- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT04678986
ER2 y aprendizaje profundo para la predicción de resultados de salud adversos
Evaluación de la sala de emergencias para usuarios mayores de los departamentos de emergencias: predicción de resultados de salud adversos con algoritmos de aprendizaje profundo
Una visita al Departamento de Emergencias (ED, por sus siglas en inglés) para un adulto mayor es una intervención médica de alto riesgo. Los eventos adversos (EA) conocidos incluyen delirio, estancia prolongada en el servicio de urgencias o en el hospital, hospitalización, visitas recurrentes al servicio de urgencias y muerte hospitalaria. Estos ocurren en una proporción creciente en los visitantes de ED mayores de 65 años que están representados en las visitas a ED.
Las herramientas que predicen los EA en el servicio de urgencias son de suma importancia para ayudar en la toma de decisiones sobre el triaje y la disposición de los pacientes. Pueden ayudar a identificar áreas de necesidades insatisfechas para las personas mayores a fin de desarrollar acciones específicas. Múltiples sistemas de puntuación que incluyen "Programme de recherche sur l'intégration des services de maintien de l'autonomie" (PRISMA-7), Identificación de personas mayores en riesgo (ISAR), Escala de fragilidad clínica (CFS), Evaluación geriátrica breve (BGA) tienen ampliamente estudiado en el servicio de urgencias y otros entornos para varios resultados. Estas herramientas se basan en un sistema de puntuación simple que el personal mínimamente capacitado puede administrar de manera confiable y rápida. Hacer lo contrario es poco probable que sea aplicable a la práctica clínica diaria.
Dado que la precisión de la predicción no ha mejorado significativamente en la última década, tal vez sean necesarias nuevas estrategias de análisis. El entusiasmo actual en torno al aprendizaje profundo proviene de un hardware mejor y más económico y de la disponibilidad de bibliotecas simples y de código abierto respaldadas por grandes empresas y una amplia comunidad de usuarios. Por lo tanto, la implementación de algoritmos de aprendizaje profundo (DL) ahora está abierta a una amplia gama de entornos, incluida la atención médica en una práctica clínica estándar. Se ha demostrado que DL es más preciso que el especialista promedio certificado por la junta en tareas muy específicas. La predicción de varios resultados clínicos ha producido resultados menos dramáticos, tal vez porque los modelos tradicionales (no DL) ya superaron a los médicos para muchos estados de enfermedad. Los enfoques de LD publicados aplicados a la predicción de resultados en el ED se han centrado en adultos con enfermedades agudas en general, condiciones específicas o problemas administrativos como el departamento de admisiones o el hacinamiento en el ED. Ninguno se ha dirigido a un grupo de edad específico como los visitantes mayores de ED.
Una advertencia importante para muchos enfoques de DL es la interpretación de los resultados. Para desarrollar intervenciones basadas en características específicas asociadas con EA en un modelo dado, tiene que ser algo transparente. Si múltiples capas de NN mejoran la predicción en comparación con la regresión lineal, a menudo no brindan información clínicamente relevante sobre cómo y qué variables interactúan para producir ese resultado.
Descripción general del estudio
Tipo de estudio
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Olivier beauchet, MD
- Número de teléfono: 3637 (514)-340-3540
- Correo electrónico: olivier.beauchet@umontreal.ca
Ubicaciones de estudio
-
-
Quebec
-
Montréal, Quebec, Canadá, H3T 1E2
- Jewish General Hospital
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Edad superior a 75 años
- Visita no planificada al departamento de emergencias
Criterio de exclusión:
- No cumple con los criterios de inclusión
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Grupo
- Perspectivas temporales: Otro
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
---|---|
Participantes de ER2
todos los participantes de la base de datos ER2 se incluirán en el análisis
|
Sin intervención, solo análisis de datos
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Duración de la estancia en el servicio de urgencias
Periodo de tiempo: mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
La duración de la estancia en el servicio de urgencias se define como el número medio de horas que los pacientes pasan en el servicio de urgencias.
|
mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Estancia hospitalaria prolongada
Periodo de tiempo: mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
La duración prolongada de la estancia hospitalaria se define como una estancia superior a la media de días que los pacientes pasan en el hospital
|
mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Número de participantes con al menos una hospitalización
Periodo de tiempo: mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Definido como el ingreso en el hospital después de un ingreso en el servicio de Urgencias
|
mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
visitas recurrentes al servicio de urgencias
Periodo de tiempo: mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Definido como todas las visitas recurrentes al departamento de emergencias dentro de los 30 días
|
mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Número de participantes con diagnóstico de delirio
Periodo de tiempo: mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Definido como un diagnóstico de delirio en el cuadro médico del paciente
|
mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Número de participantes con muerte hospitalaria
Periodo de tiempo: mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Definido como una muerte reportada durante la hospitalización
|
mediante constitución de base de datos, de septiembre de 2017 a julio de 2020
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Olivier Beauchet, MD, McGill University
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Estimado)
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
- 2021-2699
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
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. .
Ensayos clínicos sobre ER2
-
Jewish General HospitalActivo, no reclutandoPersonas mayores | Cuidado de la salud | Deterioro de la salud | EvaluacionesCanadá