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

Præoperative karakteristika til forudsigelse af supraglottisk luftvejssvigt ved hjælp af maskinlæring (ERICA) (ERICA)

8. maj 2026 opdateret af: Flora Scheffenbichler, University Hospital Ulm

Kan præoperative karakteristika forudsige svigt af Supraglottisk luftvej til trachealrør? A Machine Learning Algorithm (ERICA)

Supraglottiske luftvejsanordninger (SGA) er en sikker og veletableret teknik til luftvejsstyring. I dag bruger op til 60 % af de generelle anæstetika, der udføres i europæiske lande, SGA. I 0,2-4,7 % SGA fejler og kræver konvertering til trakealrør.

ERICA-studiet vil bruge kunstig intelligens metoder til at udvikle en model, der kan forudsige risikoen for en uplanlagt SGA-konvertering baseret på præoperative karakteristika, der er tilgængelige under præmedicineringsbesøget.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

En intraoperativ procedureændring fører ikke kun til tidsforsinkelser, men også tidsforsinkelser, men involverer også tiltag, der belaster patienten, såsom uddybning af bedøvelsen og manipulation af luftvejene igen.

Derfor er formålet med ERICA at udvikle en maskinlæringsalgoritme baseret på præoperativ information 1) som nøjagtigt kan forudsige risikoen for en uplanlagt SGA-konvertering og 2) identificerer karakteristika, der fører til konvertering fra SGA til trakealrør.

I. Udvikling af modellen

• Det endelige datasæt vil blive opdelt i en trænings-, test- og valideringskohorte. Fem modeller vil blive skabt til at forudsige intraoperativ konvertering fra SGA til trachealrør, herunder generaliserede lineære modeller (GLM), deep learning, distribueret tilfældig skov (DRF), xgboost og gradient boosting machine (GBM). Derefter vil en stablet ensemblemodel blive konstrueret gennem kombination af de fem modeller. Til sidst vil den bedste kunstige intelligens-model blive valgt.

II. Identificer karakteristika, der fører til luftvejskonvertering og kategorisering.

  • Intraoperative ændringer af patientens position kan ændre risikoen for konvertering, derfor bør operationer med positionsændringer overvejes
  • Identificer patient- og procedureafhængige karakteristika, der fører til konvertering fra SGA til trakealtube, og deres betydning.

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

44000

Kontakter og lokationer

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

Studiesteder

  • Tyskland
    • Baden-Wurttemberg
      • Ulm, Baden-Wurttemberg, Tyskland, 89073
        • University Hospital Ulm
    • Bavaria
      • Munich, Bavaria, Tyskland, 81675
        • Technical University Munich

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

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Voksne patienter (≥18 år), der får ikke-hjertekirurgi ved hjælp af en supraglottisk luftvejsanordning

Beskrivelse

Inklusionskriterier:

  • Voksne patienter (≥18 år), der får generel anæstesi til ikke-hjertekirurgi med et supraglottisk luftvejsapparat

Ekskluderingskriterier:

  • Ingen

Studieplan

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

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Tidsramme
Risiko for uplanlagt SGA-konvertering
Tidsramme: intraoperativt
intraoperativt

Samarbejdspartnere og efterforskere

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

Sponsor

University Hospital Ulm

Samarbejdspartnere

Technical University of Munich

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. december 2022

Primær færdiggørelse (Faktiske)

30. november 2024

Studieafslutning (Faktiske)

31. december 2024

Datoer for studieregistrering

Først indsendt

25. september 2024

Først indsendt, der opfyldte QC-kriterier

25. september 2024

Først opslået (Faktiske)

27. september 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

13. maj 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

8. maj 2026

Sidst verificeret

1. september 2024

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • ERICA

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 Postoperative komplikationer

Kliniske forsøg med ikke

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Hungary

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner