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

Bewertung der Risikovorhersagen des Organversagens auf der Intensivstation (AI4ICU-Obs)

27. August 2025 aktualisiert von: ETH Zurich

Prospektive Bewertung von Risikovorhersagen des Organsversagens in der Intensivstation - Vergleich der Genauigkeit von Risikovorhersagen von Menschen und KI

Während dieser Beobachtungsstudie wollen die Forscher die Fähigkeit der Intensivkliniker bewerten, das Risiko eines bevorstehenden Organsversagens vorherzusagen und sie retrospektiv mit der Leistung zuvor veröffentlichter Modelle für maschinelles Lernen zu vergleichen. Die zentrale Hypothese dieser Studie ist, dass der behandelnde Arzt das bevorstehende Organversagen bei erwachsenen Intensivpatienten mit ähnlicher Genauigkeit wie die besten zuvor veröffentlichten Modelle für maschinelles Lernen vorhersagen kann.

Studienübersicht

Status

Aktiv, nicht rekrutierend

Detaillierte Beschreibung

In dieser Beobachtungsstudie werden die Einschätzung des geschätzten Organversagens (Ärzte und Krankenschwestern) des geschätzten bevorstehenden Organversagens in einer Intensivstation prospektiv gesammelt. Kreislaufversagen wird im Hauptziel untersucht, und das Versagen der Atemwege, Nierenversagen und die Mortalität werden in sekundären Zielen untersucht. Diese Bewertungen untersuchen die prädiktive Leistung und die Einflussfaktoren für die Vorhersage von Klinikern. Die Bewertungen werden in Fragebögen gesammelt und von den Klinikern direkt an der Patientenbehandlung und von Klinikern beteiligt, die nicht aktiv für die Patientenbehandlung verantwortlich sind. Darüber hinaus zielt diese Studie darauf ab, diese Risikobewertungen von Angehörigen der Gesundheitsberufe gegen retrospektiv generierte KI -Risikowerte für dieselben Patienten und Zeitpunkte zu bewerten. Die AI -Risikowerte werden aus einer Reihe von Modellen aus einer systematischen Suche der aktuellen Literatur retrospektiv berechnet. Die KI -Modelle, die für diese Analyse verwendet werden, werden wie durch ein systematisches Überprüfungsprotokoll identifiziert und müssen die folgenden zwei Kriterien erfüllen: Sie benötigen keine Daten, die über das hinausgehen, was während eines Aufenthalts der Intensivstation routinemäßig gesammelt wird und als Open Source zugegriffen werden kann . Ein solcher Vergleich ist für das Verständnis der relativen Genauigkeit und Zuverlässigkeit von AI-basierten Vorhersagen im Zusammenhang mit dem Risiko des Organversagens im Vergleich zur menschlichen Leistung von entscheidender Bedeutung. Die Daten und Ergebnisse dieser Studie werden erwartet, dass sie Nachweise für den klinischen Nutzen von KI-basierten Risikowerten liefern und den Weg für die zukünftige Forschung zur Optimierung von KI-Systemen für Gesundheitsanwendungen ebnen.

Studientyp

Beobachtungs

Einschreibung (Tatsächlich)

499

Kontakte und Standorte

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

Studienorte

    • Canton of Bern
      • Bern, Canton of Bern, Schweiz, 3010
        • University Hospital Inselspital, Berne

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

Nein

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Intensivstation für Erwachsene am Universitätsklinikum Bern

Beschreibung

Einschlusskriterien:

  • Patient Mindestalter von 18 Jahren
  • Notaufnahme auf die Intensivstation
  • arterielle Linie an Ort und Stelle

Ausschlusskriterien:

  • Dokumentierte Ablehnung (über das allgemeine Einverständniserklärung) zur Teilnahme an der klinischen Forschung
  • Patienten mit neurologischen Erkrankungen, die das Bewusstseinsniveau des Patienten beeinträchtigen (einschließlich, aber nicht beschränkt auf Schlaganfall, traumatische Hirnverletzung, intrakranielle Blutung, ZNS -Infektionen; außer Polytrauma)
  • Patienten mit mechanischen Kreislauf-Stützsystemen (IABP, VA-ECMO, Impella, VAD) oder extrakorporaler Membran-Sauerstoffversorgung (VV-ECMO) jederzeit während ihres Aufenthalts auf der Intensivstation;
  • Patienten, die die Pflege des Lebens erhalten oder zur Bewertung der Organspende zugelassen werden, werden zugelassen

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
Erwachsene Intensivpatienten

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Kliniker Vorhersage des Kreislaufversagens innerhalb von 8 Stunden im Vergleich zu veröffentlichten ML -Modellen
Zeitfenster: Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Dieses Ergebnis vergleicht den Bereich unter der Empfängerbetriebscharakteristischen Kurve (AUROC) für zwei Methoden zur Vorhersage des Kreislaufversagens innerhalb von 8 Stunden nach jedem Bewertungszeitpunkt: (1) Risikoschätzungen der Kliniker der Intensivkliniker und (2) zuvor veröffentlichtes maschinelles Lernen (ML) (ML) Modelle retrospektiv angewendet. Für jede Bewertung berechnen wir die AUROC für Kliniker und für das ML -Modell für die gleichen Zeitpunkte und Patienten. Der Unterschied in der AUROC (Kliniker minus ML) ist das Hauptmaß für Interesse, das unter einem Rahmen für die Nichtverwaltung mit einem Rand von 0,025 bewertet wird.
Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Kliniker Vorhersage des Atemversagens innerhalb von 24 Stunden im Vergleich zu veröffentlichten ML -Modellen
Zeitfenster: Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Dieses Ergebnis vergleicht die Fläche unter der Empfängerbetriebscharakteristischen Kurve (AUROC) für zwei Methoden zur Vorhersage von Atemfehlern innerhalb von 24 Stunden nach jedem Bewertungszeitpunkt: (1) Risikoschätzungen der Kliniker der Intensivstation und (2) zuvor veröffentlichtes maschinelles Lernen (ML) (ML) Modelle retrospektiv angewendet. Für jede Bewertung berechnen wir die AUROC separat für Kliniker und für das ML -Modell. Der Unterschied in AUROCs (Kliniker minus ML) ist das Hauptmaß an Interesse und wird unter Verwendung des gleichen methodischen Rahmens wie das primäre Ergebnis bewertet.
Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.

Andere Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Explorative Analyse der Klinikervorhersage des Nierenversagens innerhalb von 48 Stunden im Vergleich zu veröffentlichten ML -Modellen
Zeitfenster: Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Dieses explorative Ergebnis vergleicht den Bereich unter der OROC (Receiver Operating Characteristic Curve) für zwei Methoden zur Vorhersage des Nierenversagen ) Modelle retrospektiv angewendet. Für jede Bewertung berechnen wir die AUROC separat für Kliniker und für das ML -Modell. Der Unterschied in AUROCs wird unter Verwendung des gleichen methodischen Rahmens wie das primäre Ergebnis bewertet.
Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Explorative Analyse der Vorhersage der Kliniker -Mortalität im Vergleich zu veröffentlichten ML -Modellen
Zeitfenster: Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Gesamtmortalitätsvorhersage durch McNemars Test. Bewertet und getestet unter Verwendung der Leistung der jeweiligen Bewertungen durch Kliniker (binäre Reaktion) und entsprechende (gepaarte) Vorhersagen durch ein maschinelles Lernmodell (Wahrscheinlichkeitsvorhersage auf eine binäre Reaktion), die auf historischen Daten für die drei einzelnen binären Ergebnisse der Gesamtmortalität geschult wurde <28-Tage, <6 Monate, <12 Monate. Für jeden Horizont separat werden die maschinenbasierten Wahrscheinlichkeiten Schwellenwert, um der Empfindlichkeit der Kliniker zu entsprechen, ein McNemar-Test wird durchgeführt, um einen signifikanten Unterschied in den Vorhersagefunktionen zu testen, und P-Werte werden angepasst, um bei Bedarf mehrere Tests zu berücksichtigen.
Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Explorative Analyse der prädiktiven Genauigkeit der Behandlung von Ärzten und der Behandlung von Krankenschwestern
Zeitfenster: Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Bewertet und getestet wie die primären, sekundären und ersten explorativen Ergebnisse (d. H. Risiken der Kreislauf-, Atemwegs- und Nierenversagen) unter Verwendung der jeweiligen Bewertungen durch Behandlung von Ärzten und Behandlung von Krankenschwestern mit gepaarten Zeitpunktbewertungen.
Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Vergleich der prädiktiven Genauigkeit der Behandlung mit nicht behandelten Ärzten
Zeitfenster: Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Evaluiert und getestet wie die primären, sekundären und ersten explorativen Ergebnisse (d. H. Risiken für Kreislauf, Atemwege und Nierenversagen) unter Verwendung der jeweiligen Bewertungen durch Kliniker (Behandlung) und sich ausschließlich auf EHR -Point -Bewertungen.
Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Kalibrierungsanalyse der Vorhersagewerte der Kliniker
Zeitfenster: Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Kalibrierungsanalyse der Vorhersagewerte der Kliniker. Die Studie bewertet die Vorhersagefähigkeiten eines Kollektivs von Klinikern. Menschen könnten jedoch in Bezug auf die Bereitstellung von Wahrscheinlichkeitsschätzungen schlecht kalibriert werden. Die Beurteilung der Leistung des Kollektivs ohne Kalibrierung der Personen untereinander kann die tatsächlichen Vorhersagefähigkeiten der Kliniker unterschätzen, wenn sie gut kalibriert würden. Wir schlagen vor, die primären und sekundären Ergebnisse neu zu bewerten, aber zusätzlich eine Risiko-Score-Kalibrierung bei Ärzten durchzuführen.
Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
Explorative Analyse von Mustern (z. B. systematische Fehler/Verzerrungen) der prädiktiven Leistung bei menschlichen und maschinellen Assessoren
Zeitfenster: Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.
  1. Beeinflussung von Faktoren für die Vorhersagefähigkeiten von Klinikern wie Klinikalojalität, Klinikerrolle (inkl. Krankenschwester vs Arzt), Tageszeit, Wochentag, Arbeitsbelastung, Auftrag von Patienten und andere gesammelte Informationen über teilnehmende Kliniker.
  2. Systematische Fehler und Vorurteile sowohl von Bewertungen des menschlichen Experten als auch von Vorhersagen des maschinellen Lernens über das Alter des Patienten, die diagnostizierte Gruppe oder eines der gesammelten patientenspezifischen oder klinativen gesammelten Variablen.
Die Bewertungen werden innerhalb der ersten 72 Stunden nach der Aufnahme erhoben.

Mitarbeiter und Ermittler

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

Sponsor

Ermittler

  • Hauptermittler: Martin Faltys, Dr. med., Insel Gruppe AG, University Hospital Bern

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)

18. November 2024

Primärer Abschluss (Tatsächlich)

15. Mai 2025

Studienabschluss (Geschätzt)

15. Mai 2026

Studienanmeldedaten

Zuerst eingereicht

18. November 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

3. Februar 2025

Zuerst gepostet (Tatsächlich)

7. Februar 2025

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Geschätzt)

28. August 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

27. August 2025

Zuletzt verifiziert

1. November 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

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 .

Abonnieren