Biomarker-verstärktes, auf künstlicher Intelligenz basierendes pädiatrisches Sepsis-Screening-Tool
2. September 2025 aktualisiert von: Ioannis Koutroulis, Computer Technology Associates, Inc.
Biomarker-verstärktes, auf künstlicher Intelligenz basierendes pädiatrisches Sepsis-Screening-Tool für Früherkennung und personalisierte Therapeutika
Das übergeordnete Ziel dieser vorgeschlagenen Forschung ist die Ableitung eines biomarkergestützten, auf künstlicher Intelligenz (KI) basierenden pädiatrischen Sepsis-Screening-Tools (PSCT) (Software), das in Kombination mit dem elektronischen Patientenaktensystem (EHR) des Krankenhauses zur Überwachung verwendet werden kann und Bewertung der elektronischen Patientenakte (EHR) der Notaufnahme (ED) in Echtzeit im Hinblick auf die Verbesserung der frühen pädiatrischen Sepsiserkennung und die Einleitung einer rechtzeitigen, aggressiven personalisierten Sepsistherapie, von der bekannt ist, dass sie die Behandlungsergebnisse der Patienten verbessert.
Es wird die Hypothese aufgestellt, dass die Screening-Leistung (z. B. positiver prädiktiver Wert) des geplanten Screening-Tools durch die Einbeziehung von Testergebnissen eines Biomarker-Panels (PERSEVERE) signifikant verbessert wird, die sich als wirksam bei der Vorhersage einer klinischen Verschlechterung bei nicht kritisch kranke immungeschwächte pädiatrische Patienten, die auf eine Infektion untersucht wurden. Es wird auch die Hypothese aufgestellt, dass verbesserte Phänotypen durch Clustering von PERSEVERE-Biomarkern in Kombination mit routinemäßig gesammelten EHR-Daten für eine verbesserte personalisierte Medizin abgeleitet werden können.
Studienübersicht
Status
Noch keine Rekrutierung
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Hintergrund und Begründung Bestehende automatisierte pädiatrische Sepsis-Screening-Tools (PSCT), die auf Konsenskriterien basieren, die derzeit in Notaufnahmen verwendet werden, verbessern die Früherkennung nicht und/oder informieren keine personalisierten therapeutischen Entscheidungen, die zu besseren Ergebnissen führen. Die Initiative Improving Pediatric Sepsis Outcomes (IPSO) stellte fest, dass durch die Einbeziehung von Patienten, die eine Behandlung erhalten, die erweiterten Kriterien nicht nur Patienten erfassten, die eine Sepsis mit Organdysfunktion (OD) entwickelten, sondern auch diejenigen, bei denen eine frühe Sepsis behandelt und eine OD möglicherweise abgewendet wurde.
Das Ziel der vorgeschlagenen Bemühungen ist die Ableitung und retrospektive Validierung eines biomarkergestützten KI-basierten pädiatrischen Sepsis-Screening-Tools, das zum Screening von ED-EHR-Daten verwendet werden kann, um die Früherkennung, Schweregradstratifizierung und die rechtzeitige Einleitung einer personalisierten Sepsistherapie zu verbessern. CTA und seine 6 institutionellen Partner schlagen gemeinsam vor, zwei de-identifizierte Patientenregister einzurichten: 1) die „EHR-Daten-nur-Kohorte“ (N = 2000) und 2) die „EHR-+ Biomarker-Daten-Kohorte“ (N = 400) zur Unterstützung dieses Ziels.
Begegnungsdatenelemente, die aus EHRs zur Aufnahme in diese Register abstrahiert werden müssen, umfassen sowohl strukturierte (z. B. zeitgestempelte physiologische Messungen, Behandlungen, Verfahren, Ergebnisse) als auch Freitextnotizen.
Datenanalyse und Verzerrungen Alle Studiendaten, einschließlich physiologischer Daten, die aus Patienten-EHR extrahiert wurden, und Ergebnisse von Biomarker-Assays werden mithilfe einer Vielzahl von maschinellen Lernalgorithmen und -techniken analysiert, um ein hochpräzises Vorhersagemodell für das Sepsis-Screening zu erstellen. Analytische Methoden umfassen deskriptive statistische Standardanalysen der prädiktiven Klassifikationsleistung (z. B. AUC, Sensitivität/Spezifität, PPV usw.).
Studientyp
Beobachtungs
Einschreibung (Geschätzt)
12961
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Ioannis Koutroulis, MD
- Telefonnummer: 202-476-4177
- E-Mail: IKOUTROULI@childrensnational.org
Studieren Sie die Kontaktsicherung
- Name: Carmelo "Tom" E Velez, PhD
- Telefonnummer: 19495005883
- E-Mail: tom.velez@cta.com
Studienorte
-
-
District of Columbia
-
Washington D.C., District of Columbia, Vereinigte Staaten, 20010
- Children's National Hospital
-
Kontakt:
- Ioannis Koutroulis
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
3 Monate bis 17 Jahre (Kind, Erwachsene)
Akzeptiert gesunde Freiwillige
Nein
Probenahmeverfahren
Wahrscheinlichkeitsstichprobe
Studienpopulation
Diese pädiatrischen Patienten, die sich mit Fieber und/oder Bedenken hinsichtlich einer Infektion in der Notaufnahme vorstellen und auf der Grundlage des bestehenden institutionellen Screening-Protokolls positiv auf pädiatrische Sepsis untersucht werden.
Beschreibung
Einschlusskriterien:
Patienten im Alter von 3 Monaten bis einschließlich 17 Jahren
- Wird von einem Arzt eine Sepsis diagnostiziert oder wird ein Sepsis-Alarm ausgelöst und eine Blutkultur angeordnet. Kontrollen werden falsch positive Patienten sein.
- Für diejenigen Patienten, die prospektiv für die Blutprobenentnahme angemeldet werden: Benötigen eine Venenpunktion oder eine intravenöse Infusion.
Ausschlusskriterien:
- Patienten, die an einem Prüfprogramm mit Eingriffen außerhalb der klinischen Routinepraxis teilnehmen
- Patienten mit Eltern oder LARs, die kein Englisch oder Spanisch sprechen
- Schwangerschaft
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Fallkontrolle
- Zeitperspektiven: Sonstiges
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Retrospektive EHR-Data Nur Gruppe
Mitglieder dieser Gruppe sind pädiatrische Patienten zwischen 3 Monaten und 45 Jahren, die zwischen den Jahren 2016-2021 einer der sechs Notfallabteilung der teilnehmenden Institution vorgestellt wurden und positiv auf den Verdacht der Sepsis unter Verwendung des bestehenden pädiatrischen Sepsis-Screening-Protokolls der Institution untersucht und eine Blutkulturverordnung erhalten.
Aktuelle pädiatrische Screening-/Alarmier -Tools sind bekanntermaßen hochempfindlich, aber schlecht spezifisch.
"Fälle" in dieser Kohorte werden aus denen bestehen, bei denen letztendlich Sepsis diagnostiziert wird und/oder eine protokolisierte Sepsisbehandlung erhalten.
"Kontrollen" in dieser Kohorte werden solche mit einer falsch positiven Alarms sein, d. H. Die Sepsis erhalten keine sepsis -sepsis -Behandlung.
|
Alle teilnehmenden Institutionen verwenden entweder ein algorithmisches, manuelles oder kombiniertes algorithmisches/manuelles pädiatrisches Sepsis-Screening-Protokoll für Patienten, die Fieber haben und/oder Bedenken hinsichtlich einer Infektion haben.
Während die in Screening-Tools getesteten spezifischen Parameter unterschiedlich sind, bestehen sie im Allgemeinen aus Tests für eine systemische Entzündungsreaktion (z.
SIRS) und/oder Organfunktionsstörungen (z.
SOFA) und/oder hohe Anfälligkeit (z.
immungeschwächte) Faktoren.
|
|
Prospektive EHR- und Biomarker -Datengruppe
Mitglieder dieser Gruppe sind pädiatrische Patienten zwischen 3 Monaten und 45 Jahren, die während des Studienanmeldezeitraums einer der sechs teilnehmenden Institutationsabteilung vorgestellt wurden, positiv auf den Verdacht der Sepsis unter Verwendung der bestehenden pädiatrischen Sepsis-Screening-Protokoll des Instituts, die eine Blutkulturverordnung erhalten, und eine Einverständniserklärung für die Erhebung von 1-5-ML-5-ML5-ML-Probe für die Erhebung von 1-5-ML-Probe für die Ansammlung von 1-5-ML-Probe für die Ansammlung von 1-5-ML-Probe für die Einnahme von Ein- und Einsagen für die Ansammlung von 1-5-ML-Probe.
Mitglieder dieser Kohorte werden auch der Wiederverwendung ihrer Daten für die Forschung zuverwendet haben.
Aktuelle pädiatrische Screening-/Alarmier -Tools sind bekanntermaßen hochempfindlich, aber schlecht spezifisch.
"Fälle" in dieser Kohorte werden aus denen bestehen, bei denen letztendlich Sepsis diagnostiziert wird und/oder eine protokolisierte Sepsisbehandlung erhalten.
"Kontrollen" in dieser Kohorte werden solche mit einer falsch positiven Alarms sein, d. H. Die Sepsis erhalten keine sepsis -sepsis -Behandlung.
|
Alle teilnehmenden Institutionen verwenden entweder ein algorithmisches, manuelles oder kombiniertes algorithmisches/manuelles pädiatrisches Sepsis-Screening-Protokoll für Patienten, die Fieber haben und/oder Bedenken hinsichtlich einer Infektion haben.
Während die in Screening-Tools getesteten spezifischen Parameter unterschiedlich sind, bestehen sie im Allgemeinen aus Tests für eine systemische Entzündungsreaktion (z.
SIRS) und/oder Organfunktionsstörungen (z.
SOFA) und/oder hohe Anfälligkeit (z.
immungeschwächte) Faktoren.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Effektives Expertensystem-basiertes pädiatrisches Sepsis-Screening-Tool (PSCT)
Zeitfenster: Letzte 3 Monate der Studienzeit.
|
Erzielen Sie über einen Usability-Testzeitraum durch Emulation der Logik von Experten in einem Screening-Tool, das mit Erfahrung kontinuierlich verbessert werden kann, ein hohes Maß an Benutzerfreundlichkeit des ED-Workflows in Richtung einer verbesserten Früherkennung von IPSO-Sepsis, wie es von praktizierenden ED-Klinikern wahrgenommen wird, die sich mit Usability befassen testen.
|
Letzte 3 Monate der Studienzeit.
|
|
Leistungsstarkes Expertensystem-basiertes pädiatrisches Sepsis-Screening-Tool (PSCT)
Zeitfenster: Verwendung von "frühen Daten" nach Vorlage bei ED, z. B. nach Erhalt von Biomarkerdaten innerhalb der ersten 3 Stunden nach Vorlage)
|
Zur Ableitung einer PSCT mit hoher Leistung (z. B. Sensitivität/Spezifität > 90 %, PPV > 40 %) zur Identifizierung von Patienten in der Notaufnahme, die die IPSO-Sepsis-Kriterien erfüllen, unter Verwendung von Früherkennungsdaten (z. B.
nach Erhalt der Biomarkerdaten innerhalb der ersten 1-3 Stunden nach Präsentation).
|
Verwendung von "frühen Daten" nach Vorlage bei ED, z. B. nach Erhalt von Biomarkerdaten innerhalb der ersten 3 Stunden nach Vorlage)
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Effektive Sepsis-Phänotypisierung für eine personalisierte Behandlung
Zeitfenster: Merkmale basierend auf den ersten 6 Stunden nach Vorstellung bei Patienten mit diagnostizierter Sepsis und eingeleitetem Behandlungsprotokoll.
|
Zu zeigen, dass kombinierte PERSEVERE-Biomarker- und EHR-Daten als Clustering-Merkmale (z. B. unter Verwendung einer latenten Klassenanalyse) die Erkennung klinisch nützlicher prognostischer Phänotypen verbessern.
|
Merkmale basierend auf den ersten 6 Stunden nach Vorstellung bei Patienten mit diagnostizierter Sepsis und eingeleitetem Behandlungsprotokoll.
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Mitarbeiter
Ermittler
- Studienleiter: Carmelo "Tom" E Velez, PhD, CTA
Publikationen und hilfreiche Links
Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.
Allgemeine Veröffentlichungen
- Goldstein B, Giroir B, Randolph A; International Consensus Conference on Pediatric Sepsis. International pediatric sepsis consensus conference: definitions for sepsis and organ dysfunction in pediatrics. Pediatr Crit Care Med. 2005 Jan;6(1):2-8. doi: 10.1097/01.PCC.0000149131.72248.E6.
- Hajian-Tilaki K. Sample size estimation in diagnostic test studies of biomedical informatics. J Biomed Inform. 2014 Apr;48:193-204. doi: 10.1016/j.jbi.2014.02.013. Epub 2014 Feb 26.
- Bujang MA, Adnan TH. Requirements for Minimum Sample Size for Sensitivity and Specificity Analysis. J Clin Diagn Res. 2016 Oct;10(10):YE01-YE06. doi: 10.7860/JCDR/2016/18129.8744. Epub 2016 Oct 1.
- Eisenberg M, Madden K, Christianson JR, Melendez E, Harper MB. Performance of an Automated Screening Algorithm for Early Detection of Pediatric Severe Sepsis. Pediatr Crit Care Med. 2019 Dec;20(12):e516-e523. doi: 10.1097/PCC.0000000000002101.
- Eisenberg MA, Freiman E, Capraro A, Madden K, Monuteaux MC, Hudgins J, Harper M. Outcomes of Patients with Sepsis in a Pediatric Emergency Department after Automated Sepsis Screening. J Pediatr. 2021 Aug;235:239-245.e4. doi: 10.1016/j.jpeds.2021.03.053. Epub 2021 Mar 30.
- Iwashyna TJ, Odden A, Rohde J, Bonham C, Kuhn L, Malani P, Chen L, Flanders S. Identifying patients with severe sepsis using administrative claims: patient-level validation of the angus implementation of the international consensus conference definition of severe sepsis. Med Care. 2014 Jun;52(6):e39-43. doi: 10.1097/MLR.0b013e318268ac86.
- Mathias B, Mira JC, Larson SD. Pediatric sepsis. Curr Opin Pediatr. 2016 Jun;28(3):380-7. doi: 10.1097/MOP.0000000000000337.
- Weiss SL, Parker B, Bullock ME, Swartz S, Price C, Wainwright MS, Goodman DM. Defining pediatric sepsis by different criteria: discrepancies in populations and implications for clinical practice. Pediatr Crit Care Med. 2012 Jul;13(4):e219-26. doi: 10.1097/PCC.0b013e31823c98da.
- Scott HF, Brilli RJ, Paul R, Macias CG, Niedner M, Depinet H, Richardson T, Riggs R, Gruhler H, Larsen GY, Huskins WC, Balamuth F; Improving Pediatric Sepsis Outcomes (IPSO) Collaborative Investigators.. Evaluating Pediatric Sepsis Definitions Designed for Electronic Health Record Extraction and Multicenter Quality Improvement. Crit Care Med. 2020 Oct;48(10):e916-e926. doi: 10.1097/CCM.0000000000004505.
- Lippi G. Sepsis biomarkers: past, present and future. Clin Chem Lab Med. 2019 Aug 27;57(9):1281-1283. doi: 10.1515/cclm-2018-1347. No abstract available.
- Marshall JC, Reinhart K; International Sepsis Forum. Biomarkers of sepsis. Crit Care Med. 2009 Jul;37(7):2290-8. doi: 10.1097/CCM.0b013e3181a02afc.
- Patel K, McElvania E. Diagnostic Challenges and Laboratory Considerations for Pediatric Sepsis. J Appl Lab Med. 2019 Jan;3(4):587-600. doi: 10.1373/jalm.2017.025908. Epub 2018 Nov 21.
- Lanziotti VS, Povoa P, Soares M, Silva JR, Barbosa AP, Salluh JI. Use of biomarkers in pediatric sepsis: literature review. Rev Bras Ter Intensiva. 2016 Oct-Dec;28(4):472-482. doi: 10.5935/0103-507X.20160080.
- Wong HR, Salisbury S, Xiao Q, Cvijanovich NZ, Hall M, Allen GL, Thomas NJ, Freishtat RJ, Anas N, Meyer K, Checchia PA, Lin R, Shanley TP, Bigham MT, Sen A, Nowak J, Quasney M, Henricksen JW, Chopra A, Banschbach S, Beckman E, Harmon K, Lahni P, Lindsell CJ. The pediatric sepsis biomarker risk model. Crit Care. 2012 Oct 1;16(5):R174. doi: 10.1186/cc11652.
- Jacobs L, Berrens Z, Stenson EK, Zackoff MW, Danziger LA, Lahni P, Wong HR. The Pediatric Sepsis Biomarker Risk Model (PERSEVERE) Biomarkers Predict Clinical Deterioration and Mortality in Immunocompromised Children Evaluated for Infection. Sci Rep. 2019 Jan 23;9(1):424. doi: 10.1038/s41598-018-36743-z.
- Gardlund B, Dmitrieva NO, Pieper CF, Finfer S, Marshall JC, Taylor Thompson B. Six subphenotypes in septic shock: Latent class analysis of the PROWESS Shock study. J Crit Care. 2018 Oct;47:70-79. doi: 10.1016/j.jcrc.2018.06.012. Epub 2018 Jun 8.
- Williams JB, Ghosh D, Wetzel RC. Applying Machine Learning to Pediatric Critical Care Data. Pediatr Crit Care Med. 2018 Jul;19(7):599-608. doi: 10.1097/PCC.0000000000001567.
- Seymour CW, Kennedy JN, Wang S, Chang CH, Elliott CF, Xu Z, Berry S, Clermont G, Cooper G, Gomez H, Huang DT, Kellum JA, Mi Q, Opal SM, Talisa V, van der Poll T, Visweswaran S, Vodovotz Y, Weiss JC, Yealy DM, Yende S, Angus DC. Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019 May 28;321(20):2003-2017. doi: 10.1001/jama.2019.5791.
- Sepanski RJ, Godambe SA, Mangum CD, Bovat CS, Zaritsky AL, Shah SH. Designing a pediatric severe sepsis screening tool. Front Pediatr. 2014 Jun 16;2:56. doi: 10.3389/fped.2014.00056. eCollection 2014.
- Sinha P, Calfee CS, Delucchi KL. Practitioner's Guide to Latent Class Analysis: Methodological Considerations and Common Pitfalls. Crit Care Med. 2021 Jan 1;49(1):e63-e79. doi: 10.1097/CCM.0000000000004710.
- Weiss SL, Fitzgerald JC, Balamuth F, Alpern ER, Lavelle J, Chilutti M, Grundmeier R, Nadkarni VM, Thomas NJ. Delayed antimicrobial therapy increases mortality and organ dysfunction duration in pediatric sepsis. Crit Care Med. 2014 Nov;42(11):2409-17. doi: 10.1097/CCM.0000000000000509.
- C. D. Sutton, "Classification and Regression Trees, Bagging, and Boosting," Handb. Stat., vol. 24, pp. 303-329, 2005, doi: 10.1016/S0169-7161(04)24011-1.
- Sinha P, Delucchi KL, Thompson BT, McAuley DF, Matthay MA, Calfee CS; NHLBI ARDS Network. Latent class analysis of ARDS subphenotypes: a secondary analysis of the statins for acutely injured lungs from sepsis (SAILS) study. Intensive Care Med. 2018 Nov;44(11):1859-1869. doi: 10.1007/s00134-018-5378-3. Epub 2018 Oct 5.
- Wiersema R, Jukarainen S, Vaara ST, Poukkanen M, Lakkisto P, Wong H, Linder A, van der Horst ICC, Pettila V. Two subphenotypes of septic acute kidney injury are associated with different 90-day mortality and renal recovery. Crit Care. 2020 Apr 15;24(1):150. doi: 10.1186/s13054-020-02866-x.
- Delucchi K, Famous KR, Ware LB, Parsons PE, Thompson BT, Calfee CS; ARDS Network. Stability of ARDS subphenotypes over time in two randomised controlled trials. Thorax. 2018 May;73(5):439-445. doi: 10.1136/thoraxjnl-2017-211090. Epub 2018 Feb 24.
- Feuillet F, Bellanger L, Hardouin JB, Victorri-Vigneau C, Sebille V. On Comparison of Clustering Methods for Pharmacoepidemiological Data. J Biopharm Stat. 2015;25(4):843-56. doi: 10.1080/10543406.2014.920855.
- Kent P, Jensen RK, Kongsted A. A comparison of three clustering methods for finding subgroups in MRI, SMS or clinical data: SPSS TwoStep Cluster analysis, Latent Gold and SNOB. BMC Med Res Methodol. 2014 Oct 2;14:113. doi: 10.1186/1471-2288-14-113.
- R. Lachman, "Expert systems: A cognitive science perspective," Behav. Res. Methods, Instruments, Comput., 1989, doi: 10.3758/BF03205582.
- L. Medsker, M. Tan, and E. Turban, "Knowledge acquisition from multiple experts: Problems and issues," Expert Syst. Appl., vol. 9, no. 1, pp. 35-40, Jan. 1995, doi: 10.1016/0957-4174(94)00046-X.
- Brewer A, Helfgott MA, Novak J, Schanhals R. An application of cmaps in the description of clinical information structure and logic in electronic health records. Glob Adv Health Med. 2012 Sep;1(4):16-31. doi: 10.7453/gahmj.2012.1.4.003.
- Beglinger B, Rohacek M, Ackermann S, Hertwig R, Karakoumis-Ilsemann J, Boutellier S, Geigy N, Nickel C, Bingisser R. Physician's first clinical impression of emergency department patients with nonspecific complaints is associated with morbidity and mortality. Medicine (Baltimore). 2015 Feb;94(7):e374. doi: 10.1097/MD.0000000000000374.
- R. R. Starr and J. M. Parente De Oliveira, "Concept maps as the first step in an ontology construction method," Inf. Syst., 2013, doi: 10.1016/j.is.2012.05.010.
- R. Matkar and A. Parab, "Ontology based expert systems - replication of human learning," Thinkquest~2010, pp. 43-47, 2011, doi: 10.1007/978-81-8489-989-4_7.
- Yamagata Y, Kozaki K, Imai T, Ohe K, Mizoguchi R. An ontological modeling approach for abnormal states and its application in the medical domain. J Biomed Semantics. 2014 May 21;5:23. doi: 10.1186/2041-1480-5-23. eCollection 2014.
- R. M. RJ Rovetto, "Causality and the ontology of disease," Appl Ontol, vol. 10, no. 2, pp. 79-105, Sep. 2015, doi: 10.3233/ao-150147.
- Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004 Jan 1;32(Database issue):D267-70. doi: 10.1093/nar/gkh061.
- Ghassemi M, Naumann T, Schulam P, Beam AL, Chen IY, Ranganath R. A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Jt Summits Transl Sci Proc. 2020 May 30;2020:191-200. eCollection 2020.
- Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nat Mach Intell. 2019 May;1(5):206-215. doi: 10.1038/s42256-019-0048-x. Epub 2019 May 13.
- Wong HR, Caldwell JT, Cvijanovich NZ, Weiss SL, Fitzgerald JC, Bigham MT, Jain PN, Schwarz A, Lutfi R, Nowak J, Allen GL, Thomas NJ, Grunwell JR, Baines T, Quasney M, Haileselassie B, Lindsell CJ. Prospective clinical testing and experimental validation of the Pediatric Sepsis Biomarker Risk Model. Sci Transl Med. 2019 Nov 13;11(518):eaax9000. doi: 10.1126/scitranslmed.aax9000.
- Paxton C, Niculescu-Mizil A, Saria S. Developing predictive models using electronic medical records: challenges and pitfalls. AMIA Annu Symp Proc. 2013 Nov 16;2013:1109-15. eCollection 2013.
- Taneja I, Reddy B, Damhorst G, Dave Zhao S, Hassan U, Price Z, Jensen T, Ghonge T, Patel M, Wachspress S, Winter J, Rappleye M, Smith G, Healey R, Ajmal M, Khan M, Patel J, Rawal H, Sarwar R, Soni S, Anwaruddin S, Davis B, Kumar J, White K, Bashir R, Zhu R. Combining Biomarkers with EMR Data to Identify Patients in Different Phases of Sepsis. Sci Rep. 2017 Sep 7;7(1):10800. doi: 10.1038/s41598-017-09766-1.
- Wong A, Otles E, Donnelly JP, Krumm A, McCullough J, DeTroyer-Cooley O, Pestrue J, Phillips M, Konye J, Penoza C, Ghous M, Singh K. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021 Aug 1;181(8):1065-1070. doi: 10.1001/jamainternmed.2021.2626.
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Geschätzt)
1. April 2026
Primärer Abschluss (Geschätzt)
31. März 2029
Studienabschluss (Geschätzt)
31. März 2029
Studienanmeldedaten
Zuerst eingereicht
20. März 2022
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
31. März 2022
Zuerst gepostet (Tatsächlich)
5. April 2022
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Geschätzt)
8. September 2025
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
2. September 2025
Zuletzt verifiziert
1. September 2025
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- NIAID 1R41AI167224-01
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
UNENTSCHIEDEN
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .