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

Erkennung von Patienten-Beatmungs-Dyssynchronien mit einem Algorithmus für maschinelles Lernen

10. Juli 2024 aktualisiert von: University of Sao Paulo General Hospital

Automatisierte Erkennung und Klassifizierung von Patienten-Beatmungsgerät-Dyssynchronien mit einem Algorithmus für maschinelles Lernen

Hierbei handelt es sich um eine diagnostische Studie, die darauf abzielt, die Genauigkeit der Erkennung und Klassifizierung von Dyssynchronien zwischen Patient und Beatmungsgerät durch einen Algorithmus für maschinelles Lernen im Vergleich zum Goldstandard zu vergleichen, der als Dyssynchronien definiert ist, die durch ein mechanisches Beatmungsgerät diagnostiziert und klassifiziert werden, und von Experten analysierte Ösophagusdruckwellenformen.

Die Hauptfrage dieser Studie ist:

• Werden Dyssynchronitäten zwischen Patient und Beatmungsgerät durch einen Algorithmus der künstlichen Intelligenz im Vergleich zu Experten, die den Ösophagusdruck und die Wellenformen mechanischer Beatmungsgeräte analysieren, genau erkannt und klassifiziert?

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Hierbei handelt es sich um eine diagnostische Beobachtungsstudie mit dem Ziel, die automatisierte Erkennung und Klassifizierung der Dyssynchronität zwischen Patient und Beatmungsgerät durch einen Algorithmus für maschinelles Lernen zu bewerten. Die Genauigkeit des maschinellen Lernalgorithmus wird mit dem Goldstandard verglichen, der als von Experten für mechanische Beatmung erkannte und klassifizierte Dyssynchronien definiert ist.

Experten werden die Wellenformen des Atemwegsdrucks, des Flusses, des Volumens und des Ösophagusdrucks analysieren, um Dyssynchronitäten zu erkennen und zu klassifizieren.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

80

Kontakte und Standorte

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

Studienkontakt

Studienorte

  • Brasilien
    • SP
      • Sao Paulo, SP, Brasilien, 05403900
        • Rekrutierung
        • Heart Institute, University of São Paulo
        • 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

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

N/A

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Teilnahmeberechtigt sind erwachsene Probanden unter mechanischer Beatmung mit unterstütztem oder assistiertem Modus, die aufgrund klinischer Indikation mit einem Ösophagus-Druckballon überwacht werden.

Beschreibung

Einschlusskriterien:

  • Probanden, die unter assistierter oder assistierter mechanischer Beatmung stehen und mit einem Ösophagus-Druckballon überwacht werden.

Ausschlusskriterien:

  • Ablehnung seitens der Familie des Patienten oder des behandelnden Arztes

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
Erkennung und Klassifizierung von Patienten-Beatmungs-Dyssynchronien durch künstliche Intelligenz
Dies ist eine einarmige Studie, da alle eingeschlossenen Probanden beiden Diagnosemethoden (künstliche Intelligenz und Experten) ausgesetzt werden. Die vorgeschlagene Diagnosemethode ist ein maschineller Lernalgorithmus, der in das mechanische Beatmungsgerät FlexiMag Max 700 (Magnamed, Brasilien) integriert ist und kontinuierlich Daten aus der mechanischen Beatmung der eingeschlossenen Probanden über einen Zeitraum von bis zu 72 Stunden aufzeichnet. Der Goldstandard umfasst die Aufzeichnung der Ösophagusdruckwellenform und die Offline-Analyse durch Experten.
Gerät: Erkennung und Klassifizierung von Patienten-Beatmungs-Dyssynchronien durch künstliche Intelligenz
Algorithmus für maschinelles Lernen zur Erkennung und Klassifizierung von Dyssynchronitäten zwischen Patient und Beatmungsgerät, der in das mechanische Beatmungsgerät integriert ist (Fleximag Max, Magnamed, Brasilien).

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Diagnosegenauigkeit des Algorithmus der künstlichen Intelligenz
Zeitfenster: 3 Tage
Sensitivität, Spezifität, positiver Vorhersagewert, negativer Vorhersagewert des Algorithmus der künstlichen Intelligenz zur Erkennung und Klassifizierung von Dyssynchronitäten zwischen Patient und Beatmungsgerät. Diese Genauigkeitsindizes werden für jede Art von Dyssynchronie geschätzt: ineffektive Anstrengung, automatische Auslösung, doppelte Auslösung, umgekehrte Auslösung, umgekehrte Auslösung mit einem Doppelzyklus
3 Tage

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Pendelluft-Erkennung
Zeitfenster: 3 Tage
Prozentsatz der Zyklen mit Pendelluft, die mit dem Algorithmus der künstlichen Intelligenz erkannt wurden, im Vergleich zum Prozentsatz der Zyklen mit Pendelluft, die mit dem Ösophagusdruck erkannt wurden
3 Tage

Mitarbeiter und Ermittler

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

Sponsor

University of Sao Paulo General Hospital

Mitarbeiter

Magnamed Tecnologia Medica S/A

Ermittler

  • Studienleiter: Eduardo LV Costa, MD, PhD, University of Sao Paulo

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)

25. Mai 2024

Primärer Abschluss (Geschätzt)

24. Mai 2025

Studienabschluss (Geschätzt)

24. Dezember 2025

Studienanmeldedaten

Zuerst eingereicht

24. Mai 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

10. Juli 2024

Zuerst gepostet (Tatsächlich)

17. Juli 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

17. Juli 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

10. Juli 2024

Zuletzt verifiziert

1. Mai 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • CAAE 78855824.7.0000.0068

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

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