Machine Learning Aborthåndtering Undersøgelse af klinisk beslutningsstøtteværktøj (MLMM)
Maskinlæring bruges til at udvikle en algoritme til at bestemme chancen for succes med forventningsfuld eller medicinsk behandling for en individuel patient. Under hensyntagen til følgende objektive foranstaltninger:
- Demografi: Moderens alder, paritet
- Historie: Tidligere CS, Tidligere SMM/MVA, Tidligere myomektomi
- Drægtighed ved LMP
- Udvisende symptomer: Blødningsscore, Smertescore
- USS-mål: CRL, GS, RPOC 3 dimensioner, Vascularity
- Uoverensstemmelse mellem drægtighed ved CRL og LMP
Audit for at samle 1000 sager og identificere funktioner, der bidrager til en algoritme, der kan forudsige resultatet af aborthåndtering til individualiseret sagsbehandling.
Studieoversigt
Status
Betingelser
Detaljeret beskrivelse
- Kunstig intelligens opdagelsesvidenskab: Algoritmeudvikling baseret på en retrospektiv revision af cirka 1000 tilfælde af abort
- For at bestemme pålideligheden af værktøjet med testdatasæt
- At øge følsomheden og specificiteten af beslutningshjælpen ved at udvide dataindsamlingen til flere steder og teste algoritmen med potentielle data
Undersøgelsen vil blive udført på Queen Charlotte's og Chelsea Hospital på Imperial College Healthcare NHS Trusts (undersøgelsens primære center).
Dette er et multicenter retrospektivt kohorteobservationsstudie.
Undersøgelsen vil blive udført over mindst tre år for at give tilstrækkelig tid til at gennemgå de retrospektive data og samle testdatasæt.
Retrospektive annonymiserede tilfælde af ubesvaret abort og ufuldstændig abort administreret på Imperial College Healthcare NHS Trust vil blive analyseret:
For hvert tilfælde vil følgende kliniske egenskaber blive samlet og resultater:
- Demografi: Moderens alder, paritet
- Historie: Tidligere CS, Tidligere SMM/MVA, Tidligere myomektomi
- Drægtighed ved LMP
- Udvisende symptomer: Blødningsscore, Smertescore
- USS-mål: CRL, GS, RPOC 3 dimensioner, Vascularity
- Uoverensstemmelse mellem drægtighed ved CRL og LMP
Alle data vil blive indsamlet med tilbagevirkende kraft og anonymiseret.
Efter dataindsamling vil maskinlæringsmodeller og funktionsreduktionsmetoder blive anvendt til at bestemme den bedst ydende model til at forudsige succes eller fiasko af henholdsvis forventet eller medicinsk behandling af abort.
Den næste fase vil omfatte en prospektiv audit for at indsamle data og teste den forudsigelige kraft af MLM-værktøjet til klinisk beslutningsstøtte.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiesteder
-
-
-
London, Det Forenede Kongerige, W12 0HS
- Rekruttering
- Imperial College Heatlhcare NHS Trust
-
Kontakt:
- Sughashini Murugesu
- Telefonnummer: 07988390772
- E-mail: sughashini.murugesu@nhs.net
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Glemt abort og ufuldstændig abort mindre end 14 ugers svangerskab
- Opfølgning registreret efter 2 uger
Ekskluderingskriterier:
- Endelige resultatdata er ikke tilgængelige
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Forventningsfuld behandling af abort
Kohorte, der valgte at forfølge forventningsfuld håndtering af abort, endeligt resultat succes eller fiasko på dag 14 fra ledelsens valg
|
Forventningsfuld behandling: Konservativ behandling hvis abort med opfølgning booket om 2 uger for at afgøre, om der er sket fuldstændig abort.
|
|
Medicinsk behandling af abort
Kohorte, der valgte at forfølge medicinsk behandling af abort, endeligt resultat succes eller fiasko på dag 14 fra ledelsens valg
|
Medicinsk behandling: Misoprostol taget for at håndtere abort i første trimester, med opfølgning booket om 2 uger for at afgøre, om der er sket fuldstændig abort.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Udvikling af prædiktiv model for maskinlæring for resultater af aborthåndtering.
Tidsramme: Januar 2023 - juni 2024
|
Machine learning prædiktiv modeludvikling baseret på en retrospektiv revision af cirka 1000 tilfælde af abort.
|
Januar 2023 - juni 2024
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Prospektiv revision for at teste og validere prædiktiv model
Tidsramme: Juli 2024-juni 2025
|
At øge beslutningens følsomhed og specificitet ved at udvide dataindsamlingen til flere steder og teste maskinlæringsmodellen med potentielle data.
|
Juli 2024-juni 2025
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 23QC8155
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 Abort i første trimester
-
University Hospital, GrenobleSociété Française d'Anesthésie et de RéanimationAfslutteteFast Diagnosis Performance in Guiding First Aid Resuscitation and HemostasisFrankrig
-
Gliknik Inc.RekrutteringFirst in Man-undersøgelse for at evaluere indledende sikkerhedDet Forenede Kongerige