Tehostetun hengityskatastrofi-oireyhtymän diagnoosi- ja hoitostrategioiden sekä ennustemallien tutkimus keinotekoisen älyn arvioimien radiologisten kuvausten perusteella
lauantai 27. joulukuuta 2025 päivittänyt: Shanghai Zhongshan Hospital
Keinotekoisen älyn arvioimien radiografisten arviointien perusteella tehty tutkimus akuutin hengitysvaikeusoireyhtymän diagnostiikasta ja hoitostrategioista sekä ennusteennustemalleista
Monikeskuksista saatua rintakehän CT-dataa käyttäen rakennettiin älykäs ARDS:n vakavuuden arviointimalli.
CT:n kvantitatiivisiin piirteisiin ja kliinisiin ominaisuuksiin perustuen luotiin ennustemalli lyhyen aikavälin kriittisille tapahtumille (kuten mekaanisen hengityksen päätökset, vatsallinen asento -strategiat, kuolema, ECMO:n käyttö jne.).
Sairautta vaiheistettiin ja kvantifioitiin, ja ARDS:lle kehitettiin diagnoosi- ja riskiluokittelumalli auttamaan ohjaamaan ARDS:n diagnosointi- ja hoitostrategioita.
Tutkimuksen yleiskatsaus
Tila
Valmis
Interventio / Hoito
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
400
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Fengling Rd
-
Shanghai, Fengling Rd, Kiina, 200032, P. R.
- Department of critical care medicine, Zhongshan Hospital, Fudan University
-
-
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
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
Tutkimuspopulaatio koostuu aikuispotilaista, joilla on diagnosoitu akuutti hengitysvaikeusoireyhtymä (ARDS) ja jotka on otettu hoitoon Kiian kolmen tertiäärisen yleissairaalan teho-osastoilla (ICU).
Kelpavat osallistujat tunnistetaan takautuvasti sähköisistä potilastietojärjestelmistä tammikuun 2020 ja joulukuun 2024 välisenä aikana.
Kaikki mukana olevat potilaat täyttävät ennalta määritellyt sisällyttämis- ja poissulkemiskriteerit perustuen vuoden 2023 ARDS:n maailmanlaajuiseen määritelmään ja heillä on saatavilla rintakehän tietokonetomografiakuvat (CT) ja vastaavat kliiniset tiedot.
Tämä kohortti edustaa todellisen maailman teho-osastopopulaatiota, jossa on monenlaisia ARDS:n etiologioita ja vaihtelevia sairauden vaikeusasteita.
Kuvaus
Sisällyttämiskriteerit:
- Täyttää ARDS:n diagnoosikriteerit
- On otettu tehohoitoon
- On saatavilla rintakehän tietokonetomografiakuvia
Poissulkemiskriteerit:
- Alle 18-vuotias
- Puuttuvat lääketieteelliset dokumentit
- Ei rintakehän tietokonetomografiakuvia
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Harjoitusryhmä, testausryhmä, validointiryhmä
Tutkimus hyödyntää kerrostetun satunnaisotannan strategiaa 8:2-jakaumalla koulutus- ja sisäisen validointidatan luomiseksi, yhdessä erillisestä keskusta peräisin olevan riippumattoman ulkoisen testikohortin kanssa.
Kliinistä interventioita tai hoitoja ei satunnaisteta.
Mallia kehitetään ja arvioidaan käyttäen havainnointidataa, joka on peräisin todellisista kliinisistä poluista ja tuloksista, tavoitteena arvioida suorituskykyä sairauden vakavuuskerroksituksessa, hoidon suosittelussa ja kuolleisuuden ennustamisessa.
Mallin suorituskykyä verrataan vakiintuneisiin teho-osastojen vakavuuspisteisiin ja olemassa oleviin tekoälyyn perustuviin lähestymistapoihin ennalta määritellyn tilastollisen analyysisuunnitelman mukaisesti.
|
Tietokonetomografia
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
ARDS:n vakavuusluokituksen tarkkuus
Aikaikkuna: Perustaso, määriteltynä tehohoidon aikana otetun indeksirintakuvauksen (CT) 24 tunnin sisällä.
|
Tekoälyyn perustuvan mallin tarkkuus ARDS:n vakavuusluokittelussa (lievä, kohtalainen tai vakava) käyttäen viitearvona 2023 maailmanlaajuisissa ARDS-kriteereissä määriteltyä kliinistä luokittelua.
|
Perustaso, määriteltynä tehohoidon aikana otetun indeksirintakuvauksen (CT) 24 tunnin sisällä.
|
|
Mallin suositteleman ja todellisen kliinisen hoidon välinen hoitosuunnitelmien yhteensopivuus.
Aikaikkuna: Perustaso, määriteltynä 24 tunnin sisällä tehdystä indeksirintakuvasta teho-osastolla oleskelun aikana.
|
Sovittuvuusaste mallin suositteleman hoitostrategian ja todellisen kliinisen hoitopäätöksen välillä viidessä ennalta määritellyssä interventiomuodossa: mekaaninen hengitystuki, korkean virtauksen nenän hapenanto, ei-invasiivinen hengitystuki, vatsallinen asento ja neuromuskulaarinen salpaus.
|
Perustaso, määriteltynä 24 tunnin sisällä tehdystä indeksirintakuvasta teho-osastolla oleskelun aikana.
|
|
28 päivän sairaalakuolleisuuden ennustamisen tarkkuus.
Aikaikkuna: Jopa 28 päivää tehohoidon aloittamisesta tai sairaalasta kotiutumiseen asti, kumpi tahansa tapahtuu ensin.
|
Mallin tarkkuus ennustettaessa kaikista syistä johtuvaa sairaalakuolleisuutta 28 vuorokauden kuluessa, perustuen integroituihin rintakehän CT-kuvausominaisuuksiin ja kliinisiin muuttujiin.
|
Jopa 28 päivää tehohoidon aloittamisesta tai sairaalasta kotiutumiseen asti, kumpi tahansa tapahtuu ensin.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Vertailukelpoinen suorituskyvyn parannus verrattuna perus-AI-malleihin.
Aikaikkuna: Perustaso vakavuusluokittelulle ja hoitosuunnitelman sovittamiselle; enintään 28 päivää tehohoitoon saapumisesta kuolleisuuden ennustamiseksi
|
Ehdotetun mallin absoluuttinen suorituskyvyn parannus verrattuna kolmeen yleisesti käytettyyn vertailukohtaan tekoälymalliin ARDS:n vakavuusluokittelussa, hoitosuunnitelman yhteensopivuudessa ja 28 päivän kuolleisuuden ennustamisessa.
|
Perustaso vakavuusluokittelulle ja hoitosuunnitelman sovittamiselle; enintään 28 päivää tehohoitoon saapumisesta kuolleisuuden ennustamiseksi
|
|
28 päivän kuolleisuuden ennustamisen kalibrointimenestys.
Aikaikkuna: Enintään 28 päivää tehohoidon aloittamisesta tai sairaalasta kotiutumiseen asti, kumpi tapahtuu ensin.
|
Kuoleman ennustemallin kalibrointi arvioitiin kalibrointikäyrien ja kalibrointitilastojen avulla arvioimaan ennustetun ja havaittun 28 päivän sairaalakuolleisuuden välistä yhteensopivuutta.
|
Enintään 28 päivää tehohoidon aloittamisesta tai sairaalasta kotiutumiseen asti, kumpi tapahtuu ensin.
|
|
Mallin tulkittavuus kuvantamisen ja kliinisten ominaisuuksien perusteella.
Aikaikkuna: Perustaso ominaisuuksien erottelulle; enintään 28 päivää teho-osastolle saapumisesta tulosten assosiaatioanalyysiä varten.
|
Imaging-piirteiden ja kliinisten muuttujien suhteellisten vaikutusten mittaaminen kuolleisuuden ennustamisessa käyttäen Shapley Additive Explanations (SHAP) -menetelmää.
Piirteiden merkitystä analysoidaan kokonaisuutena ja kerrostettuna ARDS:n vakavuuden mukaan.
|
Perustaso ominaisuuksien erottelulle; enintään 28 päivää teho-osastolle saapumisesta tulosten assosiaatioanalyysiä varten.
|
|
Yhteys hoitoon sitoutumisen ja 28 päivän sairaalakuolleisuuden välillä.
Aikaikkuna: Jopa 28 päivää tehohoitoon pääsyn jälkeen tai sairaalasta kotiutumiseen asti, kumpi tapahtuu ensin.
|
Yhteys mallin suosittelemien toimenpiteiden ja todellisten kliinisten hoitojen yhteensopivuuden sekä 28 päivän sairaalakuolleisuuden välillä, arvioitu käyttäen monimuuttujalogistista regressiota, jossa on säädetty keskeisiin kuvantamisesta johdettuihin rakennemittareihin.
|
Jopa 28 päivää tehohoitoon pääsyn jälkeen tai sairaalasta kotiutumiseen asti, kumpi tapahtuu ensin.
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Xirouchaki N, Magkanas E, Vaporidi K, Kondili E, Plataki M, Patrianakos A, Akoumianaki E, Georgopoulos D. Lung ultrasound in critically ill patients: comparison with bedside chest radiography. Intensive Care Med. 2011 Sep;37(9):1488-93. doi: 10.1007/s00134-011-2317-y. Epub 2011 Aug 2.
- Matthay MA, Arabi Y, Arroliga AC, Bernard G, Bersten AD, Brochard LJ, Calfee CS, Combes A, Daniel BM, Ferguson ND, Gong MN, Gotts JE, Herridge MS, Laffey JG, Liu KD, Machado FR, Martin TR, McAuley DF, Mercat A, Moss M, Mularski RA, Pesenti A, Qiu H, Ramakrishnan N, Ranieri VM, Riviello ED, Rubin E, Slutsky AS, Thompson BT, Twagirumugabe T, Ware LB, Wick KD. A New Global Definition of Acute Respiratory Distress Syndrome. Am J Respir Crit Care Med. 2024 Jan 1;209(1):37-47. doi: 10.1164/rccm.202303-0558WS.
- Ding XF, Li JB, Liang HY, Wang ZY, Jiao TT, Liu Z, Yi L, Bian WS, Wang SP, Zhu X, Sun TW. Predictive model for acute respiratory distress syndrome events in ICU patients in China using machine learning algorithms: a secondary analysis of a cohort study. J Transl Med. 2019 Oct 1;17(1):326. doi: 10.1186/s12967-019-2075-0.
- Zhang Z. Prediction model for patients with acute respiratory distress syndrome: use of a genetic algorithm to develop a neural network model. PeerJ. 2019 Sep 16;7:e7719. doi: 10.7717/peerj.7719. eCollection 2019.
- Zeiberg D, Prahlad T, Nallamothu BK, Iwashyna TJ, Wiens J, Sjoding MW. Machine learning for patient risk stratification for acute respiratory distress syndrome. PLoS One. 2019 Mar 28;14(3):e0214465. doi: 10.1371/journal.pone.0214465. eCollection 2019.
- Zhou Y, Feng J, Mei S, Tang R, Xing S, Qin S, Zhang Z, Xu Q, Gao Y, He Z. A deep learning model for predicting COVID-19 ARDS in critically ill patients. Front Med (Lausanne). 2023 Jul 25;10:1221711. doi: 10.3389/fmed.2023.1221711. eCollection 2023.
- Chiumello D, Coppola S, Catozzi G, Danzo F, Santus P, Radovanovic D. Lung Imaging and Artificial Intelligence in ARDS. J Clin Med. 2024 Jan 5;13(2):305. doi: 10.3390/jcm13020305.
- Albahri OS, Zaidan AA, Albahri AS, Zaidan BB, Abdulkareem KH, Al-Qaysi ZT, Alamoodi AH, Aleesa AM, Chyad MA, Alesa RM, Kem LC, Lakulu MM, Ibrahim AB, Rashid NA. Systematic review of artificial intelligence techniques in the detection and classification of COVID-19 medical images in terms of evaluation and benchmarking: Taxonomy analysis, challenges, future solutions and methodological aspects. J Infect Public Health. 2020 Oct;13(10):1381-1396. doi: 10.1016/j.jiph.2020.06.028. Epub 2020 Jul 1.
- Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. J Family Med Prim Care. 2019 Jul;8(7):2328-2331. doi: 10.4103/jfmpc.jfmpc_440_19.
- Gutierrez G. Artificial Intelligence in the Intensive Care Unit. Crit Care. 2020 Mar 24;24(1):101. doi: 10.1186/s13054-020-2785-y.
- Ahuja AS. The impact of artificial intelligence in medicine on the future role of the physician. PeerJ. 2019 Oct 4;7:e7702. doi: 10.7717/peerj.7702. eCollection 2019.
- Shenoy S, Rajan AK, Rashid M, Chandran VP, Poojari PG, Kunhikatta V, Acharya D, Nair S, Varma M, Thunga G. Artificial intelligence in differentiating tropical infections: A step ahead. PLoS Negl Trop Dis. 2022 Jun 30;16(6):e0010455. doi: 10.1371/journal.pntd.0010455. eCollection 2022 Jun.
- Chiumello D, Marino A, Brioni M, Menga F, Cigada I, Lazzerini M, Andrisani MC, Biondetti P, Cesana B, Gattinoni L. Visual anatomical lung CT scan assessment of lung recruitability. Intensive Care Med. 2013 Jan;39(1):66-73. doi: 10.1007/s00134-012-2707-9. Epub 2012 Sep 19.
- Raghavendran K, Davidson BA, Woytash JA, Helinski JD, Marschke CJ, Manderscheid PA, Notter RH, Knight PR. The evolution of isolated bilateral lung contusion from blunt chest trauma in rats: cellular and cytokine responses. Shock. 2005 Aug;24(2):132-8. doi: 10.1097/01.shk.0000169725.80068.4a.
- Gattinoni L, Caironi P, Pelosi P, Goodman LR. What has computed tomography taught us about the acute respiratory distress syndrome? Am J Respir Crit Care Med. 2001 Nov 1;164(9):1701-11. doi: 10.1164/ajrccm.164.9.2103121. No abstract available.
- Gattinoni L, Pesenti A. The concept of "baby lung". Intensive Care Med. 2005 Jun;31(6):776-84. doi: 10.1007/s00134-005-2627-z. Epub 2005 Apr 6.
- Yadav H, Thompson BT, Gajic O. Fifty Years of Research in ARDS. Is Acute Respiratory Distress Syndrome a Preventable Disease? Am J Respir Crit Care Med. 2017 Mar 15;195(6):725-736. doi: 10.1164/rccm.201609-1767CI.
- Yildirim F, Karaman I, Kaya A. Current situation in ARDS in the light of recent studies: Classification, epidemiology and pharmacotherapeutics. Tuberk Toraks. 2021 Dec;69(4):535-546. doi: 10.5578/tt.20219611.
- Yang P, Sjoding MW. Acute Respiratory Distress Syndrome: Definition, Diagnosis, and Routine Management. Crit Care Clin. 2024 Apr;40(2):309-327. doi: 10.1016/j.ccc.2023.12.003. Epub 2024 Jan 4.
- Tzotzos SJ, Fischer B, Fischer H, Zeitlinger M. Incidence of ARDS and outcomes in hospitalized patients with COVID-19: a global literature survey. Crit Care. 2020 Aug 21;24(1):516. doi: 10.1186/s13054-020-03240-7. No abstract available.
- Riviello ED, Buregeya E, Twagirumugabe T. Diagnosing acute respiratory distress syndrome in resource limited settings: the Kigali modification of the Berlin definition. Curr Opin Crit Care. 2017 Feb;23(1):18-23. doi: 10.1097/MCC.0000000000000372.
- Villar J, Martin-Rodriguez C, Dominguez-Berrot AM, Fernandez L, Ferrando C, Soler JA, Diaz-Lamas AM, Gonzalez-Higueras E, Nogales L, Ambros A, Carriedo D, Hernandez M, Martinez D, Blanco J, Belda J, Parrilla D, Suarez-Sipmann F, Tarancon C, Mora-Ordonez JM, Blanch L, Perez-Mendez L, Fernandez RL, Kacmarek RM; Spanish Initiative for Epidemiology, Stratification and Therapies for ARDS (SIESTA) Investigators Network. A Quantile Analysis of Plateau and Driving Pressures: Effects on Mortality in Patients With Acute Respiratory Distress Syndrome Receiving Lung-Protective Ventilation. Crit Care Med. 2017 May;45(5):843-850. doi: 10.1097/CCM.0000000000002330.
- Garcia-Laorden MI, Lorente JA, Flores C, Slutsky AS, Villar J. Biomarkers for the acute respiratory distress syndrome: how to make the diagnosis more precise. Ann Transl Med. 2017 Jul;5(14):283. doi: 10.21037/atm.2017.06.49.
- McNicholas BA, Rooney GM, Laffey JG. Lessons to learn from epidemiologic studies in ARDS. Curr Opin Crit Care. 2018 Feb;24(1):41-48. doi: 10.1097/MCC.0000000000000473.
- Bellani G, Laffey JG, Pham T, Fan E, Brochard L, Esteban A, Gattinoni L, van Haren F, Larsson A, McAuley DF, Ranieri M, Rubenfeld G, Thompson BT, Wrigge H, Slutsky AS, Pesenti A; LUNG SAFE Investigators; ESICM Trials Group. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 2016 Feb 23;315(8):788-800. doi: 10.1001/jama.2016.0291.
- Gorman EA, O'Kane CM, McAuley DF. Acute respiratory distress syndrome in adults: diagnosis, outcomes, long-term sequelae, and management. Lancet. 2022 Oct 1;400(10358):1157-1170. doi: 10.1016/S0140-6736(22)01439-8. Epub 2022 Sep 4.
- Xu H, Sheng S, Luo W, Xu X, Zhang Z. Acute respiratory distress syndrome heterogeneity and the septic ARDS subgroup. Front Immunol. 2023 Nov 14;14:1277161. doi: 10.3389/fimmu.2023.1277161. eCollection 2023.
- Banavasi H, Nguyen P, Osman H, Soubani AO. Management of ARDS - What Works and What Does Not. Am J Med Sci. 2021 Jul;362(1):13-23. doi: 10.1016/j.amjms.2020.12.019. Epub 2020 Dec 26.
- Katzenstein AL, Bloor CM, Leibow AA. Diffuse alveolar damage--the role of oxygen, shock, and related factors. A review. Am J Pathol. 1976 Oct;85(1):209-28. No abstract available.
- Villar J, Szakmany T, Grasselli G, Camporota L. Redefining ARDS: a paradigm shift. Crit Care. 2023 Oct 31;27(1):416. doi: 10.1186/s13054-023-04699-w.
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 (Todellinen)
Perjantai 31. toukokuuta 2024
Ensisijainen valmistuminen (Todellinen)
Sunnuntai 30. marraskuuta 2025
Opintojen valmistuminen (Todellinen)
Sunnuntai 30. marraskuuta 2025
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Lauantai 13. joulukuuta 2025
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Lauantai 27. joulukuuta 2025
Ensimmäinen Lähetetty (Todellinen)
Perjantai 9. tammikuuta 2026
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Perjantai 9. tammikuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Lauantai 27. joulukuuta 2025
Viimeksi vahvistettu
Maanantai 1. joulukuuta 2025
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
- Hengityselinten sairaudet
- Keuhkosairaudet
- Keuhkovaurio
- Akuutti keuhkovaurio
- Diagnostiikkatekniikat ja menettelyt
- Diagnoosi
- Tomografia
- Diagnostinen kuvantaminen
- Radiografia
- Kuvan tulkinta, tietokoneavusteinen
- Radiografinen kuvan parantaminen
- Kuvan parantaminen
- Valokuvaus
- Tomografia, röntgenkuva
- Tomografia, röntgenkuvaus
Muut tutkimustunnusnumerot
- B2024-180
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
JOO
IPD-suunnitelman kuvaus
Tutkimuksen tulosten taustalla olevat yksilölliset osallistujatiedot, mukaan lukien anonymisoidut demografiset tiedot, kliiniset muuttujat, laboratoriotutkimustulokset, hengityskoneen tai HFNC:n parametrit sekä tekoälyn avulla johdetut kvantitatiiviset CT-ominaisuudet, jaetaan.
Kaikki tiedot anonymisoidaan täysin voimassa olevien säädösten mukaisesti ennen jakamista.
Kuvantamistiedot (CT-kuvaukset) toimitetaan myös anonymisoituna, mikäli osallistuvat tutkimuspaikat sen sallivat.
IPD-jaon aikakehys
Yksittäisen osallistujan tiedot ovat saatavilla 12 kuukautta ensisijaisten tulosten julkaisun jälkeen ja pysyvät saatavilla vähintään 5 vuoden ajan.
IPD-jaon käyttöoikeuskriteerit
Yksittäisten osallistujien tietoja jaetaan pätevien tutkijoiden kanssa tieteellisesti perusteltuja ehdotuksia varten.
Pyynnöissä on sisällettävä metodologisesti sopiva analyysisuunnitelma sekä laitoksen tarkastuslautakunnan (IRB) tai eettisen komitean hyväksyntä tarvittaessa.
Tietoja jaetaan vain tunnistamattomassa muodossa.
Kaikki pyynnöt tarkistetaan pääasiantutkijan ja tutkimuksen ohjauskomitean toimesta, jotka arvioivat tieteellisen perustelun, toteuttamiskelpoisuuden ja tietosuojamääräysten noudattamisen.
Hyväksynnän jälkeen tietoihin päästään käsiksi turvallisen, salasanasuojatun tietojenjakopalvelun kautta.
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
- MAHLA
- ICF
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 .