForhøjet blodtryk | Slutstadie nyresygdom | Intradialytisk hypotension | Ekstracellulær volumen overbelastning