- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT06174519
Tekoälyyn perustuvan reseptitukiohjelmiston iAST® arviointi empiirisen ja osittain kohdistetun antibioottihoidon valinnassa (EVIAST)
Tutkimuksen yleiskatsaus
Tila
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Tausta:
Infektiot ovat yksi tärkeimmistä neuvonnan syistä perusterveydenhuollossa ja ensiapupalveluissa. Lisäksi suuri osa sairaaloissa olevista potilaista kärsii infektiosta oleskelunsa aikana. Euroopan tautien ehkäisy- ja valvontakeskuksen (ECDC) tietojen mukaan noin 11 prosenttia eurooppalaisiin sairaaloihin saapuvista potilaista kärsii terveydenhuoltoon liittyvästä infektiosta (ECDC, 2013). Lisäksi tämän organisaation mukaan 35 prosenttia eurooppalaisiin sairaaloihin otetuista potilaista saa antibioottihoitoa, ja tämä prosenttiosuus vaihtelee sairaalasta ja maasta riippuen 21,4–54,7 prosenttia (ECDC, 2013).
Infektioiden riittämätön hoito johtaa usein komplikaatioihin, jotka liittyvät sairaalahoitojaksojen pidentymiseen tai sepsiksen kehittymiseen, mikä voi lopulta aiheuttaa sairastuneiden potilaiden kuoleman (Kollef et al., 1999; Kollef et al., 2000). Lisäksi epäasianmukaisesta antibioottivalinnasta johtuvilla tehottomilla hoidoilla on valtavat kustannukset ja vaikutukset terveydenhuoltojärjestelmiin (Zilberberg et al., 2017). Sitä vastoin on olemassa laajaa tieteellistä näyttöä siitä, että riittävän antibioottihoidon varhainen aloittaminen vähentää merkittävästi infektioiden sairastuvuutta ja kuolleisuutta ja vähentää merkittävästi potilaiden sairaalahoitoa (van den Bosch et al., 2017). Aiemmat tutkimukset ovat raportoineet, että 20–30 % antibioottiresepteistä on riittämättömiä, mikä johtaa terveyteen liittyviin komplikaatioihin, erityisesti terveydenhuoltoon liittyviin infektioihin (Fleming-Dutra et al., 2016; Lambregts et al., 2020; Tumbarello et al., 2007). Lisäksi riittävällä antibioottihoidon valinnalla vältetään resistenttien bakteerikantojen leviäminen, josta on tullut kasvava ongelma viime vuosina (Andersson ym., 2010; Gandra et al., 2014).
Kuten aiemmin todettiin, infektiokuolleisuus kasvaa valtavasti ajan myötä, jos riittävää antibioottihoitoa ei aloiteta (Kumar et al., 2006). Siten mikrobiologisten tulosten saaminen ja infektion aiheuttavan bakteerikannan tunnistaminen on ratkaisevan tärkeää, jotta koehenkilöille voidaan tarjota tehokkaita hoitoja (D'Onofrio, 2020). Mikrobiologisen profiilin kuvauksen tekevät yleensä mikrobiologian laboratoriot, jotka tukevat lääkäreitä antibioottihoidon valinnassa. Siitä huolimatta, vaikka luotettavia tuloksia saadaankin, ne saadaan yleensä 48 tunnin kuluttua alustavasta potilaan arvioinnista (Jorgensen et al. 2009).
Perustelut:
Useista mikro-organismeista ja potilaista saaduilla kumulatiivisilla antibiogrammitiedoilla on suuri epidemiologinen ja kliininen arvo, koska niiden avulla voidaan seurata ja havaita vaihteluita mikrobien herkkyyden trendeissä. Lisäksi nämä tiedot voivat myös auttaa valitsemaan parhaat empiiriset hoidot eri tartuntaoireyhtymistä (CLSI, 2014). Kliiniset mikrobiologit tekevät perinteisesti kumulatiivisia antibiogrammiraportteja tietyllä tiheydellä (useimmiten vuosittain). Nämä raportit tehdään valitsemalla saatavilla olevat tiedot jokaisesta antibiootista ja jokaisesta mikro-organismista, laskemalla herkät ja resistentit bakteerit ja laskemalla kunkin niistä herkkyysprosentti (Larrosa et al., 2022). Näitä kumulatiivisia antibiogrammeja kuitenkin harvoin kuulevat reseptiä määräävät lääkärit tosielämässä, ja ne voivat olla puolueellisia (Mohering et al, 2015). Esimerkiksi herkkyys vaihtelee riippuen potilaiden ominaisuuksista, osastosta, jossa heitä hoidetaan, aiemmista bakteeriviljelmistä jne... (Larrosa et al., 2022).
Nykyisessä mikrobiologiassa käytettävissä olevan teknologian vuoksi mikro-organismin kliinisestä näytteestä tunnistamisen ja sen antibioottiherkkyysprofiilin tuloksen välillä on usein 24 tunnin viive. Heti kun bakteerien tunnistaminen on saatavilla, voidaan määrittää tiettyyn taudinaiheuttajaan suunnattu "puolikohdennettu" hoito, joka kerää kertyneiden antibiogrammiraporttien avulla mahdollistaa nopean tarkan hoidon aloittamisen, kunnes lopullinen antibiogrammi on tiedossa, vähentää merkittävästi empirismin astetta, jolla hoidetaan tartuntatauteja (Fernández & Vázquez, 2019).
Kumulatiivinen antibiogrammitietoja voidaan analysoida käyttäytymismallien poimimiseksi käyttämällä koneoppimistekniikoita (García-Martínez et al., 2021). Koneoppiminen on osa tekoälyä, joka keskittyy dataan perustuvien mallien kehittämiseen soveltaen tekniikoita, joiden avulla tietokoneet voivat automaattisesti oppia dataan sisältyvän tiedon, havaita malleja, muuntaa dataa ennustaviksi malleiksi, jotka auttavat päätöksenteossa (Rowe et al. , 2019). Muutaman viime vuoden aikana jotkut tutkijat ovat julkaisseet teoksia, joissa he arvioivat koneoppimistekniikoiden käyttöä empiirisessä herkkyyden/resistenssin ennustamisessa. Nämä työt kuitenkin arvioitiin tutkimusympäristössä ja ne rajoittuivat tiettyihin tapauksiin, joissa oli muutamia infektioita ja etiologisia tekijöitä (Mancini et al., 2020; Lewin-Epstein et al., 2021; Anahtar et al., 2021; Kim et al. ., 2022).
Lääketieteellisten laitteiden yleiskatsaus:
Viimeisen kolmen vuoden aikana Pragmatech AI Solutions on keskittynyt tutkimuksessaan tekoälyn ja koneoppimistekniikoiden käyttöön kumulatiivisten antibiogrammien analysointiin ja ennustamaan, mitkä ovat parhaita empiirisiä ja puolikohdennettuja hoitoja tietyille potilaille. Tämä on toteutunut tuotteessa, joka on markkinointia edeltävässä vaiheessa nimeltään iAST®. iAST®-ohjelmisto on luokiteltu luokan IIa lääketieteelliseksi laitteeksi EU-asetuksen 2017/745 mukaisesti.
Opintojen tavoite:
iAST®-työkalu on matemaattisesti osoittanut, että se voi lisätä bakteeripeitton todennäköisyyttä infektioiden varhaisessa antibioottihoidossa sairaaloissa hoidettavien potilaiden hoidossa.
Tässä mielessä tämän retrospektiivisen ja havainnoivan tutkimuksen ensisijaisena tavoitteena on arvioida iAST®-ohjelmiston tarkkuutta tavallisten infektiosairauksien empiirisen ja puolikohdennettujen hoidon varhaisessa ja riittävässä valinnassa todellisessa kliinisessä ympäristössä.
Kliinisen tutkimuksen suunnittelu:
Kliininen tutkimus on suunniteltu yhtenäisenä keskuksena, retrospektiivisenä ja havainnointitutkimuksena. Antibiogrammit ja sairaalatiedot tarkistetaan takautuvasti, jotta voidaan tunnistaa potilaat, jotka täyttävät osallistumiskriteerit tutkimuksen ensisijaisen ja toissijaisen päätepisteen analysoimiseksi. Antibiogrammeja, joita käytettiin tekoälymallin määrittämiseen, ei oteta huomioon arvioitaessa iAST®-ohjelmiston tarkkuutta. Vain helmikuun 2023 tapaukset otetaan mukaan. Tutkijat rekisteröivät kussakin tapauksessa lääkärin määräämän empiirisen ja osittain kohdistetun hoidon (tarvittaessa). Sekä iAST®-ohjelmiston että lääkäreiden onnistumisasteen vertailu antibiogrammin suhteen suoritetaan kahdella tavalla:
- Tutkijat käyttävät iAST®-työkalua ennustaakseen, mitä antibiootteja olisi suositeltu kolmeksi parhaaksi valinnaksi sekä empiiriseen että osittain kohdennettuun hoitoon, ja kirjaavat nämä tiedot ennustetun kattavuuden prosentteina (kolme ensimmäistä antibioottia valitaan iAST®-sijoitus, joka on testattu sen keskuksen antibiogrammissa, jossa tutkimus suoritetaan). Tutkijat tarkistavat lopulliset mikrobiologiset raportit ja kirjaavat, olivatko talteen saadut bakteerit herkkiä lääkäreiden määräämille ja iAST®-työkalulla simuloiduille lääkkeille lopullisten antibiogrammitulosten mukaan. Lääkärin määräämän lääkemääräyksen onnistumisastetta verrataan tilastollisesti iAST®:n suositteleman kolmen parhaan antibiootin onnistumisasteeseen itsenäisesti. Niissä tapauksissa, joissa kliinikot eivät ole määränneet puolikohdennettua hoitoa, iAST®:n puolikohdennettuna hoitona suosittelemaa lääkettä verrataan kliinikon empiiriseen hoitoon.
- Tutkijat rekisteröivät myös onnistumisen todennäköisyyden, jonka iAST® ennusti lääkärin määräämälle lääkkeelle. Lääkärin määräämälle antibiootille iAST®:n ennustamien todennäköisyyksien keskiarvoa verrataan kahden ryhmän välillä: tapaukset, joissa bakteeri oli herkkä ja tapaukset, joissa se oli resistentti, antibiogrammitulosten mukaan. Analysoidaan, onko tämä ero tilastollisesti merkitsevä.
Lääkäreiden antibioottireseptin asianmukaisuutta ja iAST®-ennustetta verrataan antibiogrammiraportin perusteella. Jokaiselle infektiotyypille kehitetään alaryhmäanalyysit. Tämän mukaan iAST®:n tarkkuutta hypoteettiseen empiiriseen ja puolikohdennettuun hoitoennusteeseen verrattaessa lääkärin määräämiä reseptejä arvioidaan seuraavilla tavoilla:
- Tiedot potilailta, jotka ovat olleet päivystyspoliklinikalla virtsatieinfektion ja/tai virtsan sepsiksen diagnoosilla.
- Tiedot potilailta, jotka kärsivät bakteremiasta tai sepsisestä, kun aiheuttaja oli lopullisesti tunnistettu tai kun Gram-värjäyksen ominaisuudet olivat saatavilla.
- Tiedot potilailta, joilla oli ollut trakeobronkiitti tai mekaaniseen ventilaatioon liittyvä keuhkokuume ja joiden aiheuttaja oli lopullisesti tunnistettu tai kun sen Gram-värjäytymän ominaisuudet olivat saatavilla.
- Tiedot potilailta, joilla oli jokin muu infektio, jonka aiheuttaja oli tunnistettu, mutta joille ei vieläkään ollut tulosta antibiogrammista.
Tutkijat rekisteröivät, kuuluivatko lääkärin määräämät antibiootit tai iAST®:n kussakin tapauksessa ennustamat WHO AWARE -luokituksen pääsy-, tarkkailu- tai vararyhmiin (https://www.who.int/publications/i/item/2021-). tietoinen luokittelu). Tällä tavalla lasketaan kunkin antibiootin käyttö/suositus kussakin haarassa (lääkärin määräämä resepti vs. iAST®-ennuste).
Tutkijat rekisteröivät kaikki tutkimuksen tiedot sähköiseen tapausraporttilomakkeeseen (eCRF).
Määritelmät
- Empiirinen hoito: Ne hoidot, joita määrätään, kun epäillään infektiota, mutta sitä tuottava mikro-organismi ja sen antibioottiherkkyys ovat vielä tuntemattomia.
- Puolikohdennettu hoito: Hoito, jota määrätään, kun epäillään infektiota ja jonka etiologia tiedetään, mutta ei vielä sen antibioottiherkkyyttä.
- Riittävä antibiootti mikrobiologisten tulosten mukaan: Antibioottihoito katsotaan oikeaksi, jos potilaan kliinisestä näytteestä tunnistetut bakteerit, joille se on kohdistettu, ovat herkkiä antibiogrammin tuloksen tai sen ekstrapoloinnin perusteella.
- Puutteellinen antibiootti mikrobiologisten tulosten mukaan: Päinvastoin, hoitoa pidetään virheellisenä, jos bakteeri, jota vastaan se on suunnattu, on antibiogrammin tulosten tai sen luontaisen resistenssin mukaan resistentti.
Rajoitukset:
Tutkimuksen rajoitukset johtuvat sen suunnittelusta, koska se on retrospektiivinen, ei interventiotutkimus. Tutkimus on kuitenkin suunniteltu vähentämään mahdollisia harhoja. Jotkut harhan minimoimiseen tähtäävistä toimenpiteistä ovat:
- samoja tapauksia käytetään verrattaessa lääkärin määräämää reseptiä iAST®-suositukseen, joten tietojen epätasapainoa ei synny.
- tutkijat ovat erittäin päteviä tartuntataudeissa, joten he tulkitsevat täydellisesti antibiogrammeista ja tutkimukseen sisältyvien tapausten kliinisistä tietueista saadut tiedot, mikä vähentää tulkintaharhaa.
- potilastiedot anonymisoidaan Kerättävä tieto löytyy yleensä potilaiden potilaskertomuksista ja lääketieteellisistä kartoista sekä mikrobiologian osaston tietokannasta. Ei kuitenkaan voida taata, että potilastiedot tai sairauskartat ovat täydellisiä, mikä voi haitata kaikkien tutkimusprotokollassa määriteltyjen kiinnostavien muuttujien keräämistä. Jos tiedot puuttuvat, puuttuvia arvoja ei oteta huomioon laskettaessa prosenttiosuuksia analyysiä varten.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Madrid, Espanja, 28015
- Grupo HM Hospitales
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Analyysitietojen tulee perustua yli 18-vuotiailta henkilöiltä, jotka on otettu HM:n sairaaloihin 01.2.2023 alkaen.
Aiheet, jotka:
- ovat olleet sairaalan päivystyspoliklinikalla virtsatietulehduksen (UTI) vuoksi tai;
- on esiintynyt bakteremia-/sepsisjakso sairaalahoidon aikana tai sen aikana;
- on otettu sairaalan teho-osastolle ja heillä on ollut mekaaniseen ventilaatioon liittyvä trakeobronkiitti tai keuhkokuume tai
- on esiintynyt muun tyyppistä infektiota, niitä on hoidettu ja joilla on bakteeri tunnistettu antibiogrammin tuloksella.
Poissulkemiskriteerit:
- Potilaat, joilla on samanaikainen infektio.
- Tiedot koehenkilöistä, jotka kärsivät infektioista, joilla ei ole bakteeriperäistä etiologiaa: sieni- tai virusinfektiot.
- Tiedot koehenkilöiltä, joilla on infektioita ilman mikrobiologista dokumentaatiota (mukaan lukien antibiogrammitulokset).
- Tiedot koehenkilöiltä, joille on määrätty useampi kuin yksi antibiootti.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
---|---|
Opiskeluryhmä
Tässä kliinisessä tutkimuksessa 325 koehenkilön kliinisiä tietoja käytettiin osoittamaan, että iAST®-sovellus ei ole huonompi kuin lääkärin määräämä käyttö.
Joka tapauksessa näiden 325 koehenkilön takautuvasti analysoidut tiedot simuloitiin iAST®-sovelluksella siten, että samoja koehenkilöitä pidettiin tapauksena ja kontrollina samanaikaisesti.
|
Mukana oleville koehenkilöille tutkijat käyttivät iAST®-työkalua ennustaakseen, mitä antibiootteja olisi suositeltu kolmeksi parhaaksi valinnaksi sekä empiiriseen että osittain kohdennettuun hoitoon, ja kirjasivat nämä tiedot ennustetun kattavuuden prosenttiosuudella (kolme ensimmäistä antibioottia iAST:ssa ® -sijoitukset, jotka on testattu sen keskuksen antibiogrammissa, jossa tutkimus suoritettiin).
Tutkijat tarkistivat lopulliset mikrobiologiset raportit ja kirjasivat, olivatko talteen saadut bakteerit herkkiä lääkäreiden määräämälle ja iAST®-työkalulla simuloidulle lääkkeelle lopullisten antibiogrammitulosten mukaan.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Osoittaa, että iAST® ei ole huonompi kuin lääkäreiden empiirisen ja puoliksi kohdennetun antibioottihoidon määrääminen potilaille, joilla on yleisiä infektiosairauksia.
Aikaikkuna: 4 kuukautta
|
Antibioottireseptin tarkoituksenmukaisuutta ja iAST®-ennustetta verrataan vakiona antibiogrammiraportin tuloksiin. Hoitojen välisen eron kaksipuoliset 95 %:n luottamusvälit (CI:t) lasketaan Miettisen ja Nurmisen stratifioimattomalla menetelmällä.
Osoitus siitä, että iAST® ei ole huonompi kuin lääkärin määräämä tehokkuus sekä primaaristen että toissijaisten tehokkuuspäätepisteiden osalta, osoitetaan, jos hoitoeron kaksipuolisen 95 %:n luottamusvälin alaraja ylittää 5 %.
Lisäksi p-arvo lasketaan vastaavalle yksipuoliselle non-inferiority hypoteesitestille.
|
4 kuukautta
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Lääkäreiden antibioottireseptin ja ohjelmiston iAST®-ennusteiden tarkkuuden arvioiminen (empiiriselle ja puolikohdehoidolle) verrattuna antibiogrammiraporttiin, vastaavasti.
Aikaikkuna: 4 kuukautta
|
Kunkin käsivarren onnistumisprosentti mitataan suhteessa antibiogrammiin.
|
4 kuukautta
|
Vertaa käytettyjen/suositeltujen antibioottien määrää Access, Watch and Reserve -antibioottiluettelosta (WHO Aware -luokittelusta) lääkäreiden reseptien ja iAST®-ohjelmiston ennusteiden välillä.
Aikaikkuna: 4 kuukautta
|
Mitataan kunkin Aware-luokitusryhmän antibiootin käyttöä ja ohjelmiston vaikutusta antibioottien hoitoon.
|
4 kuukautta
|
Kerää käyttäjäkokemukseen liittyvää tietoa täyttämällä lääkäreiden käytettävyyskysely iAST®-ohjelmiston kanssa työskennellessäsi.
Aikaikkuna: 4 kuukautta
|
Ohjelmiston käytettävyydestä kerätään tietoa, jotta siitä voidaan antaa palautetta.
|
4 kuukautta
|
Arvioida ohjelmiston iAST®-tarkkuutta antibioottiennusteessa neljässä tutkimuspopulaatioalaryhmässä verrattuna antibiogrammiraporttiin vakiona.
Aikaikkuna: 4 kuukautta
|
Alaryhmät ovat: virtsatietulehdus, bakteremia/sepsis, keuhkokuume/trakeobronkiitti ja muut infektiot
|
4 kuukautta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: José Barberán, MD, PhD, Grupo HM Hospitales
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Fleming-Dutra KE, Hersh AL, Shapiro DJ, Bartoces M, Enns EA, File TM Jr, Finkelstein JA, Gerber JS, Hyun DY, Linder JA, Lynfield R, Margolis DJ, May LS, Merenstein D, Metlay JP, Newland JG, Piccirillo JF, Roberts RM, Sanchez GV, Suda KJ, Thomas A, Woo TM, Zetts RM, Hicks LA. Prevalence of Inappropriate Antibiotic Prescriptions Among US Ambulatory Care Visits, 2010-2011. JAMA. 2016 May 3;315(17):1864-73. doi: 10.1001/jama.2016.4151.
- Kumar A, Roberts D, Wood KE, Light B, Parrillo JE, Sharma S, Suppes R, Feinstein D, Zanotti S, Taiberg L, Gurka D, Kumar A, Cheang M. Duration of hypotension before initiation of effective antimicrobial therapy is the critical determinant of survival in human septic shock. Crit Care Med. 2006 Jun;34(6):1589-96. doi: 10.1097/01.CCM.0000217961.75225.E9.
- Kollef MH, Sherman G, Ward S, Fraser VJ. Inadequate antimicrobial treatment of infections: a risk factor for hospital mortality among critically ill patients. Chest. 1999 Feb;115(2):462-74. doi: 10.1378/chest.115.2.462.
- Zilberberg MD, Nathanson BH, Sulham K, Fan W, Shorr AF. 30-day readmission, antibiotics costs and costs of delay to adequate treatment of Enterobacteriaceae UTI, pneumonia, and sepsis: a retrospective cohort study. Antimicrob Resist Infect Control. 2017 Dec 6;6:124. doi: 10.1186/s13756-017-0286-9. eCollection 2017.
- Anahtar MN, Yang JH, Kanjilal S. Applications of Machine Learning to the Problem of Antimicrobial Resistance: an Emerging Model for Translational Research. J Clin Microbiol. 2021 Jun 18;59(7):e0126020. doi: 10.1128/JCM.01260-20. Epub 2021 Jun 18.
- Andersson DI, Hughes D. Antibiotic resistance and its cost: is it possible to reverse resistance? Nat Rev Microbiol. 2010 Apr;8(4):260-71. doi: 10.1038/nrmicro2319. Epub 2010 Mar 8.
- D'Onofrio V, Salimans L, Bedenic B, Cartuyvels R, Barisic I, Gyssens IC. The Clinical Impact of Rapid Molecular Microbiological Diagnostics for Pathogen and Resistance Gene Identification in Patients With Sepsis: A Systematic Review. Open Forum Infect Dis. 2020 Aug 13;7(10):ofaa352. doi: 10.1093/ofid/ofaa352. eCollection 2020 Oct.
- Fernandez J, Vazquez F. The Importance of Cumulative Antibiograms in Diagnostic Stewardship. Clin Infect Dis. 2019 Aug 30;69(6):1086-1087. doi: 10.1093/cid/ciz082. No abstract available.
- Gandra S, Barter DM, Laxminarayan R. Economic burden of antibiotic resistance: how much do we really know? Clin Microbiol Infect. 2014 Oct;20(10):973-80. doi: 10.1111/1469-0691.12798. Epub 2014 Nov 7.
- Jorgensen JH, Ferraro MJ. Antimicrobial susceptibility testing: a review of general principles and contemporary practices. Clin Infect Dis. 2009 Dec 1;49(11):1749-55. doi: 10.1086/647952.
- Larrosa MN, Canut-Blasco A, Benito N, Canton R, Cercenado E, Docobo-Perez F, Fernandez-Cuenca F, Fernandez-Dominguez J, Guinea J, Lopez-Navas A, Moreno MA, Morosini MI, Navarro F, Martinez-Martinez L, Oliver A. Spanish Antibiogram Committee (COESANT) recommendations for cumulative antibiogram reports. Enferm Infecc Microbiol Clin (Engl Ed). 2023 Aug-Sep;41(7):430-435. doi: 10.1016/j.eimce.2022.09.002. Epub 2022 Sep 26.
- Leekha S, Terrell CL, Edson RS. General principles of antimicrobial therapy. Mayo Clin Proc. 2011 Feb;86(2):156-67. doi: 10.4065/mcp.2010.0639.
- Lewin-Epstein O, Baruch S, Hadany L, Stein GY, Obolski U. Predicting Antibiotic Resistance in Hospitalized Patients by Applying Machine Learning to Electronic Medical Records. Clin Infect Dis. 2021 Jun 1;72(11):e848-e855. doi: 10.1093/cid/ciaa1576.
- Livermore DM. Minimising antibiotic resistance. Lancet Infect Dis. 2005 Jul;5(7):450-9. doi: 10.1016/S1473-3099(05)70166-3.
- Mancini A, Vito L, Marcelli E, Piangerelli M, De Leone R, Pucciarelli S, Merelli E. Machine learning models predicting multidrug resistant urinary tract infections using "DsaaS". BMC Bioinformatics. 2020 Aug 21;21(Suppl 10):347. doi: 10.1186/s12859-020-03566-7.
- Moehring RW, Hazen KC, Hawkins MR, Drew RH, Sexton DJ, Anderson DJ. Challenges in Preparation of Cumulative Antibiogram Reports for Community Hospitals. J Clin Microbiol. 2015 Sep;53(9):2977-82. doi: 10.1128/JCM.01077-15. Epub 2015 Jul 15.
- Rowe M. An Introduction to Machine Learning for Clinicians. Acad Med. 2019 Oct;94(10):1433-1436. doi: 10.1097/ACM.0000000000002792.
- van den Bosch CM, Hulscher ME, Akkermans RP, Wille J, Geerlings SE, Prins JM. Appropriate antibiotic use reduces length of hospital stay. J Antimicrob Chemother. 2017 Mar 1;72(3):923-932. doi: 10.1093/jac/dkw469.
- Tumbarello M, Sanguinetti M, Montuori E, Trecarichi EM, Posteraro B, Fiori B, Citton R, D'Inzeo T, Fadda G, Cauda R, Spanu T. Predictors of mortality in patients with bloodstream infections caused by extended-spectrum-beta-lactamase-producing Enterobacteriaceae: importance of inadequate initial antimicrobial treatment. Antimicrob Agents Chemother. 2007 Jun;51(6):1987-94. doi: 10.1128/AAC.01509-06. Epub 2007 Mar 26. Erratum In: Antimicrob Agents Chemother. 2007 Sep;51(9):3469.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- EVIAST
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .
Kliiniset tutkimukset Bakteeri-infektiot
-
Rabin Medical CenterRekrytointiCentral-line Associated Blood Stream Infections (CLABSI)Israel
-
Bactiguard ABKarolinska University HospitalValmisLeikkaus | Central Line Associated Blood Stream Infections (CLABSI)Ruotsi
-
Emory UniversityValmisCentral Line Associated Bloodstream Infections (CLABSI) | LuuydinsiirtoYhdysvallat
Kliiniset tutkimukset Lääketieteellisten laitteiden simulointi
-
Soterix MedicalGeorgetown University; National Institute of Neurological Disorders and... ja muut yhteistyökumppanitValmisKrooninen afasiaYhdysvallat
-
Soterix MedicalNYU Langone HealthValmisHoitoa kestävä masennus | Unipolaarinen masennusYhdysvallat
-
Abbott Medical DevicesValmis
-
Cordio MedicalValmis
-
Baylor College of MedicineMaterna MedicalValmisRepeämä, lantioelin, synnytystraumaYhdysvallat
-
University of WashingtonValmisHypertrofinen arpeutuminen palovamman jälkeenYhdysvallat
-
Baylor College of MedicineAktiivinen, ei rekrytointi
-
Abbott Medical DevicesLopetettu
-
Centre hospitalier de l'Université de Montréal...Centre de Recherche du Centre Hospitalier de l'Université de MontréalValmisKiinteät kasvaimetKanada
-
Altura Medical Inc.TuntematonVatsan aortan aneurysmatChile, Latvia