Puntuación de riesgo de la unidad de cuidados intensivos (ICURS)
Análisis retrospectivo: sistemas de puntuación en medicina de cuidados intensivos
Descripción general del estudio
Estado
Descripción detallada
Un sistema de puntuación suele constar de dos partes: una puntuación (un número que refleja la gravedad de la enfermedad) y un modelo de probabilidad (ecuación que indica la probabilidad de un evento, por ejemplo, la muerte del paciente en el hospital). Los sistemas de puntuación se han utilizado en medicina de cuidados intensivos durante décadas y pueden ayudar a evaluar la eficacia del tratamiento o identificar pacientes comparables para fines de estudio. Los sistemas de puntuación que se utilizan en la medicina de cuidados intensivos son, por ejemplo,
- Fisiología Aguda, Edad, Evaluación de la Salud Crónica II (APACHE II)
- Puntaje simplificado de fisiología aguda II (SAPS II)
- Puntuación de disfunción orgánica múltiple (MODS)
- Evaluación secuencial de insuficiencia orgánica (SOFA)
- Sistema Logístico de Disfunción de Órganos (LODS)
- MPM II-Admisión (Modelos de Probabilidad de Mortalidad (MPM II)
- Puntuación de disfunción e infección de órganos (ODIN)
- Resultados de la UCI de recalibración de tres días (TRIOS)
- Puntuación de coma de Glasgow (GCS)
- Puntaje de preparación para el alta (DRS) Los sistemas de puntaje mencionados anteriormente ya se recopilan periódicamente en los respectivos departamentos del hospital. En un estudio reciente de Badawi et al. se podría demostrar que los sistemas de puntuación permiten predicciones más precisas cuando se calculan de forma continua. Sin embargo, debido a los colectivos de pacientes investigados, estos resultados solo pueden transferirse a otros grupos de pacientes de forma limitada. Además, solo se analizaron los sistemas de puntuación APACHE, SOFA y DRS.
Por lo tanto, en el presente estudio, todos los sistemas de puntuación anteriores se calcularán de forma continua (una vez por minuto) utilizando datos de rutina de los registros digitales de pacientes y se optimizarán mediante la aplicación de aprendizaje automático y métodos de análisis de series temporales.
En las unidades de cuidados intensivos manejadas anestesiológicamente del hospital respectivo, no existe un estándar en todo el campus con respecto al manejo de alarmas. En consecuencia, estimamos que la tasa de fatiga de alarmas (ignorar alarmas debido a muchas falsas alarmas) es muy alta. Para optimizar la gestión de alarmas, las alarmas de los dispositivos de monitorización de pacientes se evaluarán retrospectivamente y se combinarán con los datos mencionados anteriormente para determinar, por ejemplo, si se esperan alarmas más frecuentes para ciertos tipos de enfermedades (p. sepsis) o puntajes (p. ej., puntaje APACHE alto) y cómo se puede optimizar la configuración del límite de alarma.
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Felix Balzer, Prof
- Correo electrónico: data-science@charite.de
Copia de seguridad de contactos de estudio
- Nombre: Akira S Poncette, MD
- Correo electrónico: data-science@charite.de
Ubicaciones de estudio
-
-
-
Berlin, Alemania, 10117
- Reclutamiento
- Charite Universtitaetsmedizin
-
Contacto:
- Felix Balzer, Prof. Dr. Dr.
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Pacientes con ingreso entre el 01.01.2006 y el 30.09.2023
Criterio de exclusión:
- Pacientes menores de 18 años.
- Registros de pacientes incompletos.
- Estancia intensiva de menos de 24 horas.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Predicción del resultado del paciente
Periodo de tiempo: 2006 - 2023
|
Identificación de puntajes con alto impacto en mortalidad, complicaciones y tiempo de estancia en la unidad de cuidados intensivos
|
2006 - 2023
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Modelo predictivo de carga de alarmas
Periodo de tiempo: 2020 - 2023
|
Identificación de elementos que conducen a una alta carga de alarmas medida por el número de alarmas por día por cama en la unidad de cuidados intensivos
|
2020 - 2023
|
|
Modelo predictivo para alarmas accionables
Periodo de tiempo: 2020 - 2023
|
Identificación de elementos que conducen a un alto número de alarmas accionables medido por el número de alarmas accionables por día por cama en la unidad de cuidados intensivos
|
2020 - 2023
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Felix Balzer, Prof, Charite University, Berlin, Germany
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- ICURS
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
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. .