Deep-Learning-Framework für kontinuierliche Vorhersage der Narkosetiefe
Validierung eines Deep-Learning-Frameworks für die kontinuierliche Vorhersage von pharmakodynamischen Reaktionen und physiologischen Verläufen während der Allgemeinanästhesie
Die Integration von künstlicher Intelligenz (KI) in die Anästhesiologie bietet das Potenzial, die Patientenüberwachung von reaktiv zu prädiktiv zu verlagern. Deep-Learning-Architekturen, insbesondere Long Short-Term Memory (LSTM)-Netzwerke, sind besonders gut darin, komplexe Zeitreihendaten zu verarbeiten, um zukünftige klinische Zustände vorherzusagen.
Während Standard-PK/PD-Modelle (wie das hochmoderne Eleveld-Modell für Propofol und Remifentanil) die Arzneimittelkonzentrationen am Zielort (Ce) schätzen, berücksichtigen sie nicht die patientenspezifischen dynamischen Reaktionen in Echtzeit. Diese Studie zielt darauf ab, einen KI-Rahmen zu entwickeln, der darauf ausgelegt ist, zukünftige physiologische Zustände vorherzusagen.
Studienübersicht
Status
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienkontakt
- Name: Hugo Carvalho, MD, PhD
- Telefonnummer: +32 50 45 24 19
- E-Mail: hugo.nogueiracarvalho@azsintjan.be
Studienorte
-
-
-
Bruges, Belgien, 8000
- AZ Sint-Jan AV
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Patienten, die für eine elektive Operation unter Vollnarkose geplant sind.
- Eingriffe, die eine kontinuierliche Überwachung der Narkosetiefe (BIS) erfordern.
Ausschlusskriterien:
- Eingriffe, bei denen der primäre Narkoseplan keine kontinuierliche elektronische Datenerfassung vorsieht.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Prospektiv
Prospektive Kohorte
|
|
Retrospektive
Retrospektive Kohorte
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Kalibrierungsfehler des prädiktiven Unsicherheitskegels
Zeitfenster: Kontinuierlich - Perioperativ
|
Kalibrierungsfehler des prädiktiven Unsicherheitskegels - Der Kalibrierungsfehler des prädiktiven Unsicherheitskegels ist die Diskrepanz zwischen dem angegebenen Konfidenzniveau eines Modells (z.B. der Vorhersage, dass 95% der zukünftigen Werte in einen bestimmten Bereich fallen) und der tatsächlichen Häufigkeit, mit der die wahren Werte tatsächlich innerhalb dieser vorhergesagten Grenze liegen.
|
Kontinuierlich - Perioperativ
|
|
Mittlerer absoluter Fehler (MAE)
Zeitfenster: Kontinuierlich - perioperativ
|
Mittlerer absoluter Fehler (MAE)
|
Kontinuierlich - perioperativ
|
|
Trendgenauigkeit
Zeitfenster: Kontinuierlich - perioperativ
|
Trendgenauigkeit misst die Fähigkeit eines Vorhersagemodells, die zukünftige Richtung und Änderungsrate einer Variable korrekt vorherzusagen (z. B. ob die Narkosetiefe eines Patienten aktiv abnimmt oder zunimmt), unabhängig vom absoluten numerischen Fehler zu einem einzelnen Zeitpunkt.
|
Kontinuierlich - perioperativ
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Root Mean Square Error (RMSE)
Zeitfenster: Kontinuierlich - perioperativ
|
Root Mean Square Error (RMSE)
|
Kontinuierlich - perioperativ
|
Mitarbeiter und Ermittler
Sponsor
Mitarbeiter
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
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
- AIBIS
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 .