Deep Learning-modeller til forudsigelse af intraoperativ hypotension ved hjælp af ikke-invasive parametre
25. marts 2025 opdateret af: Hyun Joo Ahn, Samsung Medical Center
Forudsigelse af intraoperativ hypotension ved hjælp af ikke-invasive overvågningsanordninger: Udvikling af dyb læringsmodel
Efterforskerne havde til formål at undersøge den dybe læringsmodel til at forudsige intraoperativ hypotension ved hjælp af ikke-invasive monitoreringsparametre.
Studieoversigt
Status
Afsluttet
Betingelser
Detaljeret beskrivelse
Intraoperativ hypotension er forbundet med forskellige postoperative komplikationer såsom akut nyreskade.
Derfor er præcis forudsigelse og hurtig behandling af intraoperativ hypotension vigtig.
Det er dog vanskeligt præcist at forudsige intraoperativ hypotension baseret på anæstesilægernes erfaring og intuition.
For nylig viste dyb læringsalgoritmer ved hjælp af invasiv arteriel trykovervågning den gode forudsigelsesevne af intraoperativ hypotension.
Det kan hjælpe klinikerens beslutninger.
De fleste patienter, der gennemgår generel kirurgi, overvåges dog af ikke-invasive parametre.
Derfor undersøger efterforskerne forudsigelsesmodellen for intraoperativ hypotension ved hjælp af non-invasiv monitorering.
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
5175
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
-
Seoul, Korea, Republikken, 06351
- Samsung Medical Center
-
-
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
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
Undersøgelsespopulationen omfattede patienter, der gennemgik inhaleret generel anæstesi til ikke-hjertekirurgi mellem juni 2016 og august 2017 på Seoul National University Hospital, Seoul, Sydkorea.
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
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / 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
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
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Efterforskere
- Ledende efterforsker: Hyun Joo Ahn, MD, PhD, Samsung Medical Center
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
- 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
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 (Faktiske)
1. april 2023
Primær færdiggørelse (Faktiske)
1. maj 2024
Studieafslutning (Faktiske)
1. maj 2024
Datoer for studieregistrering
Først indsendt
13. februar 2023
Først indsendt, der opfyldte QC-kriterier
7. marts 2023
Først opslået (Faktiske)
9. marts 2023
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
30. marts 2025
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
25. marts 2025
Sidst verificeret
1. maj 2024
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- SMC 2022-09-096
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
produkt fremstillet i og eksporteret fra U.S.A.
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 .