PRÄDIKTIVE UND FORTGESCHRITTENE ANALYSE IN DER NOTFALLMEDIZIN – NEUROLOGISCHE DEFIZITE (PAN-EM-NEURO)
Zukünftige prädiktive Modelle in der Notfallmedizin werden wahrscheinlich die Nutzung einer breiten Palette von Datenpunkten wie kontinuierliche Dokumentation, Überwachung mithilfe von Wearables, Bildgebung, Biomarkern und Echtzeit-Verwaltungsdaten aller beteiligten Gesundheitsdienstleister kombinieren. Nachfolgende umfangreiche Datensätze könnten in fortschrittliche Deep-Learning- und neuronale Netzwerkalgorithmen einfließen, um das Risiko bestimmter Gesundheitszustände genau vorherzusagen. Darüber hinaus steuert Predictive Analytics die Entwicklung klinischer Pfade, die anpassungsfähig und kontinuierlich aktualisiert sind und bei denen die Entscheidungsfindung im Gesundheitswesen durch hochentwickelte Algorithmen unterstützt wird, um die beste Vorgehensweise effektiv und sicher bereitzustellen. Das Potenzial von Predictive Analytics, viele Aspekte des Gesundheitswesens zu revolutionieren, scheint klar am Horizont zu sein. Über den Einsatz in der Notfallmedizin liegen kaum Informationen vor.
Unser Ziel ist es, die Leistung der Verwendung von Routinedaten zur Vorhersage des Ressourcenverbrauchs in der Notfallmedizin anhand des häufig auftretenden Symptoms eines akuten neurologischen Defizits zu bewerten. Als Ausblick könnte dies als Prototyp für andere, ähnliche Projekte dienen, die routinemäßige medizinische Daten für prädiktive Analysen in der Notfallmedizin nutzen.
Studienübersicht
Status
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienkontakt
- Name: Jan Niederdöckl, MD
- Telefonnummer: 0042 40 400 19640
- E-Mail: jan.niederdoeckl@meduniwien.ac.at
Studienorte
-
-
-
Vienna, Österreich, 1090
- Rekrutierung
- Emergency Department, Medical University Vienna
-
Kontakt:
- Jan Niederdöckl, Dr.
- E-Mail: jan.niederdoeckl@medunwien.ac.at
-
Kontakt:
- Alexander Simon, Dr.
- E-Mail: alexander.simon@medunwien.ac.at
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Retrospektive Analyse routinemäßig erhobener Daten. Unser Ziel ist es, Datenmuster zu finden, die mit der krankenhausinternen Ressourcennutzung von Patienten zusammenhängen, die von Rettungsdiensten wegen Verdachts auf ein akutes neurologisches Defizit ins Krankenhaus eingeliefert werden.
Wir werden für diese Studie ausschließlich Informationen aus dem routinemäßigen elektronischen medizinischen Dokumentationssystem verwenden. Es erfolgt keine Verknüpfung mit anderen Datensätzen. Zu den Daten im System gehören Patientendaten, anfängliche Symptome, präklinische Vitalzeichen und -werte, Verdachtsdiagnosen durch Rettungsdienste, innerklinische Vitalzeichen und -werte, innerklinische diagnostische (Computertomographie-CT, Magnetresonanztomographie-MRT) und therapeutische (Katheterintervention) Verfahren und endgültige Diagnose. Unter „Variablen“ finden Sie einen vollständigen Satz an Variablen.
Für die Zwecke dieser Studie wird ausschließlich ein vollständig pseudonymisierter Datensatz verwendet.
Beschreibung
Einschlusskriterien:
- Weibliche und männliche Probanden
- Alter ≥ 18 Jahre
Ausschlusskriterien:
- keiner
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vorhersagemodell
Zeitfenster: 1.1.2025
|
Entwickelt werden
|
1.1.2025
|
Mitarbeiter und Ermittler
Sponsor
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Goyal M, Menon BK, van Zwam WH, Dippel DW, Mitchell PJ, Demchuk AM, Davalos A, Majoie CB, van der Lugt A, de Miquel MA, Donnan GA, Roos YB, Bonafe A, Jahan R, Diener HC, van den Berg LA, Levy EI, Berkhemer OA, Pereira VM, Rempel J, Millan M, Davis SM, Roy D, Thornton J, Roman LS, Ribo M, Beumer D, Stouch B, Brown S, Campbell BC, van Oostenbrugge RJ, Saver JL, Hill MD, Jovin TG; HERMES collaborators. Endovascular thrombectomy after large-vessel ischaemic stroke: a meta-analysis of individual patient data from five randomised trials. Lancet. 2016 Apr 23;387(10029):1723-31. doi: 10.1016/S0140-6736(16)00163-X. Epub 2016 Feb 18.
- Desautels T, Calvert J, Hoffman J, Jay M, Kerem Y, Shieh L, Shimabukuro D, Chettipally U, Feldman MD, Barton C, Wales DJ, Das R. Prediction of Sepsis in the Intensive Care Unit With Minimal Electronic Health Record Data: A Machine Learning Approach. JMIR Med Inform. 2016 Sep 30;4(3):e28. doi: 10.2196/medinform.5909.
- Saber H, Somai M, Rajah GB, Scalzo F, Liebeskind DS. Predictive analytics and machine learning in stroke and neurovascular medicine. Neurol Res. 2019 Aug;41(8):681-690. doi: 10.1080/01616412.2019.1609159. Epub 2019 Apr 30.
- Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017 Jun 21;2(4):230-243. doi: 10.1136/svn-2017-000101. eCollection 2017 Dec.
- Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep Learning for Health Informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. doi: 10.1109/JBHI.2016.2636665. Epub 2016 Dec 29.
- Avasarala J. Letter by Avasarala Regarding Article, "2015 AHA/ASA Focused Update of the 2013 Guidelines for the Early Management of Patients With Acute Ischemic Stroke Regarding Endovascular Treatment: A Guideline for Healthcare Professionals From the American Heart Association/American Stroke Association". Stroke. 2015 Nov;46(11):e234. doi: 10.1161/STROKEAHA.115.010716. Epub 2015 Oct 6. No abstract available.
- Badhiwala JH, Nassiri F, Alhazzani W, Selim MH, Farrokhyar F, Spears J, Kulkarni AV, Singh S, Alqahtani A, Rochwerg B, Alshahrani M, Murty NK, Alhazzani A, Yarascavitch B, Reddy K, Zaidat OO, Almenawer SA. Endovascular Thrombectomy for Acute Ischemic Stroke: A Meta-analysis. JAMA. 2015 Nov 3;314(17):1832-43. doi: 10.1001/jama.2015.13767.
- Bauchner H, Golub RM, Fontanarosa PB. Data Sharing: An Ethical and Scientific Imperative. JAMA. 2016 Mar 22-29;315(12):1237-9. doi: 10.1001/jama.2016.2420. No abstract available.
- Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care - Addressing Ethical Challenges. N Engl J Med. 2018 Mar 15;378(11):981-983. doi: 10.1056/NEJMp1714229. No abstract available.
- Chaudhary K, Poirion OB, Lu L, Garmire LX. Deep Learning-Based Multi-Omics Integration Robustly Predicts Survival in Liver Cancer. Clin Cancer Res. 2018 Mar 15;24(6):1248-1259. doi: 10.1158/1078-0432.CCR-17-0853. Epub 2017 Oct 5.
- Christiansen EM, Yang SJ, Ando DM, Javaherian A, Skibinski G, Lipnick S, Mount E, O'Neil A, Shah K, Lee AK, Goyal P, Fedus W, Poplin R, Esteva A, Berndl M, Rubin LL, Nelson P, Finkbeiner S. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell. 2018 Apr 19;173(3):792-803.e19. doi: 10.1016/j.cell.2018.03.040. Epub 2018 Apr 12.
- Cohen IG, Amarasingham R, Shah A, Xie B, Lo B. The legal and ethical concerns that arise from using complex predictive analytics in health care. Health Aff (Millwood). 2014 Jul;33(7):1139-47. doi: 10.1377/hlthaff.2014.0048.
- Heeley E, Anderson CS, Huang Y, Jan S, Li Y, Liu M, Sun J, Xu E, Wu Y, Yang Q, Zhang J, Zhang S, Wang J; ChinaQUEST Investigators. Role of health insurance in averting economic hardship in families after acute stroke in China. Stroke. 2009 Jun;40(6):2149-56. doi: 10.1161/STROKEAHA.108.540054. Epub 2009 Apr 9.
- Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Crit Care Med. 2018 Apr;46(4):547-553. doi: 10.1097/CCM.0000000000002936.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Geschätzt)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- EK- Nr. 1738/2022
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
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 .
Klinische Studien zur Neurologische Manifestationen
-
Chulalongkorn UniversityUnbekanntMenschliche Milch-Oligosaccharide, allergische ManifestationThailand
-
M.D. Anderson Cancer CenterRekrutierungPilotstudie | PET/CT-Bildgebung | Manifestation der WirtserkrankungVereinigte Staaten
-
Singapore General HospitalSingapore Eye Research InstituteRekrutierungTyp 2 Diabetes | Diabetes; Neuropathie, Polyneuropathie (Manifestation) | Komplikationen im Zusammenhang mit Diabetes | Diabetes; Nephropathie (Manifestation) | Diabetes; Retinopathie (Manifestation)Singapur
-
Bernadette Dian Novita, MD.,PhDAbgeschlossenDauer des Krankenhausaufenthalts | Klinische Manifestation von COVID-19Indonesien
-
Jabir Ibn Hayyan Medical UniversityAbgeschlossenMilz; Zyste, Hydatide (Manifestation)
-
National Taiwan University HospitalUnbekanntKeratitis; Infektionskrankheit (Manifestation)Taiwan
-
University Hospital, GenevaAbgeschlossenKeratitis; Infektionskrankheit (Manifestation)Schweiz
-
Mundipharma (China) Pharmaceutical Co. LtdAbgeschlossenKrankheit (oder Störung); Bandscheibe, mit Myelopathie (Manifestation)China
-
National Institute of Mental Health (NIMH)AbgeschlossenGesund | Stimmungsschwankung | Neurobehaviorale ManifestationVereinigte Staaten
-
National Taiwan University HospitalUnbekanntNeuropathie; Peripher, autonom, bei Diabetes mellitus (Manifestation)Taiwan