Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Effekten af ​​maskinlæringsbaserede algoritmer til støtte for klinikerbeslutninger i perioperativ pleje (IMAGINATIVE)

29. marts 2023 opdateret af: Singapore General Hospital

Effekten af ​​maskinlæringsbaserede klinikerbeslutningsstøttealgoritmer i perioperativ pleje - et randomiseret kontrolforsøg (IMAGINATIVE Trial)

Forudsigelse af kirurgiske risici er vigtigt for patienter og klinikere for en fælles beslutningsproces og håndteringsplan. Undersøgelsesteamet sigter mod at udføre et hybrid type 1-effektivitetsimplementeringsundersøgelsesdesign. Et randomiseret kontrolleret forsøg, hvor deltagere, der gennemgår operation i Singapore General Hospital (SGH), vil blive allokeret i forholdet 1:1 til CARES-guidede (ublindede til risikoniveau) eller til uguidede (blindede til risikoniveau). Alle deltagere, der gennemgår elektive operationer i SGH, vil blive betragtet som kvalificerede til at blive tilmeldt undersøgelsen. Til elektive operationer vil deltagerne hovedsageligt blive rekrutteret fra Pre-admission Centre. Resultatet af denne undersøgelse vil hjælpe patienter og klinikere til at træffe bedre beslutninger sammen. For det første kan implementeringen af ​​CARES-modellen i et levende klinisk miljø potentielt reducere postoperative komplikationer og forbedre kvaliteten af ​​kirurgisk behandling. Resultaterne fra denne undersøgelse ville muliggøre finjustering af CARES samt yderligere implementering af yderligere risikomodeller for andre specifikke komplikationer end dødelighed og intensivophold. Dette vil igen føre til bedre sundhed for den kirurgiske befolkning og forbedret omkostningseffektivitet. Dette er væsentligt, da den kirurgiske befolkning forventes at vokse konstant på grund af forbedret adgang til pleje, bedre teknologier og den aldrende befolkning. For det andet vil IMAGINATIVE være medvirkende til at forbedre vores forståelse af implementeringsstrategierne for AI/ML prædiktive modeller i sundhedsvæsenet. Modeller som CARES kan være standarden for pleje i fremtiden, hvis de viser sig at forbedre patienternes helbredsresultater. Da modelimplementeringer er omkostningskrævende og kan være forstyrrende for EMR-processerne, ville denne undersøgelse være den indledende gnist til fremtidig implementering og sundhedstjenesteforskning med fokus på at forbedre værdien af ​​disse modelimplementeringer.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Intervention / Behandling

Undersøgelsestype

Interventionel

Tilmelding (Forventet)

9200

Fase

  • Ikke anvendelig

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Studiesteder

  • Singapore
      • Singapore, Singapore
        • Singapore General Hospital
        • Underforsker:
          • Ecosse Lamoureux, PHD
        • Kontakt:
        • 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

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

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Beskrivelse

Inklusionskriterier:

  1. Patienter >=21 år
  2. Patienter, der skal til elektiv operation

Til semistruktureret interview:

1. Enhver kliniker eller sygeplejerske, der brugte CARES under forskningsforsøget

Ekskluderingskriterier:

  1. Patienter med nedsat mental kapacitet
  2. Patienter, der ikke er i stand til at give samtykke

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Primært formål: Andet
  • Tildeling: Randomiseret
  • Interventionel model: Parallel tildeling
  • Maskning: Ingen (Åben etiket)

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Aktiv komparator: CARES-guidet gruppe
Interventionen
Andet: CARES-guidet gruppe
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

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

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

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

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Singapore General Hospital

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 (Forventet)

1. maj 2023

Primær færdiggørelse (Forventet)

1. juli 2027

Studieafslutning (Forventet)

1. december 2027

Datoer for studieregistrering

Først indsendt

14. marts 2023

Først indsendt, der opfyldte QC-kriterier

29. marts 2023

Først opslået (Faktiske)

12. april 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

12. april 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

29. marts 2023

Sidst verificeret

1. marts 2023

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • IMAGINATIVE Trial

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

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 .

Kliniske forsøg med Maskinelæring

Kliniske forsøg med CARES-guidet gruppe

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Albania

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner