- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT06158542
UDVIKLING AF EN KUNSTIG INTELLIGENS-ALGORITME TIL FORUDSIGLING AF HYPOTENSIONSRISIKO EFTER INDUKTION I KEJSERsnit MED SPINALANÆSTESI
Kejsersnittet, som er medicinsk nødvendigt for både mor og baby i visse tilfælde, er en livreddende operation. Behovet for anæstesi under et kejsersnit er en realitet. Kejsersnit giver anæstesilægerne forskellige udfordringer på grund af fysiologiske ændringer hos moderen under graviditeten og fødslen, samt at fosteret, der bliver nyfødt, stadig er afhængigt af moderens kredsløb. Den mest anvendte anæstesimetode på verdensplan er spinal anæstesi. Mens spinal anæstesi har mange fordele, har det også ulemper. En af de mest almindeligt stødte ulemper er udviklingen af hypotension på grund af den uoprettede parasympatiske respons efter induktion.
Talrige undersøgelser er blevet udført for at identificere faktorer, der disponerer for hypotension efter kejsersnit, og mange prædiktive faktorer er blevet identificeret. Men at bestemme, hvilken patient der vil udvikle hypotension, og hvilken patient der ikke vil, forbliver et vigtigt spørgsmål for anæstesiologer før operationen. At identificere højrisikopatienter for hypotension før start af spinal anæstesi og endda at kende procentdelen af patienter, der vil udvikle hypotension, sparer utvivlsomt tid i problemløsning. Fra dette perspektiv opstod ideen til denne undersøgelse: identifikation af parametre med potentiale til brug i forudsigelse baseret på litteraturen, indsamling af data, afprøvning af forholdet mellem dem ved hjælp af maskinlæringsmetoder og udvikling af en algoritme, der er i stand til prædiktiv analyse.
En af de parametre, der skal bruges til forudsigelse, er niveauet af Syndecan-1-molekylet i serumet. Dette molekyle udskilles i serumet med nedbrydning eller beskadigelse af det vaskulære endoteliale glycocalyx-lag. I udviklingsfasen af algoritmen vil niveauet af dette molekyle i serum også blive udnyttet. Ved afslutningen af undersøgelsen vil der blive udviklet en kunstig intelligens-algoritme til at forudsige hypotension efter induktion, og dens ydeevne vil blive testet.
Hovedmålene med undersøgelsen:
i) Opret et datasæt, der inkluderer de kliniske karakteristika, demografiske data og blodprøveresultater for patienter, der udvikler og ikke udvikler hypotension efter spinal anæstesi.
ii) Udvikl en kunstig intelligens-algoritme ved hjælp af datasættet og bestem den mest nøjagtige algoritme til at forudsige hypotension.
iii) For at teste nøjagtigheden af den udviklede algoritme skal du oprette et testdatasæt, måle og optimere algoritmens ydeevne. Nøjagtighed, sensitivitet, specificitet og Receiver Operating Characteristic (ROC) kurver vil blive brugt til præstationsmåling.
iv) Skab en passende grænseflade (en overflade til interaktion med softwaren) for at gøre den udviklede algoritme anvendelig i klinisk praksis.
Undersøgelsen er et ikke-interventionelt, enkeltcenter, prospektivt kohortestudie. Antallet af patienter er konventionelt blevet bestemt til 280 i effektanalysen; denne undersøgelse har dog også karakteristikken af et datavidenskabsprojekt. I datavidenskabelige projekter stiger modellernes præstationsværdier, efterhånden som antallet af patienter stiger. Derfor er målrettet det maksimale antal patienter, der kan opnås mellem november 2023 og marts 2024. Under hensyntagen til de månedlige data fra Hacettepe University Department Delivery Room Operation Room, er dette tal anslået til at være 370. Mellem november 2023 og marts 2024 vil patientdata blive observeret, karakteristika vil blive registreret, og derefter vil der blive udviklet en model, der skal bruges til forudsigelse.
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Begrundelse: Kejsersnit, når det er angivet korrekt, er en fødselsmetode, der bevarer både moderens og barnets sundhed. Antallet af fødsler ved kejsersnit har været stigende på verdensplan i årevis. Mellem 2010 og 2018 blev 21,1 % af de globalt sporede fødsler udført ved kejsersnit. Ifølge Verdenssundhedsorganisationen (WHO) forventes det, at denne sats vil stige og nå 29 % i år 2030.
Bedøvelsen til kejsersnit er grundlæggende påvirket af både de fysiologiske og patologiske ændringer, som graviditeten inducerer i moderens krop. Ændringer, der sker under graviditet og fødsel, og de deraf følgende forskelle, kan give udfordringer for anæstesiologer.
I udviklede lande er 78% af elektive kejsersnit blevet udført under spinalbedøvelse, hvilket gør det til den mest udbredte teknik af anæstesiologer. Spinal anæstesi inducerer iatrogen sympatisk blokade, hvilket reducerer systemisk vaskulær modstand sammen med arteriel og venøs vasodilatation, hvilket fører til hypotension. Hyppigheden af hypotension efter spinal anæstesi hos gravide kvinder varierer fra 7,4 % til 74 %, som rapporteret af Klöhr et al. Hyppigheden af hypotension er højere hos gravide kvinder på grund af faktorer såsom liggende hypotension syndrom forårsaget af føtal inferior vena cava kompression og udvikling af kollateral venøs plexus i epiduralområdet, hvilket fører til opstigning af intratekal lokalbedøvelse i cerebrospinalvæsken. Forværringen af hypotension og bradykardi hos patienten kan resultere i hjertekollaps, føtal hypoxi og acidose, hvilket udgør en uforudsigelig risiko for både moderens og fostrets sundhed. Anæstesilægers rolle er at forebygge eller håndtere denne risikable tilstand effektivt.
Nylige fremskridt inden for dyb læring og kunstig intelligens (AI) har fundet deres plads inden for anæstesi. AI-applikationer i anæstesi kan kategoriseres i fem hovedområder: 1) Overvågning af dybden af anæstesi (f.eks. teknikker, der analyserer EEG-data under anæstesi), 2) Kontrol af anæstetisk lægemiddellevering baseret på dybden af anæstesi, 3) Begivenhedsforudsigelse, 4) Ultralydsvejledning og 5) Smertebehandling.
Blandt disse applikationer er forudsigelse af begivenheder særligt kritisk for anæstesiologer. At kende til en hændelse, før den indtræffer, bidrager til dens forebyggelse eller muliggør mere præcis styring. Der har været 53 undersøgelser i litteraturen, der bruger AI til forudsigelse af hændelser, herunder undersøgelser, der udvikler algoritmer til at forudsige hypotension under operation og validering af disse algoritmer. Det, der adskiller dette projekt fra eksisterende undersøgelser, er:
Disse undersøgelser er ikke udviklet specifikt til at forudsige spinal anæstesi-induceret hypotension under kejsersnit.
Disse undersøgelser har for det meste brugt bølgeanalyse (ikke-invasiv eller invasiv) til at forudsige hypotension. I dette projekt vil denne tilgang ikke blive brugt. Præoperative vurderinger vil blive udført, og patientkarakteristika vil blive registreret. Derfor vil den resulterende algoritme ikke være en dynamisk/realtidsdatainputalgoritme.
Den lette registrering af præoperative karakteristika, fraværet af behovet for invasiv arteriel overvågning og potentialet for anvendelighed gør udviklingen af algoritmen mere praktisk. Den udviklede algoritme vil være praktisk at bruge.
Algoritmen, der skal trænes, vil, i lighed med undersøgelsen af Hatib et al., rapportere risikoen for hypotension i procent.
AI og dens undergruppe, maskinlæringsalgoritmer, påvirker alle aspekter af vores liv. På det medicinske område er det blevet en metode, især til at reducere menneskelige fejl i klinisk beslutningstagning.
I denne undersøgelse vil demografisk information, vitale tegn, specifikke blodparametre og visse karakteristika relateret til administration af spinal anæstesi systematisk blive registreret for gravide kvinder, der gennemgår spinal anæstesi. Blodparametre omfatter fuldstændig blodtælling, serumelektrolytter, leverenzymniveauer (ALT/AST) og Syndecan-1. Alle blodparametre er angivet i den originale undersøgelsesprotokol. Syndecan-1 er et molekyle, der udskilles i serumet med nedbrydning eller beskadigelse af det vaskulære endoteliale glycocalyx-lag. Især stiger det under volumenbelastning, sepsis eller inflammatoriske processer. Serum Syndecan-1-niveauer stiger, efterhånden som ugerne af graviditeten skrider frem, hvor den mest signifikante stigning sker mellem den 20. og 30. uge. Hvis præeklampsi udvikler sig i de senere stadier af graviditeten, falder Syndecan-1-niveauerne.
Syndecan-1-niveauer i hypertensive graviditeter ændrer sig ikke signifikant sammenlignet med normale graviditeter, men der er observeret forskelle i Syndecan-1-niveauer ved præeklampsi. Derfor vil hypertensive og præeklamtiske gravide, som nævnt i metodeafsnittet, ikke indgå i undersøgelsen.
I en undersøgelse, der undersøgte de præoperative og postoperative niveauer af Syndecan-1 hos patienter med kejsersnit, som gennemgik spinalbedøvelse, blev der fundet en signifikant forskel. Undersøgelsen konkluderede, at præoperativ profylaktisk væskebolus-administration påvirkede endotelial glycocalyx-nedbrydning. Baseret på denne undersøgelse har Syndecan-1 det teoretiske potentiale til at være en ny markør til at forudsige hypotension. Selvom Syndecan-1 er blevet undersøgt hos gravide kvinder før, er der ingen undersøgelse i litteraturen, der undersøger sammenhængen mellem præoperative Syndecan-1 niveauer og hypotension under spinal anæstesi hos patienter med kejsersnit. Denne undersøgelse vil både undersøge forholdet mellem Syndecan-1 og hypotension og evaluere dets plads i den udviklede algoritme.
Efter registrering af de indledende data for hver patient, vil udviklingen af hypotension blive observeret og dokumenteret. De indsamlede data vil blive analyseret for at undersøge sammenhængen mellem forekomst eller ikke-forekomst af hypotension efter induktion. Derudover vil en kunstig intelligens-algoritme blive udviklet ved hjælp af disse data. Det primære formål er at udvikle algoritmen. I løbet af undersøgelsen vil der ikke være ændringer i den anæstesibehandling, der anvendes på de gravide.
I denne sammenhæng sigter den udviklede algoritme på tidligt at identificere hypotension forårsaget af spinal anæstesi (forudsige risikoen for hypotension før operationen starter) og muliggøre tidlig behandlingsstart.
Metode:
Tidspunkt for projektet: Den etiske godkendelse af projektet er givet af Hacettepe University Non-Interventional Clinical Research Ethics Board. Projektet er planlagt til at blive gennemført mellem november 2023 og april 2024.
Metode og dataindsamlingsværktøjer for projektet:
Data fra patienter, der opfylder inklusionskriterierne i operationsstuen, vil blive indhentet fra rutinemæssige testresultater, der sendes efter indlæggelse til kejsersnit, observationsskemaer fra præoperativ sygeplejerske og registreringer af vitale tegn overvåget ved anæstesi under operationen. Efter at patienten er kørt til operationsstuen, udfyldes oplysningerne i Dataopsamlingsskemaet af anæstesilægen. Varigheden af hypotension efter spinal anæstesi begynder umiddelbart efter administration af anæstesi hos gravide kvinder og når sit laveste niveau inden for ca. 10-15 minutter. Det vides at vende tilbage til det normale inden for 20-30 minutter. Varigheden af hypotension kan dog variere afhængigt af faktorer som gestationsalder, anæstesidosis, patientens generelle helbredstilstand og andre faktorer. Især hos gravide kvinder med høje anæstesidoser eller hypertension kan varigheden af hypotension være længere. Derfor skal varigheden af hypotension evalueres individuelt for hver patient. I denne undersøgelse foretrækkes observation i de første 15 minutter dog. Denne præference er lavet, fordi algoritmen forudsiger spinal-induceret hypotension baseret på præoperative karakteristika. Med den forlængede observationsperiode gør forekomsten af fødsler, stigningen i hjertevolumen og påbegyndelsen af oxytocininfusion under operationen hæmodynamikken til en kompleks situation, der påvirkes af flere uafhængige faktorer. Dataindsamlingen afsluttes efter de første 15 minutter, og hypotension, der opstår efter det 15. minut, vil ikke blive registreret for undersøgelsen; observationen vil blive afsluttet.
Indsamling af projektdata:
Inden patienter tages til operationsstuen, vil der blive udtaget en passende mængde blod fra de rutinemæssige blodprøver før levering, der tages fra patienten for blodparametrene. Bortset fra Syndecan-1 er de andre parametre i blodparametrene rutinetest, der rutinemæssigt udføres i Hacettepe University Hospital Biochemistry-laboratorier.
Ved måling af syndecan-1 vil absorbansaflæsninger blive udført ved hjælp af SpectraMax-M2 (Molecular Devices, USA) enheden placeret i Institut for Biokemi ved Hacettepe University. Efterfølgende vil serumsyndecan-1-niveauer blive beregnet ved hjælp af GraphPad Prism-programmet baseret på standardgrafen. Anskaffelsen af de nødvendige ELISA-sæt til syndecan-1-måling vil blive udført gennem finansiering opnået fra Hacettepe Universitys videnskabelige forsknings- og projektkontor.
Dataanalyse:
Gennem trinene i algoritmeudviklingen vil Python-programmeringssproget blive brugt. Udviklingsprocessen for den kunstige intelligens-algoritme vil følge retningslinjerne for udvikling og rapportering af maskinlæringsforudsigelsesmodeller i biomedicinsk forskning: En multidisciplinær visning. Trinene er som følger:
- Dataindsamling: Data vil blive registreret ved at udfylde dataindsamlingsformularen.
- Databehandling: Efter dataindsamlingen vil dataene blive behandlet, og de vil blive tilfældigt opdelt i træningsdata og interne valideringsdata. Dataene vil blive renset for artefakter og fejllæsninger.
- Annotering: Data vil blive mærket til klassificering af kunstig intelligens, og definitionen af hypotension vil blive kommenteret. Undersøgelser vil blive udført for at bestemme potentialet for at påvise hypotension med kunstig intelligens.
- Funktionsvalg: Funktioner, der forudsiger kommenterede begivenheder i højeste grad, vil blive valgt. En eller flere funktionsvalgalgoritmer vil blive brugt til denne proces, og funktioner vil blive udvalgt baseret på den opnåede succes i modellerne.
- Modeloprettelse: De mest relevante funktioner i dataene vil blive udvalgt, og en model vil blive udviklet. Fundamentale klassifikationsalgoritmer såsom K-Nearest Neighbors, Support Vector Machines (SVM), Decision Trees, Random Forest, der almindeligvis anvendes til klassificeringsprocesser i litteraturen, vil blive anvendt til at opnå grundlæggende præstationsforhold. Efterfølgende vil der blive udviklet en deep learning-metode, og præstationsforskellen mellem den foreslåede metode og de grundlæggende metoder vil blive undersøgt.
Krydsvalidering: Ydeevnen af den oprindelige version af modellen vil gentagne gange blive udsat for krydsvalidering med undergrupper af data, som modellen aldrig har set før. Dette vil bestemme modellens præstation ved at undersøge præstationsændringer, efterhånden som dataene varierer. Afhængigt af datastørrelsen vil der blive anvendt enten 10-fold krydsvalidering eller 5 gange krydsvalidering.
Intern validering: Den forudsigende ydeevne af den algoritme, der trænes med træningsdataene, vil blive vurderet ved hjælp af interne valideringsdata, som den aldrig har stødt på.
Ud over algoritmeudviklingsprocessen, hvis de variabler, der sammenlignes, er normalfordelte, statistiske tests såsom ANOVA; Elevens t-test og Mann-Whitney U-test vil blive brugt baseret på antallet af sammenlignede grupper og normalfordelingsanalysen af variabler. Pearson Korrelationsanalyse og Spearman Korrelationsanalyse vil blive brugt til at analysere sammenhængen mellem hypotensionsværdier og andre kontinuerte parametre baseret på normalfordelingsanalysen af variable. Desuden vil systemets forudsigelighed blive testet ved hjælp af sensitivitet, specificitet, positiv prædiktiv værdi (PPV), negativ prædiktiv værdi (NPV), odds ratio (OR), risikoforhold (RR), modtagerens driftskarakteristikkurve og areal under kurven (AUROC) og Pearson korrelationskoefficient (r) test. Et statistisk signifikansniveau på p<0,05 accepteres. Til statistisk analyse vil softwaren Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL) blive brugt.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: Samet Yavuzel, MD
- Telefonnummer: +90 312 305 12 50
- E-mail: yavuzelsamet@gmail.com
Undersøgelse Kontakt Backup
- Navn: Banu Kılıçaslan, Professor, MD
- E-mail: banuk9oct@gmail.com
Studiesteder
-
-
Altındağ
-
Ankara, Altındağ, Kalkun, 06230
- Rekruttering
- Hacettepe University Hospitals
-
Kontakt:
- Samet Yavuzel, MD
- Telefonnummer: +90 312 305 12 50
- E-mail: yavuzelsamet@gmail.com
-
Ledende efterforsker:
- Banu Kılıçaslan, MD
-
Underforsker:
- Okan Bilge Ozdemir, PhD
-
Underforsker:
- Yesim Er Oztas, MD, PhD
-
Underforsker:
- Esin Oz, Research Ass.
-
Underforsker:
- Basak Akca, MD
-
Underforsker:
- Murat Cagan, MD
-
Ledende efterforsker:
- Samet Yavuzel, MD
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- At være 18 år eller ældre
- At have et American Society of Anesthesiologists (ASA) fysisk status I, II eller III
- Svangerskabsalder på 37 uger eller mere
- Efter at have gennemgået spinal eller kombineret spinal-epidural anæstesi
Ekskluderingskriterier:
- Patientens manglende vilje til at deltage i undersøgelsen
- Flere graviditeter
- Akut kejsersnit
- Præeklampsi
- Præoperativt målt systolisk blodtryk lig med eller større end 140 mmHg (hypertensiv gravid kvinde)
- At have en kontraindikation for spinal anæstesi eller oplever spinal anæstesisvigt
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
---|---|
Kvinderne, der opfylder inklusionskriterierne, gennemgår kejsersnit
Kvinder, der opfylder inklusionskriterierne og har gennemgået spinalbedøvelse til kejsersnit mellem november 2023 og marts 2024
|
Efter standardovervågning placeres patienten i siddende stilling til markering af stedet og administration af anæstesi.
Linjen, der forbinder den øvre grænse af højre og venstre hoftebenskamme gennem konventionel palpation af anatomiske vartegn (Tuffier-linjen) identificeres som indgangspunktet ved L3-L4 interspinous space eller L2-L3 interspace.
Til patienter, hvor rygmarvsindtrængning er vellykket, gives spinalbedøvelse med den passende dosis og typer af lokalbedøvelsesmidler (intratekal 10-12 mg bupivacain med tilsætning af 15-25 mcg fentanyl).
Efter afslutning af proceduren og anbringelse af patienten i liggende stilling, bestemmes blokniveauet 10 minutter efter proceduren ved hjælp af istesten/nåleprikkerstesten.
Blokke, der når T4-T6-niveauet, betragtes som vellykkede.
Præoperativt vil syndecan-1-serumniveauer blive undersøgt fra blodprøven taget før kejsersnit.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Det lave blodtryk målt ved ikke-invasive metoder
Tidsramme: De første 15 minutter efter administration af spinal anæstesi
|
Gennemsnitligt arterielt tryk falder til under 65 mmHg • Systolisk blodtryk falder til under 80 mmHg • Systolisk blodtryk falder til under 75 % af baseline • Indtræden af hypotensionssymptomer såsom svimmelhed, øget spytudskillelse, åndenød, kvalme og opkastning.
|
De første 15 minutter efter administration af spinal anæstesi
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Doserne af vasopressorer, der anvendes til behandling af hypotension
Tidsramme: De første 15 minutter efter administration af spinal anæstesi.
|
Doserne af vasopressorer, der anvendes til behandling af hypotension
|
De første 15 minutter efter administration af spinal anæstesi.
|
Samarbejdspartnere og efterforskere
Sponsor
Samarbejdspartnere
Efterforskere
- Studieleder: Banu Kilicaslan, Professor, MD, HACETTEPE UNIVERSİTY
Publikationer og nyttige links
Generelle publikationer
- Traynor AJ, Aragon M, Ghosh D, Choi RS, Dingmann C, Vu Tran Z, Bucklin BA. Obstetric Anesthesia Workforce Survey: A 30-Year Update. Anesth Analg. 2016 Jun;122(6):1939-46. doi: 10.1213/ANE.0000000000001204.
- Fitzgerald JP, Fedoruk KA, Jadin SM, Carvalho B, Halpern SH. Prevention of hypotension after spinal anaesthesia for caesarean section: a systematic review and network meta-analysis of randomised controlled trials. Anaesthesia. 2020 Jan;75(1):109-121. doi: 10.1111/anae.14841. Epub 2019 Sep 18.
- Klohr S, Roth R, Hofmann T, Rossaint R, Heesen M. Definitions of hypotension after spinal anaesthesia for caesarean section: literature search and application to parturients. Acta Anaesthesiol Scand. 2010 Sep;54(8):909-21. doi: 10.1111/j.1399-6576.2010.02239.x. Epub 2010 Apr 23.
- Hatib F, Jian Z, Buddi S, Lee C, Settels J, Sibert K, Rinehart J, Cannesson M. Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis. Anesthesiology. 2018 Oct;129(4):663-674. doi: 10.1097/ALN.0000000000002300.
- Wijnberge M, Geerts BF, Hol L, Lemmers N, Mulder MP, Berge P, Schenk J, Terwindt LE, Hollmann MW, Vlaar AP, Veelo DP. Effect of a Machine Learning-Derived Early Warning System for Intraoperative Hypotension vs Standard Care on Depth and Duration of Intraoperative Hypotension During Elective Noncardiac Surgery: The HYPE Randomized Clinical Trial. JAMA. 2020 Mar 17;323(11):1052-1060. doi: 10.1001/jama.2020.0592.
- Betran AP, Ye J, Moller AB, Souza JP, Zhang J. Trends and projections of caesarean section rates: global and regional estimates. BMJ Glob Health. 2021 Jun;6(6):e005671. doi: 10.1136/bmjgh-2021-005671.
- Shitemaw T, Jemal B, Mamo T, Akalu L. Incidence and associated factors for hypotension after spinal anesthesia during cesarean section at Gandhi Memorial Hospital Addis Ababa, Ethiopia. PLoS One. 2020 Aug 13;15(8):e0236755. doi: 10.1371/journal.pone.0236755. eCollection 2020.
- Luo W, Phung D, Tran T, Gupta S, Rana S, Karmakar C, Shilton A, Yearwood J, Dimitrova N, Ho TB, Venkatesh S, Berk M. Guidelines for Developing and Reporting Machine Learning Predictive Models in Biomedical Research: A Multidisciplinary View. J Med Internet Res. 2016 Dec 16;18(12):e323. doi: 10.2196/jmir.5870.
- 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.
- van der Ven WH, Veelo DP, Wijnberge M, van der Ster BJP, Vlaar APJ, Geerts BF. One of the first validations of an artificial intelligence algorithm for clinical use: The impact on intraoperative hypotension prediction and clinical decision-making. Surgery. 2021 Jun;169(6):1300-1303. doi: 10.1016/j.surg.2020.09.041. Epub 2020 Dec 11.
- who. Available from: https://www.who.int/news/item/16-06-2021-caesarean-section-rates-continue-to-rise-amid-growing-inequalities-in-access#:~:text=According%20to%20new%20research%20from,21%25)%20of%20all%20childbirths.
- Bedson, R. and A. Riccoboni, Physiology of pregnancy: clinical anaesthetic implications. Continuing Education in Anaesthesia Critical Care & Pain, 2013. 14(2): p. 69-72.
- Yu C, Gu J, Liao Z, Feng S. Prediction of spinal anesthesia-induced hypotension during elective cesarean section: a systematic review of prospective observational studies. Int J Obstet Anesth. 2021 Aug;47:103175. doi: 10.1016/j.ijoa.2021.103175. Epub 2021 May 1.
- Massoth C, Topel L, Wenk M. Hypotension after spinal anesthesia for cesarean section: how to approach the iatrogenic sympathectomy. Curr Opin Anaesthesiol. 2020 Jun;33(3):291-298. doi: 10.1097/ACO.0000000000000848.
- Hashimoto DA, Witkowski E, Gao L, Meireles O, Rosman G. Artificial Intelligence in Anesthesiology: Current Techniques, Clinical Applications, and Limitations. Anesthesiology. 2020 Feb;132(2):379-394. doi: 10.1097/ALN.0000000000002960.
- Kang AR, Lee J, Jung W, Lee M, Park SY, Woo J, Kim SH. Development of a prediction model for hypotension after induction of anesthesia using machine learning. PLoS One. 2020 Apr 16;15(4):e0231172. doi: 10.1371/journal.pone.0231172. eCollection 2020.
- Choe S, Park E, Shin W, Koo B, Shin D, Jung C, Lee H, Kim J. Short-Term Event Prediction in the Operating Room (STEP-OP) of Five-Minute Intraoperative Hypotension Using Hybrid Deep Learning: Retrospective Observational Study and Model Development. JMIR Med Inform. 2021 Sep 30;9(9):e31311. doi: 10.2196/31311.
- Hahn RG, Patel V, Dull RO. Human glycocalyx shedding: Systematic review and critical appraisal. Acta Anaesthesiol Scand. 2021 May;65(5):590-606. doi: 10.1111/aas.13797. Epub 2021 Mar 7.
- George K, Poudel P, Chalasani R, Goonathilake MR, Waqar S, George S, Jean-Baptiste W, Yusuf Ali A, Inyang B, Koshy FS, Mohammed L. A Systematic Review of Maternal Serum Syndecan-1 and Preeclampsia. Cureus. 2022 Jun 9;14(6):e25794. doi: 10.7759/cureus.25794. eCollection 2022 Jun.
- Powell MF, Mathru M, Brandon A, Patel R, Frolich MA. Assessment of endothelial glycocalyx disruption in term parturients receiving a fluid bolus before spinal anesthesia: a prospective observational study. Int J Obstet Anesth. 2014 Nov;23(4):330-4. doi: 10.1016/j.ijoa.2014.06.001. Epub 2014 Jun 7. Erratum In: Int J Obstet Anesth. 2016 Dec;28:100. Powell, M [corrected to Powell, M F]; Frolich, M [corrected to Frolich, M A].
- Gratz I, Baruch M, Takla M, Seaman J, Allen I, McEniry B, Deal E. The application of a neural network to predict hypotension and vasopressor requirements non-invasively in obstetric patients having spinal anesthesia for elective cesarean section (C/S). BMC Anesthesiol. 2020 May 1;20(1):98. doi: 10.1186/s12871-020-01015-9.
- Lin CS, Chiu JS, Hsieh MH, Mok MS, Li YC, Chiu HW. Predicting hypotensive episodes during spinal anesthesia with the application of artificial neural networks. Comput Methods Programs Biomed. 2008 Nov;92(2):193-7. doi: 10.1016/j.cmpb.2008.06.013.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- GO 22/1285
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
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 Spinal anæstesi-induceret hypotension
-
Assiut UniversityAfsluttet
-
Ain Shams UniversityAfsluttet
-
Suez Canal UniversityAfsluttetSpinal-induceret hypotensionEgypten
-
Cairo UniversityAfsluttetPost-spinal hypotensionEgypten
-
Duke UniversityAfsluttet
-
Selcuk UniversityIkke rekrutterer endnu
-
Tribhuvan University Teaching Hospital, Institute...AfsluttetSpinal induceret hypotensionNepal
-
Sohag UniversityIkke rekrutterer endnu
-
Cairo UniversityAfsluttetSpinal anæstesi-induceret hypotensionEgypten
-
Zagazig UniversityRekrutteringPost spinal hypotensionEgypten
Kliniske forsøg med Spinal anæstesi
-
Karadeniz Technical UniversityThe Scientific and Technological Research Council of TurkeyAfsluttet
-
University Health Network, TorontoAktiv, ikke rekrutterendeSpinal stenose | SpondylolisteseCanada
-
University of ManitobaRekrutteringRygmarvsskader | Rygmarvsskade på C5-C7 niveau | Paraplegi, Spinal | Paraplegi, ufuldstændigCanada
-
Ignacio Alejandro Astudillo GanoraAfsluttetRygsmerte | Lumbal smertesyndrom | Rygsmerter, lavSpanien
-
University of FloridaAfsluttet
-
Balgrist University HospitalUniversité du Québec à Trois-RivièresRekruttering
-
Olympus Biotech CorporationAfsluttetDegenerativ lumbal spondylolisteseForenede Stater, Canada
-
Université du Québec à Trois-RivièresFoundation for Chiropractic Education and Research (FCER)Afsluttet
-
Loma Linda UniversityAfsluttetNakke smerterForenede Stater
-
Istanbul Medipol University HospitalAfsluttetSkoliose | Skoliose; Ungdom | Trykområde | OrtheseKalkun