- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT05099627
Diagnóstico y predicción de aprendizaje automático para la mielopatía cervical (MCM)
Un modelo de aprendizaje automático en el punto de atención y un sistema de puntuación para el diagnóstico temprano y la predicción del resultado del tratamiento en pacientes con mielopatía cervical: un estudio de cohorte ambispectivo.
DISEÑO: Estudio de cohorte ambispectivo (retrospectivo + prospectivo). OBJETIVOS: El objetivo general de este estudio de investigación es crear dos modelos predictivos de aprendizaje automático que se basen en variables radiológicas, clínicas y bioquímicas, lo que permite a los cirujanos de columna diagnosticar CSM antes y con mayor precisión, además de permitirles brindar a los pacientes altamente individualizados. e información predictiva precisa sobre los resultados del tratamiento.
MEDIDAS DE RESULTADO: Para el brazo prospectivo del estudio, las variables independientes serán las características del paciente, los marcadores clínicos, radiológicos y bioquímicos. Las variables dependientes son las puntuaciones mJOA y JOACMEQ. Para el brazo retrospectivo del estudio, las variables independientes serán las características del paciente, las comorbilidades y la sintomatología, la variable de resultado será la confirmación radiológica de la mielopatía cervical.
POBLACIÓN: Pacientes con mielopatía cervical mayores de 18 años (19 años y más incluidos), tratados en Imperial College NHS Healthcare Trust para CM con plena capacidad para dar consentimiento y evaluados para síntomas de mielopatía cervical en Community MSK Hounslow y Richmond Community Healthcare NHS Trust (área de captación área de neurocirugía del ICTT).
ELEGIBILIDAD: Mayor de 18 años, con plena capacidad para consentir. TRATAMIENTO: Diagnóstico de mielopatía cervical y/o manejo conservador y/o quirúrgico de la enfermedad DURACIÓN: 18 meses
Descripción general del estudio
Estado
Condiciones
Descripción detallada
INTRODUCCIÓN
1.1 ANTECEDENTES
La mielopatía cervical espondilótica (CSM) es una patología de la médula espinal que culmina en una compresión progresiva de la médula espinal cervical. Es una de las causas más comunes de patología de la médula espinal a nivel mundial y puede tener efectos perjudiciales significativos para la calidad de vida de los pacientes (Merali et al., 2019). El tratamiento estándar de oro actual para CSM es la descompresión quirúrgica, que restaura la función y mejora la calidad de vida; sin embargo, la descompresión quirúrgica no beneficia a todos los pacientes. Dada esta dicotomía, es evidente que es fundamental identificar correctamente a los pacientes aptos para la cirugía, para evitar a los pacientes no aptos los riesgos innecesarios de la cirugía. Los cirujanos de columna deben analizar grandes cantidades de datos de pacientes, incluidos parámetros clínicos y radiológicos, para estratificar correctamente a los pacientes. Sin embargo, sigue siendo elusivo cómo se debe ponderar cada parámetro y si se han identificado todos los parámetros predictivos. Además, es fundamental que el diagnóstico de CSM se realice lo antes posible, ya que se ha informado que los resultados quirúrgicos mejoran significativamente si se diagnostica en una etapa temprana de la enfermedad en comparación con una etapa tardía. Se informó que realizado en etapas anteriores durante el curso de CSM tuvo más éxito en comparación con la etapa posterior (Baron & Young, 2007). Se han identificado parámetros radiológicos que pueden ayudar en la detección temprana, incluidas las imágenes de tensor de difusión y el aumento de la densidad de las imágenes ponderadas en T2 de resonancia magnética; -métodos estadísticos de aprendizaje profundo, que es muy probable que hayan pasado por alto parámetros destacados debido a limitaciones estadísticas inherentes. El aprendizaje automático es el estándar de oro estadístico actual para el modelado y análisis de datos. Combina la informática y las estadísticas para producir la máxima precisión predictiva. Recientemente, el aprendizaje automático se ha aplicado cada vez más y con éxito a la investigación médica y quirúrgica para predecir los resultados de enfermedades y tratamientos para diversas afecciones, lo que arroja resultados superiores a los métodos estadísticos convencionales. Para continuar, además de los signos radiológicos, se han identificado algunos signos clínicos como el signo de Hoffman para ayudar en el diagnóstico temprano de la mielopatía cervical (Denno & Meadows, 1991), sin embargo, los hallazgos sobre los predictores clínicos son escasos y la pregunta sigue siendo cómo se comparan con los radiológicos. y biomarcadores bioquímicos y si existen predictores clínicos no identificados. Merali et al. utilizaron un modelo de aprendizaje automático para combinar parámetros clínicos y bioquímicos para crear un modelo predictivo holístico, pero no incluyeron parámetros radiológicos, además de centrarse principalmente en el resultado del tratamiento en lugar del diagnóstico temprano. Por lo tanto, este estudio tiene como objetivo llenar el vacío en la literatura y analizar todos los datos fundamentales de los pacientes, a saber, radiológicos, bioquímicos y clínicos, para detectar nuevos y sopesar los predictores existentes relevantes para el diagnóstico temprano de la mielopatía cervical y el resultado del tratamiento, así como la estratificación del progreso de la enfermedad.
Tres estudios recientes han analizado el aprendizaje automático en el contexto de CSM. En primer lugar, Merali et al. (2019) investigaron el uso del aprendizaje automático para predecir los resultados quirúrgicos en pacientes con CSM. Su modelo funcionó bien, sin embargo, no consideró ninguna imagen radiológica, lo cual es una limitación significativa para este estudio, ya que las imágenes brindan pistas fundamentales, particularmente para el diagnóstico temprano de CSM. Además, mientras creaban un modelo de aprendizaje automático, los autores no lograron crear una herramienta para que la usaran los médicos que se basa en el modelo de aprendizaje automático. El segundo estudio, también de Merali et al. (2021) aplicaron el aprendizaje automático a las imágenes radiológicas para la detección de la patología CSM. Nuevamente, el modelo funcionó razonablemente bien; sin embargo, solo se incluyeron pacientes con MCE confirmados, lo cual es una gran limitación. Es fundamental incluir pacientes de CSM en etapa temprana para analizar cómo funciona el modelo de aprendizaje automático en comparación con los métodos convencionales en términos de predicción y si puede ayudar en la detección temprana. Además, ambos estudios fueron de naturaleza retrospectiva, lo que significa que no habría sido posible ninguna comparación entre el modelo de aprendizaje automático y los métodos convencionales. Hopkins et al. (2019) analizaron el uso del aprendizaje automático en el diagnóstico, en lugar de la predicción, de CSM. Sin embargo, una limitación importante de este estudio es que solo utilizó imágenes radiológicas, descuidando por completo los parámetros clínicos y bioquímicos. De hecho, Merali et al. (2019) también ignoraron por completo los parámetros bioquímicos en su análisis. Potencialmente, esta es una importante variable inexplorada en la patogenia y el diagnóstico de la CSM que debe explorarse. Para concluir, los estudios han analizado el aprendizaje automático para diagnosticar y hacer predicciones en CSM, sin embargo, tienen limitaciones severas que solo observan fragmentos de la vía de diagnóstico. Con ese fin, dado que el diagnóstico y las predicciones con respecto a la progresión de la enfermedad de CSM y el resultado del tratamiento comparten una multitud de variables exactamente iguales, es lógico y necesario analizarlos juntos, en lugar de en estudios separados. Además, es necesario incluir variables radiológicas, pero también clínicas y bioquímicas para lograr un modelo de aprendizaje automático casi óptimo, ya que estas son las herramientas a las que un médico también tendría acceso para basar sus diagnósticos y predicciones. Por lo tanto, este estudio examinará las variables radiológicas, clínicas y bioquímicas con el aprendizaje automático en el contexto del diagnóstico, así como las predicciones sobre la progresión de la enfermedad y los resultados del tratamiento. Luego, todos los estudios fallaron en examinar el uso del aprendizaje automático para el diagnóstico temprano. Dado que el diagnóstico temprano es fundamental para mejorar el resultado del tratamiento, este es un gran vacío en la literatura, que este estudio de investigación pretende llenar, centrándose en las variables que ayudan a la detección temprana de CSM a través de la inclusión de casos leves de CSM. En última instancia, ninguno de los estudios ha utilizado la evaluación de la calidad de vida basada en el paciente (es decir, JOACMEQ) como variable de resultado que podría ser más importante que mJOA.
En resumen Las limitaciones de los estudios sobre el tema de CSM y la predicción del resultado del tratamiento hasta ahora han sido que solo usaron mJOA como variable de resultado, en lugar de usar el JOACMEQ basado en el paciente. Esta es una gran limitación, ya que, en última instancia, solo el paciente puede evaluar subjetivamente y evaluar el resultado del tratamiento. En cuanto al tema del diagnóstico precoz de la MCE, no existen estudios que hayan explorado este tema en absoluto.
1.2 FUNDAMENTO DEL ESTUDIO ACTUAL
OBJETIVOS
El objetivo general de este estudio de investigación es crear dos modelos predictivos de aprendizaje automático que se basen en variables radiológicas, clínicas y bioquímicas, lo que permite a los cirujanos de columna diagnosticar CSM antes y con mayor precisión, además de permitirles brindar a los pacientes diagnósticos altamente individualizados y precisos. información predictiva sobre los resultados del tratamiento.
HIPÓTESIS
Existen características del paciente, parámetros bioquímicos, radiológicos y clínicos no identificados que podrían ayudar en el diagnóstico temprano y la predicción del tratamiento de la mielopatía cervical cuando se combinan con biomarcadores ya conocidos. Estos patrones se pueden identificar y ponderar con aprendizaje automático supervisado y no supervisado, así como con regresión lineal multivariada. Posteriormente, el modelo de aprendizaje automático se puede entrenar con validación cruzada anidada para lograr un ajuste óptimo, evitando el sobreajuste, para predecir el diagnóstico de mielopatía cervical. En última instancia, se puede desarrollar una herramienta de punto de atención para médicos de cabecera y cirujanos de columna para ayudar detección temprana de mielopatía cervical y predicción del resultado del tratamiento de pacientes con mielopatía cervical. Se supone que las predicciones de aprendizaje automático con respecto al resultado del tratamiento y la progresión de la enfermedad son significativamente más precisas que la capacidad predictiva actual de los médicos.
RIESGOS Y BENEFICIOS
Riesgos: Molestias potenciales durante el examen. Esto se mitigará preguntando por el dolor antes del examen y utilizando técnicas de examen suaves. Los posibles inconvenientes se mitigarán encontrando un momento que sea conveniente para el paciente.
Beneficio: en caso de recurrencia de sus síntomas después de la cirugía, nuestro modelo y algoritmo de aprendizaje automático pueden ayudar a los neurocirujanos tratantes a diagnosticar la recurrencia de la mielopatía cervical en una etapa temprana y predecir con mayor precisión si se beneficiarán de la cirugía nuevamente o si se beneficiarían. de la gestión conservadora en su lugar.
Los pacientes no recibirán ningún pago, reembolso de gastos ni ningún otro beneficio o incentivo por participar en esta investigación, ni ningún pago personal por encima del salario normal, ni ningún otro beneficio o incentivo, y el Investigador Jefe o cualquier otro investigador/colaborador no tiene ninguna participación personal directa (p. financieros, accionariales, relaciones personales, etc.) en las organizaciones que patrocinan o financian la investigación que puedan dar lugar a un posible conflicto de interés.
Los participantes de la investigación no recibirán ningún pago, reembolso de gastos ni ningún otro beneficio o incentivo por participar en esta investigación.
- OBJETIVOS DEL ESTUDIO
OBJETIVOS
Diagnóstico precoz de CSM
- Identificar predictores clínicos tempranos del diagnóstico de mielopatía cervical en función de los síntomas informados por pacientes individuales mediante el uso de un cuestionario retrospectivo y, posiblemente, un análisis retrospectivo de datos bioquímicos, radiológicos y clínicos mediante la detección de patrones con aprendizaje automático o, alternativamente, regresión lineal multivariada.
- Convertir los hallazgos del modelo de aprendizaje automático o el análisis de regresión multivariante en un sistema de puntuación o una herramienta de aprendizaje automático que se puede usar clínicamente para calificar a los pacientes en grupos de CSM con probabilidad baja, probabilidad moderada o alta para ayudar al diagnóstico clínico temprano y prevenir uso innecesario de imágenes.
Predicción del resultado del tratamiento de CSM
- Realizar un seguimiento prospectivo de una cohorte de pacientes con CSM recopilando tantas variables independientes clínicas, bioquímicas y radiológicas relevantes como sea posible, además de utilizar el cuestionario JOACMEQ y mJOA antes, como variables de resultado. La relación de las variables independientes y de resultado se analizará mediante métodos convencionales y aprendizaje automático.
- Construir y entrenar un modelo de aprendizaje automático para predecir con precisión el resultado del tratamiento en pacientes diagnosticados.
- Usar el modelo de aprendizaje automático como base para diseñar una herramienta de puntuación o un algoritmo de punto de atención que se pueda usar clínicamente para calificar a los pacientes en pacientes con poca probabilidad, probabilidad moderada o alta de ser respondedores de cirugía de CSM para ayudar al manejo adecuado de CSM pacientes
3. DISEÑO DEL ESTUDIO
Tipo de estudio: Estudio de cohortes prospectivo y retrospectivo no aleatorizado Duración: Prospectivo: Observaciones antes del tratamiento, después del tratamiento a los 3 meses y 6 meses (mínimo 18 meses).
Retrospectivo: Mínimo últimos 2 años. Número de pacientes: aproximadamente 300 (100 prospectivos, 200 retrospectivos).
Esta muestra se determinó sobre la base de estimaciones de pacientes con mielopatía cervical en el Imperial College NHS Healthcare Trust en el pasado para un estudio prospectivo. 100 pacientes con mielopatía cervical tratados en Imperial College NHS Healthcare Trust en los siguientes 18 meses como mínimo para el brazo prospectivo, así como 100 pacientes tratados en los últimos 2 años como mínimo en ICHT, y 100 pacientes con diagnóstico negativo de un solo equipo de Community MSK de Hounslow y Richmond Community Healthcare NHS Trust, que se encuentra en el área de captación de Imperial College Healthcare NHS Trust Neurosurgery. Dado el enfoque de aprendizaje automático, este tamaño de muestra puede parecer demasiado pequeño para mantener la precisión (como se explica detalladamente aquí: https://www.fharrell.com/post/ml-sample-size/ ), sin embargo, se han tomado las medidas adecuadas para garantizar una alta precisión y evitar el sobreajuste. Para el aprendizaje automático, se ha demostrado que la validación cruzada anidada (NCV) no se ve afectada por el sesgo debido a los tamaños de muestra pequeños, de hecho, no responde de manera lineal positiva o negativa a los cambios en el tamaño de la muestra, manteniéndose muy precisa y robusta (Vabalas et al. ., 2019). Por lo tanto, utilizaremos NCV. Además, el tamaño de la muestra de n = 100 y n = 200 respectivamente, se ve reforzado por la gran cantidad de rasgos característicos (250+ para el estudio prospectivo, 10-50 para el [dependiendo de la limpieza de los datos de CMSK] ver ambos cuestionarios) , que tiene una influencia significativamente positiva en la precisión del modelo (Vabalas et al. 2019) Métricas de datos: información recopilada a través de exámenes clínicos y cuestionarios realizados retrospectivamente por teléfono, antes de la operación y a los 3 y 6 meses después de la operación. El cuestionario "Cuestionario de resultados del tratamiento de la mielopatía cervical" adjunto registra información relacionada con las comorbilidades y la sintomatología. El examen será un examen neurológico completo además de un examen cardiovascular enfocado. Marcadores sanguíneos bioquímicos de marcadores sanguíneos existentes o de registros de médicos de cabecera, que se han realizado o se habrían realizado independientemente de este ensayo. Los hallazgos radiológicos se tomarán de la resonancia magnética de rutina y las radiografías de la columna cervical realizadas como parte del trabajo de diagnóstico de CSM. El cuestionario retrospectivo "Cuestionario de diagnóstico temprano de CSM" contiene todas las preguntas que se recopilarán retrospectivamente por teléfono. Además, los datos clínicos, bioquímicos y radiológicos de las bases de datos locales de SystemOne se recopilarán para el análisis y la comparación de los pacientes del equipo de MSK de la comunidad, los que finalmente hayan sido diagnosticados con CM y los examinados para la consulta de CM.
El modelo se convertirá en una herramienta de predicción de resultados de tratamiento en el punto de atención basada en la web utilizando el paquete Shiny en R. Los datos y toda la documentación apropiada se almacenarán según la política de Trust, incluido el período de seguimiento.
3.1 MEDIDAS DE RESULTADO DEL ESTUDIO La puntuación mJOA y la puntuación JOACMEQ son las medidas de resultado para el brazo prospectivo del estudio. La buena respuesta a la cirugía es una mejora de 1 punto en la puntuación mJOA a los 3 y 6 meses. La confirmación radiológica de mielopatía cervical es la medida de resultado para el brazo retrospectivo.
Tipo de estudio
Inscripción (Anticipado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Salvatore Russo, FRCS
- Número de teléfono: +44 7883088997
- Correo electrónico: salvatore.russo@nhs.net
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
Acepta Voluntarios Saludables
Géneros elegibles para el estudio
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
Mayores de 18 años. Tratado en Imperial College NHS Healthcare Trust y/o Community MSK Hounslow y Richmond Community Healthcare NHS Trust por mielopatía cervical.
Plena capacidad para consentir.
Criterio de exclusión:
Niños y adolescentes. Pacientes con VIH, ECJ y Hepatitis.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Modelos observacionales: Grupo
- Perspectivas temporales: Otro
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
---|---|
Grupo de estudio de cohorte prospectivo
El cuestionario "Cuestionario de resultados del tratamiento de la mielopatía cervical" adjunto registra información relacionada con las comorbilidades y la sintomatología. El examen será un examen neurológico completo además de un examen cardiovascular enfocado. Marcadores sanguíneos bioquímicos de marcadores sanguíneos existentes o de registros de médicos de cabecera, que se han realizado o se habrían realizado independientemente de este ensayo. Los hallazgos radiológicos se tomarán de la resonancia magnética de rutina y las radiografías de la columna cervical realizadas como parte del trabajo de diagnóstico de CSM. La puntuación mJOA y la puntuación JOACMEQ son las medidas de resultado para el brazo prospectivo del estudio. La buena respuesta a la cirugía es una mejora de 1 punto en la puntuación mJOA a los 3 y 6 meses. |
Información recopilada a través del examen clínico y cuestionarios realizados retrospectivamente por teléfono, antes de la operación y a los 3 y 6 meses después de la operación.
El cuestionario "Cuestionario de resultados del tratamiento de la mielopatía cervical" adjunto registra información relacionada con las comorbilidades y la sintomatología.
El examen será un examen neurológico completo además de un examen cardiovascular enfocado.
Marcadores sanguíneos bioquímicos de marcadores sanguíneos existentes o de registros de médicos de cabecera, que se han realizado o se habrían realizado independientemente de este ensayo.
Los hallazgos radiológicos se tomarán de la resonancia magnética de rutina y las radiografías de la columna cervical realizadas como parte del trabajo de diagnóstico de CSM.
Se utiliza para una cohorte prospectiva por teléfono a los 3, 6 y 12 meses después de la operación para evaluar los resultados del tratamiento.
|
Grupo de estudio de cohorte retrospectivo
El cuestionario retrospectivo "Cuestionario de diagnóstico precoz CSM" contiene todas las preguntas que serán recogidas retrospectivamente vía telefónica. Además, los datos clínicos, bioquímicos y radiológicos de las bases de datos locales de SystemOne se recopilarán para el análisis y la comparación de los pacientes del equipo de MSK de la comunidad, los que finalmente hayan sido diagnosticados con CM y los examinados para la consulta de CM. La confirmación radiológica de mielopatía cervical es la medida de resultado para el brazo retrospectivo. |
Identificar predictores clínicos tempranos del diagnóstico de mielopatía cervical en función de los síntomas informados por pacientes individuales mediante el uso de un cuestionario y las características de los pacientes, así como las comorbilidades, así como los hallazgos de exámenes clínicos proporcionados por equipos musculoesqueléticos de la comunidad.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
Cuestionario JOACMEQ
Periodo de tiempo: 31 de octubre de 2021 al 31 de octubre de 2022
|
Para el brazo prospectivo.
|
31 de octubre de 2021 al 31 de octubre de 2022
|
cuestionario mJOA
Periodo de tiempo: 31 de octubre de 2021 al 31 de octubre de 2022
|
Para el brazo prospectivo.
|
31 de octubre de 2021 al 31 de octubre de 2022
|
"Cuestionario de resultados del tratamiento de la mielopatía cervical"
Periodo de tiempo: 31 de octubre de 2021 al 31 de octubre de 2022
|
Para el brazo prospectivo.
Se medirá mediante examen físico, tomando un historial médico, resultados de cuestionarios y extracción de datos de registros médicos.
Este estudio no agregará intervenciones invasivas.
|
31 de octubre de 2021 al 31 de octubre de 2022
|
"Cuestionario de diagnóstico precoz CSM"
Periodo de tiempo: 31 de octubre de 2021 - 31 de octubre de 2019 (retrospectiva)
|
Para brazo retrospectivo.
Ver cuestionario adjunto.
|
31 de octubre de 2021 - 31 de octubre de 2019 (retrospectiva)
|
Puntuación Nurick
Periodo de tiempo: 31 de octubre de 2021 - 31 de octubre de 2019 (retrospectiva)
|
Para brazo retrospectivo.
Usando los datos de imágenes radiológicas de los pacientes, el diagnóstico arrojó usando el Nurick Score.
|
31 de octubre de 2021 - 31 de octubre de 2019 (retrospectiva)
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
---|---|---|
DOR (odds ratio de diagnóstico)
Periodo de tiempo: 31 octubre 2022 hasta 31 diciembre 2022
|
La eficiencia diagnóstica del proveedor de atención médica que usa nuestro modelo de aprendizaje automático y la herramienta de puntuación para CM y no usa nuestras herramientas para diagnosticar la mielopatía cervical se calculará usando diagnósticos de verdadero negativo, falso negativo, verdadero positivo, falso positivo, para finalmente calcular y comparar el logDOR (odds ratio de diagnóstico logarítmico) de ambos grupos.
|
31 octubre 2022 hasta 31 diciembre 2022
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Director de estudio: Santhosh G. Thavarajasingam, BSc, Imperial College London
- Silla de estudio: Mahmoud El-Khatib, BSc, Imperial College London
- Silla de estudio: Mark Rea, BSc, Imperial College London
- Silla de estudio: Diana Keeling, BSc Msc, Community MSK Hounslow and Richmond Community Healthcare NHS Trust
Publicaciones y enlaces útiles
Publicaciones Generales
- Baron EM, Young WF. Cervical spondylotic myelopathy: a brief review of its pathophysiology, clinical course, and diagnosis. Neurosurgery. 2007 Jan;60(1 Supp1 1):S35-41. doi: 10.1227/01.NEU.0000215383.64386.82.
- Hopkins BS, Weber KA 2nd, Kesavabhotla K, Paliwal M, Cantrell DR, Smith ZA. Machine Learning for the Prediction of Cervical Spondylotic Myelopathy: A Post Hoc Pilot Study of 28 Participants. World Neurosurg. 2019 Jul;127:e436-e442. doi: 10.1016/j.wneu.2019.03.165. Epub 2019 Mar 25.
- Merali ZG, Witiw CD, Badhiwala JH, Wilson JR, Fehlings MG. Using a machine learning approach to predict outcome after surgery for degenerative cervical myelopathy. PLoS One. 2019 Apr 4;14(4):e0215133. doi: 10.1371/journal.pone.0215133. eCollection 2019.
- Merali Z, Wang JZ, Badhiwala JH, Witiw CD, Wilson JR, Fehlings MG. A deep learning model for detection of cervical spinal cord compression in MRI scans. Sci Rep. 2021 May 18;11(1):10473. doi: 10.1038/s41598-021-89848-3.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Anticipado)
Finalización primaria (Anticipado)
Finalización del estudio (Anticipado)
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
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 21SM7167
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan 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 Mielopatía cervical
-
Stanford UniversityTerminadoCirugía Cervical Posterior | Fusión cervical posterior | Laminectomía cervical posterior | Laminoplastia Cervical PosteriorEstados Unidos
-
Gazi UniversityReclutamientoRadiculopatía cervical | Dolor radicular cervical | Radiculitis cervical | Síndrome de la raíz cervicalPavo
-
Valérie SchuermansReclutamientoEnfermedad del disco cervical | Fusión cervical | Fusión de columna | Espondilosis cervical | Hernia de disco cervical | Mielopatía cervical | Degeneración del disco cervical | Radiculopatía Cervical | Mielopatía Compresiva | Radiculopatía, Región Cervical | Radiculopatía; en espondilosis | Radiculopatía; en... y otras condicionesPaíses Bajos
-
Blaz BarunReclutamientoLesión por latigazo cervical de la columna cervicalCroacia
-
University of IcelandLandspitali University Hospital; Reykjavik University; Empowered HealthActivo, no reclutandoLesión por latigazo cervical de la columna cervicalIslandia
-
NuVasiveInscripción por invitaciónRadiculopatía cervical | Enfermedad del disco cervical | Enfermedad de la columna cervical | Mielopatía cervical | Espondilosis cervical | Hernia de disco cervical | Estenosis cervicalEstados Unidos
-
Istanbul Medipol University HospitalTerminadoDolor | Radiculopatía cervical | Enfermedad del disco cervical | Hernia de disco cervical | Dolor radicular cervical | Cervical; HerniaPavo
-
University of MichiganWashington University School of Medicine; LFR InternationalTerminadoLesión de la vértebra cervical | Fractura de vértebra cervicalEstados Unidos
-
Western Galilee Hospital-NahariyaReclutamiento
-
Imperial College Healthcare NHS TrustImperial College London; The Wellington Hospital, LondonTerminado