Biomarkør-forstærket kunstig intelligens baseret pædiatrisk sepsis screeningsværktøj
2. september 2025 opdateret af: Ioannis Koutroulis, Computer Technology Associates, Inc.
Biomarkør-forstærket kunstig intelligens-baseret pædiatrisk sepsis-screeningsværktøj mod tidlig genkendelse og personlig terapi
Det overordnede formål med denne foreslåede forskning er udledningen af et biomarkør-forstærket kunstig intelligens (AI)-baseret pædiatrisk sepsis-screeningsværktøj (PSCT) (software), der kan bruges i kombination med hospitalets elektroniske patientjournal (EPJ)-system til at overvåge og vurdere real-time akutafdelingens (ED) elektroniske sundhedsjournal (EPJ) data med henblik på at forbedre tidlig pædiatrisk sepsis-genkendelse og initiering af rettidig, aggressiv personlig sepsisbehandling, der er kendt for at forbedre patientresultater.
Det er en hypotese, at screeningsydeevnen (f.eks. positiv prædiktiv værdi) af det påtænkte screeningsværktøj vil blive væsentligt forbedret ved at inkludere et biomarkørpanel testresultater (PERSEVERE), som har vist sig at være effektive til forudsigelse af klinisk forringelse i ikke- kritisk syge immunkompromitterede pædiatriske patienter vurderet for infektion. Det er også en hypotese, at forbedrede fænotyper kan udledes ved at gruppere PERSEVERE biomarkører kombineret med rutinemæssigt indsamlede EPJ-data til forbedret personlig medicin.
Studieoversigt
Status
Ikke rekrutterer endnu
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Baggrund og begrundelse Eksisterende automatiserede pædiatriske sepsisscreeningsværktøjer (PSCT) baseret på konsensuskriterier, der i øjeblikket anvendes på akutmodtagelser, forbedrer ikke tidlig genkendelse og/eller informerer personlige terapeutiske beslutninger, der fører til forbedrede resultater. Initiativet Improving Pediatric Sepsis Outcomes (IPSO) fandt, at ved at inkludere patienter, der modtager behandling, fangede de udvidede kriterier ikke kun patienter, der udviklede sepsis med organdysfunktion (OD), men også dem, hvor tidlig sepsis blev behandlet med OD potentielt afværget.
Formålet med den foreslåede indsats er at udlede og retrospektivt validere et biomarkørforstærket AI-baseret pædiatrisk sepsis-screeningsværktøj, der kan bruges til at screene ED EHR-data for at forbedre tidlig genkendelse, sværhedsgradsstratificering og rettidig initiering af personlig sepsisbehandling. CTA og dets 6 institutionelle partnere foreslår i fællesskab at etablere to afidentificerede patientregistre: 1) "EPJ-data-kohorten" (N = 2000) og 2) "EPJ + biomarkørdatakohorten" (N = 400) til støtte af dette mål.
Encounter-dataelementer, der skal abstraheres fra EPJ'er til medtagelse i disse registre, omfatter både strukturerede (f.eks. tidsstemplede fysiologiske målinger, behandlinger, procedurer, resultater) såvel som fritekstnotater.
Dataanalyse og skævheder Alle undersøgelsesdata, inklusive fysiologiske data udtrukket fra patient-EPJ og resultater af biomarkøranalyser, vil blive analyseret ved hjælp af en række maskinlæringsalgoritmer og -teknikker til at producere en prædiktiv model for sepsisscreening med høj præcision. Analysemetoder involverer standard deskriptiv statistisk analyse af prædiktiv klassifikationsydelse (f.eks. AUC, sensitivitet/specificitet, PPV osv.).
Undersøgelsestype
Observationel
Tilmelding (Anslået)
12961
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Ioannis Koutroulis, MD
- Telefonnummer: 202-476-4177
- E-mail: IKOUTROULI@childrensnational.org
Undersøgelse Kontakt Backup
- Navn: Carmelo "Tom" E Velez, PhD
- Telefonnummer: 19495005883
- E-mail: tom.velez@cta.com
Studiesteder
-
-
District of Columbia
-
Washington D.C., District of Columbia, Forenede Stater, 20010
- Children's National Hospital
-
Kontakt:
- Ioannis Koutroulis
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
3 måneder til 17 år (Barn, Voksen)
Tager imod sunde frivillige
Ingen
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
De pædiatriske patienter, der kommer til skadestuen med feber og/eller bekymring for infektion og screener positive for pædiatrisk sepsis baseret på eksisterende institutionel screeningsprotokol.
Beskrivelse
Inklusionskriterier:
Patienter i alderen 3 måneder -17 år inklusive
- Diagnosticeret med sepsis af en kliniker eller udløser en sepsisalarm og en blodkultur er bestilt. Kontroller vil være falsk positive patienter.
- For de patienter, der prospektivt vil blive indskrevet til blodprøvetagning: vil kræve en venepunktur eller intravenøs linjeplacering.
Ekskluderingskriterier:
- Patienter, der deltager i et undersøgelsesprogram med interventioner uden for rutinemæssig klinisk praksis
- Patienter med forældre eller LAR'er, der ikke taler engelsk eller spansk
- Graviditet
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Case-Control
- Tidsperspektiver: Andet
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Retrospektiv EHR-data kun gruppe
Medlemmer af denne gruppe er pædiatriske patienter i alderen 3 måneder til 45 år inklusive, der præsenterede for en af de seks deltagende institutions akuttafdeling mellem årene 2016-2021 og screenede positiv for mistanke om sepsis ved hjælp af institutionens eksisterende pædiatriske sepsis-screeningsprotokol og modtager en blodkulturordre.
Aktuelle pædiatriske screenings-/alarmeringsværktøjer vides at være meget følsomme, men dårligt specifikke.
"Sager" i denne kohort vil bestå af dem, der i sidste ende diagnosticeres med sepsis og/eller modtager protokoliseret sepsisbehandling.
"Kontrol" i denne kohort vil være dem med en falsk positiv alarm, dvs. ikke diagnosticeres med sepsis og modtager ikke protokoliseret sepsisbehandling.
|
Alle deltagende institutioner anvender enten en algoritmisk, manuel eller kombineret algoritmisk/manuel pædiatrisk sepsis-screeningsprotokol for patienter, der har feber og/eller er bekymrede for infektion.
Mens de specifikke parametre testet i screeningsværktøjer er forskellige, består de generelt af tests for en systemisk inflammatorisk respons (f.eks.
SIRS) og/eller organdysfunktion (f.eks.
SOFA) og/eller høj modtagelighed (f.eks.
immunkompromitterede) faktorer.
|
|
Potentiel EHR og Biomarker Data Group
Medlemmer af denne gruppe er pædiatriske patienter i alderen 3 måneder til 45 år inklusive, der præsenterede for en af de seks deltagende institutions akuttafdeling i undersøgelsesstartiets tilmeldingsperiode, skærmpositiv for mistanke om sepsis ved hjælp af institutionens eksisterende pædiatriske sepsis-screeningsprotokol, modtage en blodkulturordre og give informeret samtykke/assent for indsamlingen af en 1-5 ml blodprøve til at blive brugt til at måle udbredelse.
Medlemmer af denne kohort vil også have accepteret genbrug af deres medicinske journalata til forskningen.
Aktuelle pædiatriske screenings-/alarmeringsværktøjer vides at være meget følsomme, men dårligt specifikke.
"Sager" i denne kohort vil bestå af dem, der i sidste ende diagnosticeres med sepsis og/eller modtager protokoliseret sepsisbehandling.
"Kontrol" i denne kohort vil være dem med en falsk positiv alarm, dvs. ikke diagnosticeres med sepsis og modtager ikke protokoliseret sepsisbehandling.
|
Alle deltagende institutioner anvender enten en algoritmisk, manuel eller kombineret algoritmisk/manuel pædiatrisk sepsis-screeningsprotokol for patienter, der har feber og/eller er bekymrede for infektion.
Mens de specifikke parametre testet i screeningsværktøjer er forskellige, består de generelt af tests for en systemisk inflammatorisk respons (f.eks.
SIRS) og/eller organdysfunktion (f.eks.
SOFA) og/eller høj modtagelighed (f.eks.
immunkompromitterede) faktorer.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Effektivt ekspertsystembaseret pædiatrisk sepsisscreeningsværktøj (PSCT)
Tidsramme: Sidste 3 måneders studieperiode.
|
I løbet af en brugbarhedstestperiode, ved at emulere logikken fra eksperter i et screeningsværktøj, der kontinuerligt kan forbedres med erfaring, opnå et højt niveau af ED-workflow-anvendelighed mod forbedret tidlig genkendelse af IPSO-sepsis, som opfattet af praktiserende ED-klinikere, der er engageret i brugervenlighed afprøvning.
|
Sidste 3 måneders studieperiode.
|
|
Højtydende Expert System-based Pediatric Sepsis Screening Tool (PSCT)
Tidsramme: Brug af "tidlige data" efter præsentation til ED, f.eks. ved modtagelse af biomarkørdata inden for 1. 3 timer efter præsentation)
|
For at udlede en højtydende (f.eks. sensitivitet/specificitet > 90 %, PPV > 40 %) PSCT for at identificere patienter i ED, der opfylder IPSO-sepsiskriterier ved hjælp af tidlige mødedata (f.eks.
ved modtagelse af biomarkørdata inden for 1. 1-3 timer efter præsentation).
|
Brug af "tidlige data" efter præsentation til ED, f.eks. ved modtagelse af biomarkørdata inden for 1. 3 timer efter præsentation)
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Effektiv sepsis-fænotyping til personlig behandling
Tidsramme: Funktioner baseret på 1. 6 timer efter præsentation hos patienter diagnosticeret med sepsis og behandlingsprotokol påbegyndt.
|
At vise, at kombinerede PERSEVERE biomarkør- og EPJ-data som klyngefunktioner (f.eks. ved hjælp af latent klasseanalyse) forbedrer påvisningen af klinisk nyttige prognostiske fænotyper.
|
Funktioner baseret på 1. 6 timer efter præsentation hos patienter diagnosticeret med sepsis og behandlingsprotokol påbegyndt.
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Samarbejdspartnere
Efterforskere
- Studieleder: Carmelo "Tom" E Velez, PhD, CTA
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- 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.
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Anslået)
1. april 2026
Primær færdiggørelse (Anslået)
31. marts 2029
Studieafslutning (Anslået)
31. marts 2029
Datoer for studieregistrering
Først indsendt
20. marts 2022
Først indsendt, der opfyldte QC-kriterier
31. marts 2022
Først opslået (Faktiske)
5. april 2022
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
8. september 2025
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
2. september 2025
Sidst verificeret
1. september 2025
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- NIAID 1R41AI167224-01
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
UBESLUTET
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
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 .