Esta página se tradujo automáticamente y no se garantiza la precisión de la traducción. por favor refiérase a versión inglesa para un texto fuente.

Prediction of Post-Spinal Hypotension During Cesarean Delivery Using Machine Learning Algorithms

15 de noviembre de 2026 actualizado por: İlke Dolgun, Istinye University

Prediction of Hypotension Following Spinal Anesthesia During Cesarean Delivery Using Machine Learning Algorithms: A Retrospective Training and Prospective Validation Study

This study aims to develop and prospectively validate machine learning models for predicting hypotension following spinal anesthesia in pregnant women undergoing elective cesarean delivery. The study consists of two cohorts: a retrospective training cohort including at least 200 patients and an independent prospective validation cohort including 50 patients.

Three machine learning algorithms (Random Forest, XGBoost, and Logistic Regression) will be trained using preoperative demographic, anthropometric, and baseline hemodynamic variables, including age, body mass index, parity, gestational age, baseline systolic blood pressure, and baseline heart rate.

The primary outcome is post-spinal hypotension, defined as a decrease in systolic blood pressure of at least 20% from baseline and/or the requirement for vasopressor administration within the first 15 minutes after spinal anesthesia.

The best-performing model will be evaluated in the independent prospective cohort to assess its predictive performance in a real clinical setting.

Descripción general del estudio

Estado

Aún no reclutando

Condiciones

Tipo de estudio

De observación

Inscripción (Estimado)

250

Contactos y Ubicaciones

Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.

Estudio Contacto

Ubicaciones de estudio

    • Merkez Mahallesi
      • Istanbul, Merkez Mahallesi, Turquía (Türkiye), 34250
        • Istinye Üniversity

Criterios de participación

Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.

Criterio de elegibilidad

Edades elegibles para estudiar

18 años a 45 años (Adulto)

Acepta Voluntarios Saludables

No

Géneros elegibles para el estudio

Femenino

Método de muestreo

Muestra no probabilística

Población de estudio

The study population will consist of pregnant women aged 18-45 years with ASA physical status I-II, singleton pregnancies, and scheduled for elective cesarean delivery under spinal anesthesia. The study will include two cohorts: a retrospective training cohort of at least 200 eligible patients identified from hospital records between January 1, 2025, and October 1, 2026, and an independent prospective validation cohort of 50 eligible pregnant women. Participants will be assessed according to predefined inclusion and exclusion criteria. The study population will include women with no history of chronic hypertension or preeclampsia/eclampsia and without contraindications to neuraxial anesthesia.

Descripción

Inclusion Criteria:

  • Age between 18 and 45 years.
  • ASA physical status I-II.
  • Singleton pregnancy.
  • Scheduled for elective cesarean delivery under spinal anesthesia.

Exclusion Criteria:

  • Multiple pregnancy.
  • Emergency cesarean delivery, including cases of fetal distress.
  • Chronic hypertension.
  • History of preeclampsia or eclampsia.
  • Contraindications to neuraxial anesthesia.

Plan de estudios

Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.

¿Cómo está diseñado el estudio?

Detalles de diseño

  • Modelos observacionales: COHORT
  • Perspectivas temporales: OTHER

¿Qué mide el estudio?

Medidas de resultado primarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Predictive Performance of Machine Learning Models for Post-Spinal Hypotension
Periodo de tiempo: Within the first 15 minutes following spinal anesthesia.

The predictive performance of machine learning models (Random Forest, XGBoost, and Logistic Regression) for identifying post-spinal hypotension will be evaluated using the area under the receiver operating characteristic curve (AUC-ROC). Post-spinal hypotension is defined as a decrease in systolic blood pressure of at least 20% from baseline and/or the requirement for vasopressor administration within the first 15 minutes following spinal anesthesia. Models will be developed using the retrospective training cohort and evaluated in the independent prospective validation cohort.

Within the first 15 minutes following spinal anesthesia.

Colaboradores e Investigadores

Aquí es donde encontrará personas y organizaciones involucradas en este estudio.

Patrocinador

Publicaciones y enlaces útiles

La persona responsable de ingresar información sobre el estudio proporciona voluntariamente estas publicaciones. Estos pueden ser sobre cualquier cosa relacionada con el estudio.

Fechas de registro del estudio

Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados ​​por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.

Fechas importantes del estudio

Inicio del estudio (Estimado)

21 de noviembre de 2026

Finalización primaria (Estimado)

21 de enero de 2027

Finalización del estudio (Estimado)

1 de febrero de 2027

Fechas de registro del estudio

Enviado por primera vez

15 de noviembre de 2026

Primero enviado que cumplió con los criterios de control de calidad

15 de noviembre de 2026

Publicado por primera vez (Actual)

19 de noviembre de 2026

Actualizaciones de registros de estudio

Última actualización publicada (Actual)

19 de noviembre de 2026

Última actualización enviada que cumplió con los criterios de control de calidad

15 de noviembre de 2026

Última verificación

1 de noviembre de 2026

Más información

Términos relacionados con este estudio

Otros números de identificación del estudio

  • HASEKI-CS-ML-2026

Información sobre medicamentos y dispositivos, documentos del estudio

Estudia un producto farmacéutico regulado por la FDA de EE. UU.

No

Estudia un producto de dispositivo regulado por la FDA de EE. UU.

No

Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .