Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Risikowarnmodell für postoperatives Delir und langfristige kognitive Dysfunktion bei älteren Patienten

30. März 2025 aktualisiert von: Xuanwu Hospital, Beijing

Risikowarnmodell für postoperatives Delir und langfristige kognitive Dysfunktion bei älteren Patienten basierend auf dem Algorithmus eines autonomen evolutionären neuronalen Netzwerks

Die Inzidenz eines postoperativen Delirs ist bei älteren Patienten hoch, was zu langfristigen postoperativen neurokognitiven Störungen führen kann. Die hohen Risikofaktoren sind noch nicht klar. Derzeit mangelt es an Früherkennungs- und Alarmtechnologie für perioperative neurokognitive Störungen, wodurch eine frühzeitige Intervention und wirksame Behandlung nicht möglich ist. Mithilfe künstlicher Intelligenz und eines autonom evolutionären neuronalen Netzwerkalgorithmus, der sich auf klinische Big Data aus mehreren Quellen stützt, haben wir die Verwendung des Bayes'schen Netzwerks zur Optimierung des Anästhesie-Entscheidungssystems für eine verbesserte Genesung nach der Operation untersucht und ein Risikovorhersagemodell für perioperative kritische Ereignisse erstellt. Es wird erwartet, dass diese Methode auch dazu beitragen wird, ein Risikovorhersagemodell für postoperatives Delir und langfristige postoperative neurokognitive Störungen zu etablieren. Dieses Projekt plant, die perioperativen sensiblen Parameter von Anästhesiegeräten, Multiparameter-Monitoren, EEG-Monitoren, fMRT und HIS-Systemen zu erfassen, um den Evolutionsprozess von Datenmerkmalen durch Merkmalsfusion zu untersuchen. Wir planen auch, schnell wichtige perioperative Risikomerkmale von Postoperationen zu überprüfen Delir anhand umfangreicher klinischer Daten durch Merkmalsauswahl, um die hohen Risikofaktoren langfristiger postoperativer neurokognitiver Störungen, die sich aus einem postoperativen Delir entwickeln, zu untersuchen. Schließlich wird mit einer multizentrischen intelligenten Analyse das Risikovorhersagemodell für postoperatives Delir und langfristige postoperative neurokognitive Störungen erstellt.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Ziel dieses Projekts ist es, klinische Überwachungsdaten von Anästhesiegeräten, Multiparameter-Monitoren und Gehirnfunktionsmonitoren auf der Grundlage früherer Studienreihen des Teams zum kognitiven Funktionsschutz älterer Patienten in der perioperativen Phase und der Forschung zur Verfolgung und Warnung zu sammeln und zu identifizieren kritische Krankheitsereignisse und Entscheidungsunterstützungsdienste auf Basis künstlicher Intelligenz. Klinische HIS-Daten und klassifizierte und verfolgte fMRT-Bildgebungsdaten wurden integriert, um einen großen Datensatz zur perioperativen kognitiven Funktion älterer Patienten zu bilden. Basierend auf klinischen Diagnoseinformationen von pNCD und fMRT-Bildgebungsdiagnoseinformationen wurde ein System zur Vorhersage unerwünschter Ereignisse im Gehirn entwickelt, das in der Lage ist, klinische Schlüsselinformationen intelligent zu extrahieren und Frühwarnungen in Echtzeit durchzuführen, indem Schlüsseltechnologien wie Datenqualitätskontrolle, Echtzeiterfassung und -identifizierung eingesetzt werden von klinischen Überwachungsdaten aus mehreren Quellen und der Vorhersage unerwünschter Ereignisse durch künstliche Intelligenz.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

10000

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studieren Sie die Kontaktsicherung

Studienorte

  • China
      • Beijing, China, 100053
        • Rekrutierung
        • Xuanwu Hospital, Capital Medical University
        • Kontakt:
        • Kontakt:

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

  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Patienten ≥65 Jahre, die sich einer chirurgischen Anästhesie unterzogen haben

Beschreibung

Einschlusskriterien:

  • Patienten ≥65 Jahre, die sich einer chirurgischen Anästhesie unterzogen haben; Unterzeichnen Sie die Einverständniserklärung

Ausschlusskriterien:

  • Unfähigkeit, die Beurteilung der kognitiven Funktion abzuschließen; Analphabetismus, Hörbehinderung oder Sehbehinderung; Er hat eine Vorgeschichte von Epilepsie, Depression, Schizophrenie, Alzheimer-Krankheit und anderen psychiatrischen und neurologischen Erkrankungen

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
Intervention / Behandlung
Postoperatives Delir (POD) und postoperative neurokognitive Störung (pNCD)
Das Delir (CAM-Skala) wurde 7 Tage nach der Operation beurteilt und in POD- und Nicht-POD-Gruppen eingeteilt; Eines der oben genannten Szenarien deutete auf ein postoperatives Delir hin. Die Patienten in der POD-Gruppe wurden 1 Monat und 12 Monate nach der Operation auf ihre kognitive Funktion untersucht, um festzustellen, ob eine pNCD auftrat. Die Patienten in der POD-Gruppe wurden weiter in eine pNCD-Untergruppe und eine Nicht-PNCD-Untergruppe unterteilt, und es wurden eine EEG-Datenerfassung und ein fMRT-Scan durchgeführt
Sonstiges: kein Eingriff
Dies ist eine Beobachtungsstudie, keine Intervention

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Screening auf Risikofaktoren einer perioperativen kognitiven Dysfunktion
Zeitfenster: 2024.4.1-2027.12.31
Die Merkmalsauswahltechnik der künstlichen Intelligenz wurde verwendet, um Daten aus einem großen Datensatz der klinischen Versorgung nach der Fusion zu screenen und zu analysieren. Die Risikofaktoren mit der höchsten Wahrscheinlichkeit des Auftretens von PND können aus einer großen Anzahl von Merkmalen gescreent werden, indem die Risikofaktoren gescreent werden, die dies getan haben die höchste Korrelation mit der Wahrscheinlichkeit des Auftretens von POD, kombiniert mit dem Vergleich von fMRT-Bildgebungsdaten verschiedener Gruppen von POD-Patienten mit großer Stichprobengröße mit langfristiger Konvertierung in die pNCD-Gruppe und die Nicht-PNCD-Gruppe, dem Gehirnnetzwerkmechanismus und perioperativen Hochrisikofaktoren der POD-Umwandlung in eine langfristige kognitive Dysfunktion wurden weiter untersucht.
2024.4.1-2027.12.31
Richten Sie ein Vorhersagesystem für unerwünschte Gehirnfunktionsereignisse ein
Zeitfenster: 2025.1.1-2027.12.31
Die Überwachungsdaten chirurgischer Patienten enthalten eine große Menge medizinischer Informationen, und die Analyse und Modellierung der Daten kann eine wirksame Frühwarnung und Intervention ermöglichen. Das Projekt beabsichtigt, die EEG-Zeit-Frequenz-Merkmalsextraktion und -Analyse, die EEG-Mikrozustandsanalyse und die Gehirnnetzwerkanalyse zu übernehmen und die Merkmalsfusionstechnologie einzuführen, um verschiedene Merkmale zu einheitlichen Merkmalen von Patienten zu verschmelzen. Auf dieser Grundlage wurde ein Vorhersagemodell für unerwünschte Gehirnfunktionsereignisse basierend auf einem Domänenanpassungsalgorithmus erstellt, um Echtzeitverfolgung, Frühdiagnose und Frühwarnung vor postoperativem Delir und langfristiger kognitiver Dysfunktion bei älteren Patienten zu ermöglichen
2025.1.1-2027.12.31

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Xuanwu Hospital, Beijing

Mitarbeiter

Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences

Ermittler

  • Studienstuhl: lei zhao, xuanwu hospital of capital medical university,Beijing
  • Hauptermittler: yong yang, Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences
  • Hauptermittler: yi an, xuanwu hospital of capital medical university,Beijing
  • Hauptermittler: xia li li, xuanwu hospital of capital medical university,Beijing
  • Hauptermittler: yang liu, xuanwu hospital of capital medical university,Beijing
  • Hauptermittler: yi shu yang, xuanwu hospital of capital medical university,Beijing

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

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)

30. Juli 2024

Primärer Abschluss (Geschätzt)

31. Dezember 2027

Studienabschluss (Geschätzt)

31. Dezember 2027

Studienanmeldedaten

Zuerst eingereicht

15. Mai 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

15. Mai 2024

Zuerst gepostet (Tatsächlich)

21. Mai 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

3. April 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

30. März 2025

Zuletzt verifiziert

1. März 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 62376168

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

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 .

Abonnieren