Biomarkkerilla tehostettu tekoälyyn perustuva lasten sepsiseulontatyökalu
tiistai 2. syyskuuta 2025 päivittänyt: Ioannis Koutroulis, Computer Technology Associates, Inc.
Biomarkkerilla tehostettu tekoälyyn perustuva lasten sepsiseulontatyökalu kohti varhaista tunnistamista ja yksilöllistä terapiaa
Tämän ehdotetun tutkimuksen yleisenä tavoitteena on saada aikaan biomarkkereihin tehostettu tekoäly (AI) -pohjainen lasten sepsiseulontatyökalu (PSCT) (ohjelmisto), jota voidaan käyttää yhdessä sairaalan sähköisen sairauskertomusjärjestelmän (EHR) kanssa seurannassa. ja arvioida reaaliaikaisen ensiapuosaston (ED) sähköisen sairauskertomuksen (EHR) tietoja tavoitteena parantaa varhaista lasten sepsiksen tunnistamista ja aloittaa oikea-aikainen, aggressiivinen henkilökohtainen sepsishoito, jonka tiedetään parantavan potilaiden tuloksia.
Oletetaan, että suunnitellun seulontatyökalun seulontatulos (esim. positiivinen ennustearvo) paranee merkittävästi, kun sisällytetään biomarkkeripaneelitestitulokset (PERSEVERE), joiden on osoitettu olevan tehokkaita ennustamaan kliinistä huononemista ei- kriittisesti sairaita immuunipuutteisia lapsipotilaita, jotka on arvioitu infektioiden varalta. On myös oletettu, että parannettuja fenotyyppejä voidaan johtaa klusteroimalla PERSEVERE-biomarkkereita yhdistettynä rutiininomaisesti kerättyihin EHR-tietoihin kohti parempaa personoitua lääketiedettä.
Tutkimuksen yleiskatsaus
Tila
Ei vielä rekrytointia
Ehdot
Yksityiskohtainen kuvaus
Tausta ja perustelut Nykyiset automaattiset lasten sepsiseulontatyökalut (PSCT), jotka perustuvat tällä hetkellä ensiapuosastoilla käytössä oleviin konsensuskriteereihin, eivät paranna varhaista tunnistamista ja/tai tiedota yksilöllisistä hoitopäätöksistä, mikä johtaa parempiin tuloksiin. IPSO (Improving Pediatric Sepsis Outcomes) -aloite havaitsi, että ottamalla mukaan hoitoa saavat potilaat, laajennetut kriteerit kattoivat paitsi potilaat, joille kehittyi sepsis, johon liittyy elinten toimintahäiriöitä (OD), myös ne, joiden varhainen sepsis hoidettiin OD:lla, joka mahdollisesti vältettiin.
Ehdotetun työn tavoitteena on saada aikaan ja validoida takautuvasti biomarkkereihin tehostettu tekoälypohjainen lasten sepsiksen seulontatyökalu, jota voidaan käyttää ED EHR -tietojen seulomiseen, mikä parantaa varhaista tunnistamista, vaikeusasteista jakamista ja personoidun sepsiksen hoidon oikea-aikaista aloittamista. CTA ja sen kuusi institutionaalista kumppania ehdottavat yhdessä kahden tunnistamattoman potilasrekisterin perustamista: 1) "EHR-data only -kohortti" (N = 2000) ja 2) "EHR + biomarkkeritietokohortti" (N = 400) tueksi. tästä tavoitteesta.
Näihin rekistereihin sisällytettävät kohtaamistietoelementit, jotka on otettava EHR:stä, sisältävät sekä jäsenneltyjä (esim. aikaleimattuja fysiologisia mittauksia, hoitoja, menettelyjä, tuloksia) että vapaamuotoisia huomautuksia.
Tietojen analyysi ja poikkeamat Kaikki tutkimustiedot, mukaan lukien potilaan EHR:stä poimitut fysiologiset tiedot ja biomarkkerimääritysten tulokset, analysoidaan käyttämällä erilaisia koneoppimisalgoritmeja ja -tekniikoita korkean tarkkuuden sepsiksen seulonnan ennustavan mallin tuottamiseksi. Analyyttiset menetelmät sisältävät standardin kuvaavan tilastollisen analyysin ennustavasta luokittelusta (esim. AUC, herkkyys/spesifisyys, PPV jne.).
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Arvioitu)
12961
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Ioannis Koutroulis, MD
- Puhelinnumero: 202-476-4177
- Sähköposti: IKOUTROULI@childrensnational.org
Tutki yhteystietojen varmuuskopiointi
- Nimi: Carmelo "Tom" E Velez, PhD
- Puhelinnumero: 19495005883
- Sähköposti: tom.velez@cta.com
Opiskelupaikat
-
-
District of Columbia
-
Washington D.C., District of Columbia, Yhdysvallat, 20010
- Children's National Hospital
-
Ottaa yhteyttä:
- Ioannis Koutroulis
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
3 kuukautta - 17 vuotta (Lapsi, Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
Ne lapsipotilaat, jotka saapuvat päivystykseen kuumeen ja/tai infektioon liittyvän huolen vuoksi, ja seulotaan positiivisesti lasten sepsiksen varalta olemassa olevan laitoksen seulontaprotokollan perusteella.
Kuvaus
Sisällyttämiskriteerit:
Potilaat 3kk -17v, mukaan lukien
- Kliinikko diagnosoi sepsiksen tai laukaise sepsishälytyksen ja tilataan veriviljely. Kontrollit ovat vääriä positiivisia potilaita.
- Potilaat, jotka mahdollisesti otetaan verinäytteen ottoa varten: vaativat laskimopunktion tai suonensisäisen putken asettamisen.
Poissulkemiskriteerit:
- Potilaat, jotka osallistuvat tutkimusohjelmaan, jossa on interventioita rutiininomaisen kliinisen käytännön ulkopuolella
- Potilaat, joiden vanhemmat tai LAR:t eivät puhu englantia tai espanjaa
- Raskaus
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Case-Control
- Aikanäkymät: Muut
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Retrospektiivinen EHR-data-ryhmä
Tämän ryhmän jäsenet ovat 3 kuukauden ja 45 vuoden ikäisiä lasten potilaita, jotka esiteltiin yhdelle kuudesta osallistuvan laitoksen hätäosastolle vuosien 2016-2021 välillä ja seulotettiin positiiviseksi epäilykseen sepsiksestä käyttämällä laitoksen olemassa olevaa lasten sepsis-seulontaprotokollaa ja saavat veriviljelyjärjestystä.
Nykyisten lasten seulonta-/hälytystyökalujen tiedetään olevan erittäin herkkiä, mutta huonosti erityisiä.
Tämän kohortin "tapaukset" koostuu niistä, joilla lopulta diagnosoidaan sepsis ja/tai saavat protokolloitua sepsishoitoa.
Tässä kohortissa "kontrollit" ovat niitä, joilla on väärä positiivinen hälytys, ts. Ei diagnosoitu sepsis, eivätkä he saa protokolloitua sepsishoitoa.
|
Kaikki osallistuvat laitokset käyttävät joko algoritmista, manuaalista tai yhdistettyä algoritmista/manuaalista lasten sepsiksen seulontaprotokollaa potilaille, joilla on kuumetta ja/tai huolta infektiosta.
Vaikka seulontatyökaluilla testatut erityiset parametrit vaihtelevat, ne koostuvat yleensä systeemisen tulehdusvasteen testeistä (esim.
SIRS) ja/tai elinten toimintahäiriöt (esim.
SOFA) ja/tai korkea herkkyys (esim.
immuunipuutteiset) tekijät.
|
|
Mahdolliset EHR- ja biomarkeritietoryhmät
Tämän ryhmän jäsenet ovat 3 kuukauden-45 vuoden ikäisiä lasten potilaita, jotka esiteltiin yhdelle kuudesta osallistuvasta laitoksen hätäosastolle tutkimuksen ilmoittautumisjaksolla, joka on positiivinen sepsiksen epäilystä käyttämällä laitoksen olemassa olevaa lasten sepsis-seulontaprotokollaa, saavat veriviljelyjärjestyksen ja tarjoamaan tietoisen suostumuksen/vakuuttavan keräämään 1-5 ML-verinäytteen.
Tämän kohortin jäsenet ovat myös suostuneet lääketieteellisten tietojen tietojen uudelleenkäyttöön tutkimukseen.
Nykyisten lasten seulonta-/hälytystyökalujen tiedetään olevan erittäin herkkiä, mutta huonosti erityisiä.
Tämän kohortin "tapaukset" koostuu niistä, joilla lopulta diagnosoidaan sepsis ja/tai saavat protokolloitua sepsishoitoa.
Tässä kohortissa "kontrollit" ovat niitä, joilla on väärä positiivinen hälytys, ts. Ei diagnosoitu sepsis, eivätkä he saa protokolloitua sepsishoitoa.
|
Kaikki osallistuvat laitokset käyttävät joko algoritmista, manuaalista tai yhdistettyä algoritmista/manuaalista lasten sepsiksen seulontaprotokollaa potilaille, joilla on kuumetta ja/tai huolta infektiosta.
Vaikka seulontatyökaluilla testatut erityiset parametrit vaihtelevat, ne koostuvat yleensä systeemisen tulehdusvasteen testeistä (esim.
SIRS) ja/tai elinten toimintahäiriöt (esim.
SOFA) ja/tai korkea herkkyys (esim.
immuunipuutteiset) tekijät.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tehokas asiantuntijajärjestelmäpohjainen lasten sepsiseulontatyökalu (PSCT)
Aikaikkuna: Opintojakson viimeiset 3 kuukautta.
|
Käytettävyystestijakson aikana, emuloimalla asiantuntijoiden logiikkaa seulontatyökalussa, jota on jatkuvasti parannettava kokemuksen myötä, saavutetaan korkea ED-työnkulun käytettävyys IPSO-sepsiksen varhaisen tunnistamisen parantamiseksi, kuten käytettävyyttä harjoittavat ED-kliinikot havaitsevat. testaus.
|
Opintojakson viimeiset 3 kuukautta.
|
|
Tehokas asiantuntijajärjestelmäpohjainen lasten sepsiseulontatyökalu (PSCT)
Aikaikkuna: "Varhaisten tietojen" käyttäminen ED:lle esittämisen jälkeen, esim. saatuaan biomarkkeritiedot 1. 3 tunnin sisällä esittelystä)
|
Korkean suorituskyvyn (esim. herkkyys/spesifisyys > 90 %, PPV > 40 %) PSCT johtamiseksi IPSO-sepsiksen kriteerit täyttävien potilaiden tunnistamiseksi ED-potilailla käyttämällä varhaisen kohtaamisen tietoja (esim.
saatuaan biomarkkeritiedot 1-3 tunnin sisällä esittelystä).
|
"Varhaisten tietojen" käyttäminen ED:lle esittämisen jälkeen, esim. saatuaan biomarkkeritiedot 1. 3 tunnin sisällä esittelystä)
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tehokas sepsiksen fenotyyppi yksilölliseen hoitoon
Aikaikkuna: Ominaisuudet, jotka perustuvat ensimmäiseen 6 tuntiin esittelystä potilailla, joilla on diagnosoitu sepsis ja aloitettu hoitokäytäntö.
|
Sen osoittaminen, että yhdistetty PERSEVERE-biomarkkeri- ja EHR-data klusterointiominaisuuksina (esim. käyttämällä latenttiluokka-analyysiä) tehostaa kliinisesti hyödyllisten prognostisten fenotyyppien havaitsemista.
|
Ominaisuudet, jotka perustuvat ensimmäiseen 6 tuntiin esittelystä potilailla, joilla on diagnosoitu sepsis ja aloitettu hoitokäytäntö.
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Opintojohtaja: Carmelo "Tom" E Velez, PhD, CTA
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Goldstein B, Giroir B, Randolph A; International Consensus Conference on Pediatric Sepsis. International pediatric sepsis consensus conference: definitions for sepsis and organ dysfunction in pediatrics. Pediatr Crit Care Med. 2005 Jan;6(1):2-8. doi: 10.1097/01.PCC.0000149131.72248.E6.
- Hajian-Tilaki K. Sample size estimation in diagnostic test studies of biomedical informatics. J Biomed Inform. 2014 Apr;48:193-204. doi: 10.1016/j.jbi.2014.02.013. Epub 2014 Feb 26.
- Bujang MA, Adnan TH. Requirements for Minimum Sample Size for Sensitivity and Specificity Analysis. J Clin Diagn Res. 2016 Oct;10(10):YE01-YE06. doi: 10.7860/JCDR/2016/18129.8744. Epub 2016 Oct 1.
- Eisenberg M, Madden K, Christianson JR, Melendez E, Harper MB. Performance of an Automated Screening Algorithm for Early Detection of Pediatric Severe Sepsis. Pediatr Crit Care Med. 2019 Dec;20(12):e516-e523. doi: 10.1097/PCC.0000000000002101.
- Eisenberg MA, Freiman E, Capraro A, Madden K, Monuteaux MC, Hudgins J, Harper M. Outcomes of Patients with Sepsis in a Pediatric Emergency Department after Automated Sepsis Screening. J Pediatr. 2021 Aug;235:239-245.e4. doi: 10.1016/j.jpeds.2021.03.053. Epub 2021 Mar 30.
- Iwashyna TJ, Odden A, Rohde J, Bonham C, Kuhn L, Malani P, Chen L, Flanders S. Identifying patients with severe sepsis using administrative claims: patient-level validation of the angus implementation of the international consensus conference definition of severe sepsis. Med Care. 2014 Jun;52(6):e39-43. doi: 10.1097/MLR.0b013e318268ac86.
- Mathias B, Mira JC, Larson SD. Pediatric sepsis. Curr Opin Pediatr. 2016 Jun;28(3):380-7. doi: 10.1097/MOP.0000000000000337.
- Weiss SL, Parker B, Bullock ME, Swartz S, Price C, Wainwright MS, Goodman DM. Defining pediatric sepsis by different criteria: discrepancies in populations and implications for clinical practice. Pediatr Crit Care Med. 2012 Jul;13(4):e219-26. doi: 10.1097/PCC.0b013e31823c98da.
- Scott HF, Brilli RJ, Paul R, Macias CG, Niedner M, Depinet H, Richardson T, Riggs R, Gruhler H, Larsen GY, Huskins WC, Balamuth F; Improving Pediatric Sepsis Outcomes (IPSO) Collaborative Investigators.. Evaluating Pediatric Sepsis Definitions Designed for Electronic Health Record Extraction and Multicenter Quality Improvement. Crit Care Med. 2020 Oct;48(10):e916-e926. doi: 10.1097/CCM.0000000000004505.
- Lippi G. Sepsis biomarkers: past, present and future. Clin Chem Lab Med. 2019 Aug 27;57(9):1281-1283. doi: 10.1515/cclm-2018-1347. No abstract available.
- Marshall JC, Reinhart K; International Sepsis Forum. Biomarkers of sepsis. Crit Care Med. 2009 Jul;37(7):2290-8. doi: 10.1097/CCM.0b013e3181a02afc.
- Patel K, McElvania E. Diagnostic Challenges and Laboratory Considerations for Pediatric Sepsis. J Appl Lab Med. 2019 Jan;3(4):587-600. doi: 10.1373/jalm.2017.025908. Epub 2018 Nov 21.
- Lanziotti VS, Povoa P, Soares M, Silva JR, Barbosa AP, Salluh JI. Use of biomarkers in pediatric sepsis: literature review. Rev Bras Ter Intensiva. 2016 Oct-Dec;28(4):472-482. doi: 10.5935/0103-507X.20160080.
- Wong HR, Salisbury S, Xiao Q, Cvijanovich NZ, Hall M, Allen GL, Thomas NJ, Freishtat RJ, Anas N, Meyer K, Checchia PA, Lin R, Shanley TP, Bigham MT, Sen A, Nowak J, Quasney M, Henricksen JW, Chopra A, Banschbach S, Beckman E, Harmon K, Lahni P, Lindsell CJ. The pediatric sepsis biomarker risk model. Crit Care. 2012 Oct 1;16(5):R174. doi: 10.1186/cc11652.
- Jacobs L, Berrens Z, Stenson EK, Zackoff MW, Danziger LA, Lahni P, Wong HR. The Pediatric Sepsis Biomarker Risk Model (PERSEVERE) Biomarkers Predict Clinical Deterioration and Mortality in Immunocompromised Children Evaluated for Infection. Sci Rep. 2019 Jan 23;9(1):424. doi: 10.1038/s41598-018-36743-z.
- Gardlund B, Dmitrieva NO, Pieper CF, Finfer S, Marshall JC, Taylor Thompson B. Six subphenotypes in septic shock: Latent class analysis of the PROWESS Shock study. J Crit Care. 2018 Oct;47:70-79. doi: 10.1016/j.jcrc.2018.06.012. Epub 2018 Jun 8.
- Williams JB, Ghosh D, Wetzel RC. Applying Machine Learning to Pediatric Critical Care Data. Pediatr Crit Care Med. 2018 Jul;19(7):599-608. doi: 10.1097/PCC.0000000000001567.
- Seymour CW, Kennedy JN, Wang S, Chang CH, Elliott CF, Xu Z, Berry S, Clermont G, Cooper G, Gomez H, Huang DT, Kellum JA, Mi Q, Opal SM, Talisa V, van der Poll T, Visweswaran S, Vodovotz Y, Weiss JC, Yealy DM, Yende S, Angus DC. Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019 May 28;321(20):2003-2017. doi: 10.1001/jama.2019.5791.
- Sepanski RJ, Godambe SA, Mangum CD, Bovat CS, Zaritsky AL, Shah SH. Designing a pediatric severe sepsis screening tool. Front Pediatr. 2014 Jun 16;2:56. doi: 10.3389/fped.2014.00056. eCollection 2014.
- Sinha P, Calfee CS, Delucchi KL. Practitioner's Guide to Latent Class Analysis: Methodological Considerations and Common Pitfalls. Crit Care Med. 2021 Jan 1;49(1):e63-e79. doi: 10.1097/CCM.0000000000004710.
- Weiss SL, Fitzgerald JC, Balamuth F, Alpern ER, Lavelle J, Chilutti M, Grundmeier R, Nadkarni VM, Thomas NJ. Delayed antimicrobial therapy increases mortality and organ dysfunction duration in pediatric sepsis. Crit Care Med. 2014 Nov;42(11):2409-17. doi: 10.1097/CCM.0000000000000509.
- C. D. Sutton, "Classification and Regression Trees, Bagging, and Boosting," Handb. Stat., vol. 24, pp. 303-329, 2005, doi: 10.1016/S0169-7161(04)24011-1.
- Sinha P, Delucchi KL, Thompson BT, McAuley DF, Matthay MA, Calfee CS; NHLBI ARDS Network. Latent class analysis of ARDS subphenotypes: a secondary analysis of the statins for acutely injured lungs from sepsis (SAILS) study. Intensive Care Med. 2018 Nov;44(11):1859-1869. doi: 10.1007/s00134-018-5378-3. Epub 2018 Oct 5.
- Wiersema R, Jukarainen S, Vaara ST, Poukkanen M, Lakkisto P, Wong H, Linder A, van der Horst ICC, Pettila V. Two subphenotypes of septic acute kidney injury are associated with different 90-day mortality and renal recovery. Crit Care. 2020 Apr 15;24(1):150. doi: 10.1186/s13054-020-02866-x.
- Delucchi K, Famous KR, Ware LB, Parsons PE, Thompson BT, Calfee CS; ARDS Network. Stability of ARDS subphenotypes over time in two randomised controlled trials. Thorax. 2018 May;73(5):439-445. doi: 10.1136/thoraxjnl-2017-211090. Epub 2018 Feb 24.
- Feuillet F, Bellanger L, Hardouin JB, Victorri-Vigneau C, Sebille V. On Comparison of Clustering Methods for Pharmacoepidemiological Data. J Biopharm Stat. 2015;25(4):843-56. doi: 10.1080/10543406.2014.920855.
- Kent P, Jensen RK, Kongsted A. A comparison of three clustering methods for finding subgroups in MRI, SMS or clinical data: SPSS TwoStep Cluster analysis, Latent Gold and SNOB. BMC Med Res Methodol. 2014 Oct 2;14:113. doi: 10.1186/1471-2288-14-113.
- R. Lachman, "Expert systems: A cognitive science perspective," Behav. Res. Methods, Instruments, Comput., 1989, doi: 10.3758/BF03205582.
- L. Medsker, M. Tan, and E. Turban, "Knowledge acquisition from multiple experts: Problems and issues," Expert Syst. Appl., vol. 9, no. 1, pp. 35-40, Jan. 1995, doi: 10.1016/0957-4174(94)00046-X.
- Brewer A, Helfgott MA, Novak J, Schanhals R. An application of cmaps in the description of clinical information structure and logic in electronic health records. Glob Adv Health Med. 2012 Sep;1(4):16-31. doi: 10.7453/gahmj.2012.1.4.003.
- Beglinger B, Rohacek M, Ackermann S, Hertwig R, Karakoumis-Ilsemann J, Boutellier S, Geigy N, Nickel C, Bingisser R. Physician's first clinical impression of emergency department patients with nonspecific complaints is associated with morbidity and mortality. Medicine (Baltimore). 2015 Feb;94(7):e374. doi: 10.1097/MD.0000000000000374.
- R. R. Starr and J. M. Parente De Oliveira, "Concept maps as the first step in an ontology construction method," Inf. Syst., 2013, doi: 10.1016/j.is.2012.05.010.
- R. Matkar and A. Parab, "Ontology based expert systems - replication of human learning," Thinkquest~2010, pp. 43-47, 2011, doi: 10.1007/978-81-8489-989-4_7.
- Yamagata Y, Kozaki K, Imai T, Ohe K, Mizoguchi R. An ontological modeling approach for abnormal states and its application in the medical domain. J Biomed Semantics. 2014 May 21;5:23. doi: 10.1186/2041-1480-5-23. eCollection 2014.
- R. M. RJ Rovetto, "Causality and the ontology of disease," Appl Ontol, vol. 10, no. 2, pp. 79-105, Sep. 2015, doi: 10.3233/ao-150147.
- Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004 Jan 1;32(Database issue):D267-70. doi: 10.1093/nar/gkh061.
- Ghassemi M, Naumann T, Schulam P, Beam AL, Chen IY, Ranganath R. A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Jt Summits Transl Sci Proc. 2020 May 30;2020:191-200. eCollection 2020.
- Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nat Mach Intell. 2019 May;1(5):206-215. doi: 10.1038/s42256-019-0048-x. Epub 2019 May 13.
- Wong HR, Caldwell JT, Cvijanovich NZ, Weiss SL, Fitzgerald JC, Bigham MT, Jain PN, Schwarz A, Lutfi R, Nowak J, Allen GL, Thomas NJ, Grunwell JR, Baines T, Quasney M, Haileselassie B, Lindsell CJ. Prospective clinical testing and experimental validation of the Pediatric Sepsis Biomarker Risk Model. Sci Transl Med. 2019 Nov 13;11(518):eaax9000. doi: 10.1126/scitranslmed.aax9000.
- Paxton C, Niculescu-Mizil A, Saria S. Developing predictive models using electronic medical records: challenges and pitfalls. AMIA Annu Symp Proc. 2013 Nov 16;2013:1109-15. eCollection 2013.
- Taneja I, Reddy B, Damhorst G, Dave Zhao S, Hassan U, Price Z, Jensen T, Ghonge T, Patel M, Wachspress S, Winter J, Rappleye M, Smith G, Healey R, Ajmal M, Khan M, Patel J, Rawal H, Sarwar R, Soni S, Anwaruddin S, Davis B, Kumar J, White K, Bashir R, Zhu R. Combining Biomarkers with EMR Data to Identify Patients in Different Phases of Sepsis. Sci Rep. 2017 Sep 7;7(1):10800. doi: 10.1038/s41598-017-09766-1.
- Wong A, Otles E, Donnelly JP, Krumm A, McCullough J, DeTroyer-Cooley O, Pestrue J, Phillips M, Konye J, Penoza C, Ghous M, Singh K. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021 Aug 1;181(8):1065-1070. doi: 10.1001/jamainternmed.2021.2626.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Arvioitu)
Keskiviikko 1. huhtikuuta 2026
Ensisijainen valmistuminen (Arvioitu)
Lauantai 31. maaliskuuta 2029
Opintojen valmistuminen (Arvioitu)
Lauantai 31. maaliskuuta 2029
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Sunnuntai 20. maaliskuuta 2022
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Torstai 31. maaliskuuta 2022
Ensimmäinen Lähetetty (Todellinen)
Tiistai 5. huhtikuuta 2022
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Arvioitu)
Maanantai 8. syyskuuta 2025
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Tiistai 2. syyskuuta 2025
Viimeksi vahvistettu
Maanantai 1. syyskuuta 2025
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- NIAID 1R41AI167224-01
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
PÄÄTTÄMÄTÖN
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .