Deep-Learning-Modelle zur Vorhersage der intraoperativen Hypotonie unter Verwendung nicht-invasiver Parameter
25. März 2025 aktualisiert von: Hyun Joo Ahn, Samsung Medical Center
Vorhersage der intraoperativen Hypotonie mit nicht-invasiven Überwachungsgeräten: Entwicklung eines Deep-Learning-Modells
Die Forscher wollten das Deep-Learning-Modell untersuchen, um eine intraoperative Hypotonie mithilfe von nicht-invasiven Überwachungsparametern vorherzusagen.
Studienübersicht
Status
Abgeschlossen
Bedingungen
Detaillierte Beschreibung
Eine intraoperative Hypotonie ist mit verschiedenen postoperativen Komplikationen wie akuter Nierenschädigung verbunden.
Daher sind eine genaue Vorhersage und sofortige Behandlung einer intraoperativen Hypotonie wichtig.
Es ist jedoch schwierig, die intraoperative Hypotonie basierend auf der Erfahrung und Intuition des Anästhesisten genau vorherzusagen.
Kürzlich zeigten Deep-Learning-Algorithmen mit invasiver arterieller Drucküberwachung die gute Vorhersagefähigkeit der intraoperativen Hypotonie.
Es kann die Entscheidungen des Arztes unterstützen.
Die meisten Patienten, die sich einer allgemeinen Operation unterziehen, werden jedoch durch nicht-invasive Parameter überwacht.
Daher untersuchen die Forscher das Vorhersagemodell für intraoperative Hypotonie mit nicht-invasivem Monitoring.
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
5175
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
-
Seoul, Korea, Republik von, 06351
- Samsung Medical Center
-
-
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
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Nein
Probenahmeverfahren
Wahrscheinlichkeitsstichprobe
Studienpopulation
Die Studienpopulation umfasste Patienten, die sich zwischen Juni 2016 und August 2017 im Seoul National University Hospital, Seoul, Südkorea, einer inhalativen Vollnarkose für nicht-kardiologische Operationen unterzogen.
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
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / 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
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
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Ermittler
- Hauptermittler: Hyun Joo Ahn, MD, PhD, Samsung Medical Center
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
- 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
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 (Tatsächlich)
1. April 2023
Primärer Abschluss (Tatsächlich)
1. Mai 2024
Studienabschluss (Tatsächlich)
1. Mai 2024
Studienanmeldedaten
Zuerst eingereicht
13. Februar 2023
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
7. März 2023
Zuerst gepostet (Tatsächlich)
9. März 2023
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
30. März 2025
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
25. März 2025
Zuletzt verifiziert
1. Mai 2024
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- SMC 2022-09-096
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
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .