- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT06384144
Koneoppimisen keskenmenon hallinnan kliinisen päätöksen tukityökalututkimus (MLMM)
Koneoppimista käytettiin kehittämään algoritmi, jolla määritetään onnistumismahdollisuudet yksittäisen potilaan odotettavissa olevalla tai lääketieteellisellä hoidolla. Ottaen huomioon seuraavat objektiiviset toimenpiteet:
- Väestötiedot: äidin ikä, pariteetti
- Historia: Edellinen CS, Edellinen SMM/MVA, Edellinen myomektomia
- LMP:n raskaus
- Oireet: verenvuotopisteet, kipupisteet
- USS-mittaukset: CRL, GS, RPOC 3-mitat, vaskulaarisuus
- CRL:n ja LMP:n raskauden välinen ero
Tarkastus kokoaa 1000 tapausta ja tunnistaa ominaisuuksia, jotka vaikuttavat algoritmiin, joka voi ennustaa keskenmenon hallinnan lopputuloksen yksilöllisen tapauksenhallinnan avulla.
Tutkimuksen yleiskatsaus
Tila
Yksityiskohtainen kuvaus
- Tekoälyn löytötiede: Algoritmien kehittäminen, joka perustuu noin 1000 keskenmenotapauksen takautuvaan tarkastukseen
- Työkalun luotettavuuden määrittäminen testitietosarjoilla
- Päätöksen herkkyyden ja tarkkuuden lisääminen auttaa laajentamalla tiedonkeruuta useisiin sivustoihin ja testaamalla algoritmia tulevaisuuden tiedoilla
Tutkimus suoritetaan Queen Charlotten ja Chelsean sairaalassa Imperial College Healthcare NHS Trustsissa (tutkimuksen ensisijainen keskus).
Tämä on monen keskuksen retrospektiivinen kohorttihavaintotutkimus.
Tutkimus tehdään vähintään kolmen vuoden ajan, jotta retrospektiivisen datan läpikäymiseen ja testiaineistojen kokoamiseen jää riittävästi aikaa.
Imperial College Healthcare NHS Trustissa hoidetut retrospektiiviset anonyymisoidut keskenmenon ja keskenmenon tapaukset analysoidaan:
Jokaista tapausta varten kootaan seuraavat kliiniset piirteet ja tulokset:
- Väestötiedot: äidin ikä, pariteetti
- Historia: Edellinen CS, Edellinen SMM/MVA, Edellinen myomektomia
- LMP:n raskaus
- Oireet: verenvuotopisteet, kipupisteet
- USS-mittaukset: CRL, GS, RPOC 3-mitat, vaskulaarisuus
- CRL:n ja LMP:n raskauden välinen ero
Kaikki tiedot kerätään takautuvasti ja anonyymisoidaan.
Tiedonkeruun jälkeen käytetään koneoppimismalleja ja ominaisuuksien vähentämismenetelmiä parhaan suorituskyvyn mallin määrittämiseksi odottavan keskenmenon tai lääketieteellisen hoidon onnistumisen tai epäonnistumisen ennustamiseksi.
Seuraava vaihe sisältää tulevaisuuden auditoinnin, jossa kerätään tietoja ja testataan MLM-kliinisen päätöksenteon tukityökalun ennustevoimaa.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
London, Yhdistynyt kuningaskunta, W12 0HS
- Rekrytointi
- Imperial College Heatlhcare NHS Trust
-
Ottaa yhteyttä:
- Sughashini Murugesu
- Puhelinnumero: 07988390772
- Sähköposti: sughashini.murugesu@nhs.net
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Keskenmeno ja epätäydellinen keskenmeno alle 14 raskausviikkoa
- Seuranta kirjattiin 2 viikon kohdalla
Poissulkemiskriteerit:
- Lopputulostietoja ei ole saatavilla
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
---|---|
Odottava keskenmenon hallinta
Kohortti, joka päätti jatkaa keskenmenon, lopputuloksen onnistumisen tai epäonnistumisen odotettavissa olevaa hoitoa 14. päivään mennessä johdon valinnasta
|
Odotettavissa oleva hoito: Konservatiivinen hoito, jos keskenmeno ja seuranta varattu 2 viikon kuluttua sen määrittämiseksi, onko täydellinen keskenmeno tapahtunut.
|
Keskenmenon lääketieteellinen hallinta
Kohortti, joka päätti jatkaa keskenmenon, lopputuloksen onnistumisen tai epäonnistumisen lääketieteellistä hoitoa 14. päivään mennessä johtajan valinnasta
|
Lääketieteellinen hoito: Misoprostoli otettiin ensimmäisen raskauskolmanneksen keskenmenon hallintaan, ja seuranta on varattu 2 viikon kuluttua sen määrittämiseksi, onko täydellinen keskenmeno tapahtunut.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Koneoppimisen ennakoivan mallin kehittäminen keskenmenon hallinnan tuloksiin.
Aikaikkuna: Tammikuu 2023 - Kesäkuu 2024
|
Koneoppimisen ennakoivan mallin kehitys perustuu noin 1000 keskenmenotapauksen takautuvaan auditointiin.
|
Tammikuu 2023 - Kesäkuu 2024
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Tuleva auditointi ennustavan mallin testaamiseksi ja validoimiseksi
Aikaikkuna: Heinäkuu 2024 - kesäkuu 2025
|
Päätöksen herkkyyden ja tarkkuuden lisääminen auttaa laajentamalla tiedonkeruuta useisiin sivustoihin ja testaamalla koneoppimismallia tulevalla datalla.
|
Heinäkuu 2024 - kesäkuu 2025
|
Yhteistyökumppanit ja tutkijat
Sponsori
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
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
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 23QC8155
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 .