Vergleich traditioneller Risikoscores und eines KI-basierten multimodalen Modells zur Vorhersage kardiovaskulärer Ereignisse nach gastrointestinalen Eingriffen (GI-MACE-AI)
Wert einiger Risikoscores bei der Vorhersage kardiovaskulärer Ereignisse nach gastrointestinalen Operationen
Das Ziel dieser Beobachtungsstudie ist es, ein auf künstlicher Intelligenz (KI) basierendes multimodales Modell zur Vorhersage von schwerwiegenden kardiovaskulären Ereignissen innerhalb von 30 Tagen nach gastrointestinalen Operationen bei Erwachsenen im Bach Mai Hospital zu entwickeln und zu bewerten. Die Studie wird auch die Vorhersageleistung dieses KI-basierten Modells mit häufig verwendeten traditionellen Risikoscores vergleichen.
Die Hauptfragen, die beantwortet werden sollen, sind:
Kann ein KI-basiertes multimodales Modell schwere kardiovaskuläre Ereignisse innerhalb von 30 Tagen nach gastrointestinalen Operationen vorhersagen? Zeigt das KI-basierte Modell eine bessere Vorhersageleistung als der Revised Cardiac Risk Index (RCRI), der American College of Surgeons National Surgical Quality Improvement Program Myocardial Infarction or Cardiac Arrest calculator (ACS NSQIP MICA) und der ACS NSQIP Surgical Risk Calculator (ACS NSQIP SRC)? Die Forscher werden das KI-basierte multimodale Modell mit traditionellen Risikoscores anhand von Maßen der Vorhersageleistung vergleichen, einschließlich Diskriminierung, Kalibrierung, Net Reclassification Improvement und Integrated Discrimination Improvement.
Die Teilnehmer werden Erwachsene sein, die sich einer gastrointestinalen Operation unterziehen. Die Forscher werden Krankenakten von Patienten aus dem Jahr 2025 überprüfen und im Jahr 2026 auch prospektiv dieselben Arten klinischer Daten sammeln. Das vorhergesagte klinische Ergebnis ist das Auftreten schwerer kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach der Operation. Die Studie wird die routinemäßige klinische Versorgung nicht verändern.
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Detaillierte Beschreibung
Schwere kardiovaskuläre Ereignisse nach gastrointestinalen Operationen bleiben eine wichtige Ursache für frühe postoperative Komplikationen und schlechte Behandlungsergebnisse. Traditionelle perioperative kardiale Risikoscores, einschließlich des Revised Cardiac Risk Index (RCRI), des American College of Surgeons National Surgical Quality Improvement Program Myocardial Infarction or Cardiac Arrest calculator (ACS NSQIP MICA) und des ACS NSQIP Surgical Risk Calculator (ACS NSQIP SRC), werden in der klinischen Praxis weit verbreitet eingesetzt. Ihre Leistungsfähigkeit kann jedoch in spezifischen chirurgischen Populationen begrenzt sein und möglicherweise nicht vollständig die komplexen Wechselwirkungen zwischen klinischen, laborchemischen, physiologischen und prozeduralen Variablen erfassen.
Diese Beobachtungsstudie zielt darauf ab, ein auf künstlicher Intelligenz (KI) basierendes multimodales Modell zur Vorhersage schwerer kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach gastrointestinaler Operation zu entwickeln und zu evaluieren und dessen prädiktive Leistung mit traditionellen Risikoscores zu vergleichen. Die Studie wird am Bach Mai Hospital durchgeführt und erwachsene Patienten einschließen, die sich einer gastrointestinalen Operation unterziehen. Die Studie verwendet ein gemischtes retrospektiv-prospektives Design mit retrospektiver Datenerhebung von Patienten, die 2025 behandelt wurden, und prospektiver Datenerhebung im Jahr 2026.
Das zu prädizierende klinische Zielereignis ist das Auftreten schwerer kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach der Operation. Zu diesen Ereignissen zählen kardiovaskulärer Tod, nicht-tödlicher Myokardinfarkt, Herzstillstand mit Rückkehr des Spontankreislaufs, neuer Schlaganfall und klinisch signifikante Arrhythmien, die eine Behandlung erfordern. Für die Modellentwicklung und den Vergleich verwendete Daten können demografische Merkmale, Krankengeschichte, kardiovaskuläre Komorbiditäten, chirurgische Merkmale, anästhesiologische Informationen, präoperative Laborergebnisse, elektrokardiographische Befunde, Biomarker (sofern verfügbar) sowie funktionelle oder Risikobewertungsvariablen umfassen.
Das primäre Ergebnis der Studie ist die Diskriminationsleistung des KI-basierten multimodalen Modells im Vergleich zu traditionellen Risikoscores, gemessen an der Fläche unter der Receiver-Operating-Characteristic-Kurve zur Vorhersage von 30-Tage-schweren kardiovaskulären Ereignissen nach gastrointestinaler Operation. Sekundäre Ergebnisse umfassen die Kalibrationsleistung, die Netto-Reklassifikationsverbesserung und die integrierte Diskriminationsverbesserung des KI-basierten multimodalen Modells im Vergleich zu traditionellen Risikoscores, einschließlich RCRI, ACS NSQIP MICA und ACS NSQIP SRC.
Die Studie ist beobachtend und wird das routinemäßige perioperative Management nicht verändern. Daten werden aus bestehenden Patientenakten und prospektiver klinischer Erhebung gewonnen, zur Wahrung der Vertraulichkeit kodiert und analysiert, um die Risikostratifizierung und den Modellvergleich bei Patienten, die sich einer gastrointestinalen Operation unterziehen, zu unterstützen.
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Kontakte und Standorte
Studienorte
-
-
-
Hà Nội, Vietnam
- Rekrutierung
- Bach Mai hospital
-
Kontakt:
- Nguyen Toan Thang, Thang
- Telefonnummer: PhD, MD
- E-Mail: nguyentoanthang@hmu.edu.vn
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Die Studie schließt Patienten ein, die retrospektiv ab 2025 und prospektiv ab 2026 identifiziert wurden und über ausreichende perioperative klinische Daten für die Analyse schwerwiegender kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach der Operation verfügen.
Beschreibung
Einschlusskriterien:
- Erwachsene im Alter von 18 Jahren oder älter.
- Durchführung einer gastrointestinalen Chirurgie am Bach Mai Hospital zwischen Januar 2025 und Dezember 2026.
- Verfügbarkeit präoperativer, intraoperativer und postoperativer Daten, die für die Analyse ausreichend sind.
Ausschlusskriterien:
- Tod innerhalb von 24 Stunden nach der Operation aufgrund einer eindeutig nicht-kardiovaskulären Ursache.
- Unvollständige für die Analyse erforderliche Daten.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
|---|
|
Gesamte Studienkohorte
Erwachsene, die sich einer Magen-Darm-Operation im Bach Mai Hospital unterziehen und in diese Beobachtungsstudie eingeschlossen werden, sowie für schwere kardiovaskuläre Ereignisse innerhalb von 30 Tagen nach der Operation nachverfolgt werden.
Die Studie umfasst retrospektive Daten aus dem Jahr 2025 und prospektive Daten aus dem Jahr 2026.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Fläche unter der Receiver-Operating-Characteristic-Kurve des KI-basierten multimodalen Modells zur Vorhersage schwerwiegender kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach gastrointestinaler Chirurgie
Zeitfenster: Von der präoperativen Phase bis zu 30 Tagen nach der Operation.
|
Diskriminierungsleistung des KI-basierten multimodalen Modells zur Vorhersage schwerer kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach gastrointestinalen Operationen.
|
Von der präoperativen Phase bis zu 30 Tagen nach der Operation.
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Brier-Score des KI-basierten multimodalen Modells zur Vorhersage von schwerwiegenden kardiovaskulären Ereignissen innerhalb von 30 Tagen nach gastrointestinaler Chirurgie
Zeitfenster: Von der präoperativen Phase bis zu 30 Tagen nach der Operation
|
Die Gesamtvorhersagegenauigkeit des KI-basierten multimodalen Modells, bewertet durch den Brier-Score.
Niedrigere Werte zeigen eine bessere Modellleistung an.
|
Von der präoperativen Phase bis zu 30 Tagen nach der Operation
|
|
Net Reclassification Improvement des KI-basierten multimodalen Modells im Vergleich zu traditionellen Risikoscores zur Vorhersage von schwerwiegenden kardiovaskulären Ereignissen innerhalb von 30 Tagen nach gastrointestinaler Chirurgie
Zeitfenster: Unter Verwendung perioperativer Daten, die von der präoperativen Phase bis zu 30 Tagen nach der Operation erhoben wurden
|
Netto-Reklassifizierungsverbesserung des KI-basierten multimodalen Modells im Vergleich zu traditionellen Risikoscores für die Vorhersage schwerwiegender kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach gastrointestinaler Chirurgie.
|
Unter Verwendung perioperativer Daten, die von der präoperativen Phase bis zu 30 Tagen nach der Operation erhoben wurden
|
|
Integrierte Diskriminierungsverbesserung des KI-basierten multimodalen Modells im Vergleich zu traditionellen Risikoscores für die Vorhersage von schwerwiegenden kardiovaskulären Ereignissen innerhalb von 30 Tagen nach gastrointestinaler Chirurgie
Zeitfenster: Verwendung perioperativer Daten, die vom präoperativen Zeitraum bis 30 Tage nach der Operation gesammelt wurden
|
Integrierte Diskriminierungsverbesserung des KI-basierten multimodalen Modells im Vergleich zu traditionellen Risikoscores für die Vorhersage schwerwiegender kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach einer gastrointestinalen Operation.
|
Verwendung perioperativer Daten, die vom präoperativen Zeitraum bis 30 Tage nach der Operation gesammelt wurden
|
|
Fläche unter der Receiver-Operating-Characteristic-Kurve des Revised Cardiac Risk Index zur Vorhersage schwerer kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach gastrointestinaler Chirurgie
Zeitfenster: Von der präoperativen Phase bis zu 30 Tagen nach der Operation
|
Diskriminierungsleistung des Revidierten Kardialen Risikoindex.
|
Von der präoperativen Phase bis zu 30 Tagen nach der Operation
|
|
Fläche unter der Receiver-Operating-Characteristic-Kurve des ACS NSQIP Surgical Risk Calculators zur Vorhersage von schwerwiegenden kardiovaskulären Ereignissen innerhalb von 30 Tagen nach gastrointestinaler Chirurgie
Zeitfenster: Von der präoperativen Phase bis 30 Tage nach der Operation
|
Diskriminationsleistung des ACS NSQIP Surgical Risk Calculator.
|
Von der präoperativen Phase bis 30 Tage nach der Operation
|
|
Kalibrierungssteigung des KI-basierten multimodalen Modells zur Vorhersage schwerwiegender kardiovaskulärer Ereignisse innerhalb von 30 Tagen nach gastrointestinaler Chirurgie
Zeitfenster: Von der präoperativen Phase bis zu 30 Tagen nach der Operation
|
Übereinstimmung zwischen vorhergesagtem und beobachtetem Risiko, bewertet durch die Kalibrierungssteigung.
Ein Wert näher an 1 zeigt eine bessere Kalibrierung an.
|
Von der präoperativen Phase bis zu 30 Tagen nach der Operation
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Writing Committee for the VISION Study Investigators; Devereaux PJ, Biccard BM, Sigamani A, Xavier D, Chan MTV, Srinathan SK, Walsh M, Abraham V, Pearse R, Wang CY, Sessler DI, Kurz A, Szczeklik W, Berwanger O, Villar JC, Malaga G, Garg AX, Chow CK, Ackland G, Patel A, Borges FK, Belley-Cote EP, Duceppe E, Spence J, Tandon V, Williams C, Sapsford RJ, Polanczyk CA, Tiboni M, Alonso-Coello P, Faruqui A, Heels-Ansdell D, Lamy A, Whitlock R, LeManach Y, Roshanov PS, McGillion M, Kavsak P, McQueen MJ, Thabane L, Rodseth RN, Buse GAL, Bhandari M, Garutti I, Jacka MJ, Schunemann HJ, Cortes OL, Coriat P, Dvirnik N, Botto F, Pettit S, Jaffe AS, Guyatt GH. Association of Postoperative High-Sensitivity Troponin Levels With Myocardial Injury and 30-Day Mortality Among Patients Undergoing Noncardiac Surgery. JAMA. 2017 Apr 25;317(16):1642-1651. doi: 10.1001/jama.2017.4360.
- Gautam N, Mueller J, Alqaisi O, Gandhi T, Malkawi A, Tarun T, Alturkmani HJ, Zulqarnain MA, Pontone G, Al'Aref SJ. Machine Learning in Cardiovascular Risk Prediction and Precision Preventive Approaches. Curr Atheroscler Rep. 2023 Dec;25(12):1069-1081. doi: 10.1007/s11883-023-01174-3. Epub 2023 Nov 27.
- Liu T, Krentz A, Lu L, Curcin V. Machine learning based prediction models for cardiovascular disease risk using electronic health records data: systematic review and meta-analysis. Eur Heart J Digit Health. 2024 Oct 27;6(1):7-22. doi: 10.1093/ehjdh/ztae080. eCollection 2025 Jan.
- Cheng CH, Lee BJ, Nfor ON, Hsiao CH, Huang YC, Liaw YP. Using machine learning-based algorithms to construct cardiovascular risk prediction models for Taiwanese adults based on traditional and novel risk factors. BMC Med Inform Decis Mak. 2024 Jul 22;24(1):199. doi: 10.1186/s12911-024-02603-2.
- Li C, Liu X, Shen P, Sun Y, Zhou T, Chen W, Chen Q, Lin H, Tang X, Gao P. Improving cardiovascular risk prediction through machine learning modelling of irregularly repeated electronic health records. Eur Heart J Digit Health. 2023 Oct 17;5(1):30-40. doi: 10.1093/ehjdh/ztad058. eCollection 2024 Jan.
- Kothari P, Vanneman MW, Choi C, Diehl R, Fielding-Singh V. Highlights from the American College of Cardiology and American Heart Association 2024 Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery. J Cardiothorac Vasc Anesth. 2025 Sep;39(9):2408-2420. doi: 10.1053/j.jvca.2025.05.014. Epub 2025 May 14.
- Vascular Events In Noncardiac Surgery Patients Cohort Evaluation (VISION) Study Investigators; Devereaux PJ, Chan MT, Alonso-Coello P, Walsh M, Berwanger O, Villar JC, Wang CY, Garutti RI, Jacka MJ, Sigamani A, Srinathan S, Biccard BM, Chow CK, Abraham V, Tiboni M, Pettit S, Szczeklik W, Lurati Buse G, Botto F, Guyatt G, Heels-Ansdell D, Sessler DI, Thorlund K, Garg AX, Mrkobrada M, Thomas S, Rodseth RN, Pearse RM, Thabane L, McQueen MJ, VanHelder T, Bhandari M, Bosch J, Kurz A, Polanczyk C, Malaga G, Nagele P, Le Manach Y, Leuwer M, Yusuf S. Association between postoperative troponin levels and 30-day mortality among patients undergoing noncardiac surgery. JAMA. 2012 Jun 6;307(21):2295-304. doi: 10.1001/jama.2012.5502.
- Writing Committee Members; Thompson A, Fleischmann KE, Smilowitz NR, de Las Fuentes L, Mukherjee D, Aggarwal NR, Ahmad FS, Allen RB, Altin SE, Auerbach A, Berger JS, Chow B, Dakik HA, Eisenstein EL, Gerhard-Herman M, Ghadimi K, Kachulis B, Leclerc J, Lee CS, Macaulay TE, Mates G, Merli GJ, Parwani P, Poole JE, Rich MW, Ruetzler K, Stain SC, Sweitzer B, Talbot AW, Vallabhajosyula S, Whittle J, Williams KA Sr. 2024 AHA/ACC/ACS/ASNC/HRS/SCA/SCCT/SCMR/SVM Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2024 Nov 5;84(19):1869-1969. doi: 10.1016/j.jacc.2024.06.013. Epub 2024 Sep 24.
- Bilimoria KY, Liu Y, Paruch JL, Zhou L, Kmiecik TE, Ko CY, Cohen ME. Development and evaluation of the universal ACS NSQIP surgical risk calculator: a decision aid and informed consent tool for patients and surgeons. J Am Coll Surg. 2013 Nov;217(5):833-42.e1-3. doi: 10.1016/j.jamcollsurg.2013.07.385. Epub 2013 Sep 18.
- Gupta PK, Gupta H, Sundaram A, Kaushik M, Fang X, Miller WJ, Esterbrooks DJ, Hunter CB, Pipinos II, Johanning JM, Lynch TG, Forse RA, Mohiuddin SM, Mooss AN. Development and validation of a risk calculator for prediction of cardiac risk after surgery. Circulation. 2011 Jul 26;124(4):381-7. doi: 10.1161/CIRCULATIONAHA.110.015701. Epub 2011 Jul 5.
- Lee TH, Marcantonio ER, Mangione CM, Thomas EJ, Polanczyk CA, Cook EF, Sugarbaker DJ, Donaldson MC, Poss R, Ho KK, Ludwig LE, Pedan A, Goldman L. Derivation and prospective validation of a simple index for prediction of cardiac risk of major noncardiac surgery. Circulation. 1999 Sep 7;100(10):1043-9. doi: 10.1161/01.cir.100.10.1043.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Geschätzt)
Primärer Abschluss
Studienabschluss (Geschätzt)
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
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- BM_2025_238
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
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 .