Deep-Learning-Modelle zur Vorhersage der intraoperativen Hypotonie unter Verwendung nicht-invasiver Parameter
Vorhersage der intraoperativen Hypotonie mit nicht-invasiven Überwachungsgeräten: Entwicklung eines Deep-Learning-Modells
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Tatsächlich)
Einschreibung
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Heejoon Jeong, MD
- Telefonnummer: 821087282414
- E-Mail: heejoonjeong@skku.edu
Studienorte
-
-
-
Seoul, Korea, Republik von, 06351
- Samsung Medical Center
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Die Patienten, die in der offenen Datenbank VtialDB enthalten sind.
- Die Patienten, die sich einer Inhalationsallgemeinanästhesie für eine nicht-kardiale Operation unterzogen haben.
- Die Patienten, die über nicht-invasive Überwachungsdaten verfügen, einschließlich Blutdruck, Elektrokardiographie, Pulsoximetrie, Bispektralindex, Kapnographie und minimale alveoläre Konzentration des Inhalationsmittels.
Ausschlusskriterien:
- Der Patient mit fehlenden Daten.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
|---|
|
Gruppe
In der Open-Source-Datenbank (VitalDB, https://vitaldb.net) die Patienten, die sich einer Vollnarkose mit nicht-invasiver Überwachung unterzogen haben, einschließlich Blutdruck, Elektrokardiographie, Pulsoximetrie, Bispektralindex, Kapnographie und minimaler alveolärer Konzentration des Inhalationsmittels.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vorhersagefähigkeit des Deep-Learning-Modells bei intraoperativen Hypotonieereignissen
Zeitfenster: bis Studienabschluss, durchschnittlich 3 Stunden
|
Fläche unter der Kurve: Receiver Operating Characteristic (AUROC)-Kurve für das Deep-Learning-Modell zur Vorhersage intraoperativer Hypotonie.
|
bis Studienabschluss, durchschnittlich 3 Stunden
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Ermittler
Ermittler
- Hauptermittler: Hyun Joo Ahn, MD, PhD, Samsung Medical Center
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- 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.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Tatsächlich)
Primärer Abschluss
Studienabschluss (Tatsächlich)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- SMC 2022-09-096
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Produkt, das in den USA hergestellt und aus den USA exportiert wird
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .