ANÁLISIS PREDICTIVOS Y AVANZADOS EN MEDICINA DE EMERGENCIA - DÉFICITS NEUROLÓGICOS (PAN-EM-NEURO)
Es probable que los modelos predictivos futuros en medicina de emergencia combinen el uso de una amplia gama de puntos de datos, como documentación continua, monitoreo mediante dispositivos portátiles, imágenes, biomarcadores y datos administrativos en tiempo real de todos los proveedores de atención médica involucrados. Conjuntos de datos extensos posteriores podrían alimentar algoritmos avanzados de redes neuronales y de aprendizaje profundo para predecir con precisión el riesgo de condiciones de salud específicas. Además, el análisis predictivo apunta al desarrollo de vías clínicas que sean adaptativas y se actualicen continuamente, y en las que la toma de decisiones sanitarias esté respaldada por algoritmos sofisticados para proporcionar el mejor curso de acción de forma eficaz y segura. El potencial del análisis predictivo para revolucionar muchos aspectos de la atención sanitaria parece claro en el horizonte. La información sobre el uso en medicina de emergencia es escasa.
Nuestro objetivo es evaluar el rendimiento del uso de datos de rutina para predecir el uso de recursos en medicina de emergencia utilizando el síntoma común de déficit neurológico agudo. Como perspectiva, esto podría servir como prototipo para otros proyectos similares que utilicen datos médicos de rutina para análisis predictivos en medicina de emergencia.
Descripción general del estudio
Estado
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Jan Niederdöckl, MD
- Número de teléfono: 0042 40 400 19640
- Correo electrónico: jan.niederdoeckl@meduniwien.ac.at
Ubicaciones de estudio
-
-
-
Vienna, Austria, 1090
- Reclutamiento
- Emergency Department, Medical University Vienna
-
Contacto:
- Jan Niederdöckl, Dr.
- Correo electrónico: jan.niederdoeckl@medunwien.ac.at
-
Contacto:
- Alexander Simon, Dr.
- Correo electrónico: alexander.simon@medunwien.ac.at
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Análisis retrospectivo de datos recopilados de forma rutinaria. Nuestro objetivo es encontrar patrones de datos asociados con la utilización de recursos hospitalarios de pacientes hospitalizados por servicios médicos de emergencia por sospecha de déficit neurológico agudo.
Usaremos únicamente información del sistema de documentación médica electrónica de rutina para este estudio. No se realizará ningún vínculo con otros conjuntos de datos. Los datos del sistema incluyen datos demográficos del paciente, síntomas iniciales, signos y puntuaciones vitales prehospitalarios, diagnóstico de sospecha realizado por los servicios médicos de emergencia, signos y puntuaciones vitales intrahospitalarios, procedimientos de diagnóstico intrahospitalario (tomografía computarizada, tomografía computarizada, resonancia magnética, resonancia magnética) y procedimientos terapéuticos (intervención con catéter) y diagnostico final. Consulte 'variables' para obtener un conjunto completo de variables.
Para los fines de este estudio, únicamente se utilizará un conjunto de datos completamente pseudonómico.
Descripción
Criterios de inclusión:
- Sujetos femeninos y masculinos.
- Edad ≥ 18 años
Criterio de exclusión:
- ninguno
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 |
|---|---|---|
|
Modelo de predicción
Periodo de tiempo: 1.1.2025
|
para ser desarrollado
|
1.1.2025
|
Colaboradores e Investigadores
Patrocinador
Publicaciones y enlaces útiles
Publicaciones Generales
- Goyal M, Menon BK, van Zwam WH, Dippel DW, Mitchell PJ, Demchuk AM, Davalos A, Majoie CB, van der Lugt A, de Miquel MA, Donnan GA, Roos YB, Bonafe A, Jahan R, Diener HC, van den Berg LA, Levy EI, Berkhemer OA, Pereira VM, Rempel J, Millan M, Davis SM, Roy D, Thornton J, Roman LS, Ribo M, Beumer D, Stouch B, Brown S, Campbell BC, van Oostenbrugge RJ, Saver JL, Hill MD, Jovin TG; HERMES collaborators. Endovascular thrombectomy after large-vessel ischaemic stroke: a meta-analysis of individual patient data from five randomised trials. Lancet. 2016 Apr 23;387(10029):1723-31. doi: 10.1016/S0140-6736(16)00163-X. Epub 2016 Feb 18.
- Desautels T, Calvert J, Hoffman J, Jay M, Kerem Y, Shieh L, Shimabukuro D, Chettipally U, Feldman MD, Barton C, Wales DJ, Das R. Prediction of Sepsis in the Intensive Care Unit With Minimal Electronic Health Record Data: A Machine Learning Approach. JMIR Med Inform. 2016 Sep 30;4(3):e28. doi: 10.2196/medinform.5909.
- Saber H, Somai M, Rajah GB, Scalzo F, Liebeskind DS. Predictive analytics and machine learning in stroke and neurovascular medicine. Neurol Res. 2019 Aug;41(8):681-690. doi: 10.1080/01616412.2019.1609159. Epub 2019 Apr 30.
- Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017 Jun 21;2(4):230-243. doi: 10.1136/svn-2017-000101. eCollection 2017 Dec.
- Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep Learning for Health Informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. doi: 10.1109/JBHI.2016.2636665. Epub 2016 Dec 29.
- Avasarala J. Letter by Avasarala Regarding Article, "2015 AHA/ASA Focused Update of the 2013 Guidelines for the Early Management of Patients With Acute Ischemic Stroke Regarding Endovascular Treatment: A Guideline for Healthcare Professionals From the American Heart Association/American Stroke Association". Stroke. 2015 Nov;46(11):e234. doi: 10.1161/STROKEAHA.115.010716. Epub 2015 Oct 6. No abstract available.
- Badhiwala JH, Nassiri F, Alhazzani W, Selim MH, Farrokhyar F, Spears J, Kulkarni AV, Singh S, Alqahtani A, Rochwerg B, Alshahrani M, Murty NK, Alhazzani A, Yarascavitch B, Reddy K, Zaidat OO, Almenawer SA. Endovascular Thrombectomy for Acute Ischemic Stroke: A Meta-analysis. JAMA. 2015 Nov 3;314(17):1832-43. doi: 10.1001/jama.2015.13767.
- Bauchner H, Golub RM, Fontanarosa PB. Data Sharing: An Ethical and Scientific Imperative. JAMA. 2016 Mar 22-29;315(12):1237-9. doi: 10.1001/jama.2016.2420. No abstract available.
- Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care - Addressing Ethical Challenges. N Engl J Med. 2018 Mar 15;378(11):981-983. doi: 10.1056/NEJMp1714229. No abstract available.
- Chaudhary K, Poirion OB, Lu L, Garmire LX. Deep Learning-Based Multi-Omics Integration Robustly Predicts Survival in Liver Cancer. Clin Cancer Res. 2018 Mar 15;24(6):1248-1259. doi: 10.1158/1078-0432.CCR-17-0853. Epub 2017 Oct 5.
- Christiansen EM, Yang SJ, Ando DM, Javaherian A, Skibinski G, Lipnick S, Mount E, O'Neil A, Shah K, Lee AK, Goyal P, Fedus W, Poplin R, Esteva A, Berndl M, Rubin LL, Nelson P, Finkbeiner S. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell. 2018 Apr 19;173(3):792-803.e19. doi: 10.1016/j.cell.2018.03.040. Epub 2018 Apr 12.
- Cohen IG, Amarasingham R, Shah A, Xie B, Lo B. The legal and ethical concerns that arise from using complex predictive analytics in health care. Health Aff (Millwood). 2014 Jul;33(7):1139-47. doi: 10.1377/hlthaff.2014.0048.
- Heeley E, Anderson CS, Huang Y, Jan S, Li Y, Liu M, Sun J, Xu E, Wu Y, Yang Q, Zhang J, Zhang S, Wang J; ChinaQUEST Investigators. Role of health insurance in averting economic hardship in families after acute stroke in China. Stroke. 2009 Jun;40(6):2149-56. doi: 10.1161/STROKEAHA.108.540054. Epub 2009 Apr 9.
- Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Crit Care Med. 2018 Apr;46(4):547-553. doi: 10.1097/CCM.0000000000002936.
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 (Estimado)
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
- EK- Nr. 1738/2022
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. .