Syväoppimisviitekehys jatkuvan anestesian syvyyden ennustamiseen
perjantai 10. huhtikuuta 2026 päivittänyt: Universitair Ziekenhuis Brussel
Syväoppimisen kehyksen validointi jatkuvaan farmakodynaamisten vasteiden ja fysiologisten kehityskulkujen ennustamiseen yleisanestesian aikana
Tekoälyn (AI) integrointi anestesiologiaan tarjoaa mahdollisuuden siirtää potilasseuranta reaktiivisesta ennakoivaksi. Syväoppimisen arkkitehtuurit, erityisesti pitkän lyhyen aikavälin muistin (LSTM) verkot, ovat erinomaisia käsittelemään monimutkaista aikasarjadataa tulevien kliinisten tilojen ennustamiseksi.
Vaikka standardit PK/PD-mallit (kuten Propofolin ja Remifentanilin huippuluokan Eleveld-malli) arvioivat lääkeaineiden kohdesijapitoisuuksia (Ce), ne eivät ota huomioon reaaliaikaisia, potilaskohtaisia dynaamisia vastauksia. Tämän tutkimuksen tavoitteena on ottaa käyttöön tekoälykehys, joka on suunniteltu ennustamaan tulevia fysiologisia tiloja.
Tutkimuksen yleiskatsaus
Tila
Ei vielä rekrytointia
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Arvioitu)
115
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Hugo Carvalho, MD, PhD
- Puhelinnumero: +32 50 45 24 19
- Sähköposti: hugo.nogueiracarvalho@azsintjan.be
Opiskelupaikat
-
-
-
Bruges, Belgia, 8000
- AZ Sint-Jan AV
-
-
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
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Joo
Näytteenottomenetelmä
Todennäköisyysnäyte
Tutkimusväestö
Potilaat, jotka saavat yleisanestesiaa jatkuvan anestesian syvyyden seurannan alaisena.
Kuvaus
Sisällyttämiskriteerit:
- Potilaat, joille on suunniteltu valinnaista leikkausta, joka vaatii yleisanestesiaa.
- Toimenpiteet, jotka vaativat jatkuvaa anestesian syvyyden seurantaa (BIS).
Poissulkemiskriteerit:
- Toimenpiteet, joissa ensisijainen anestesiasuunnitelma ei sisällä jatkuvaa sähköistä tiedonkeruuta.
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 |
|---|
|
Prospektiivinen
Tulevaisuuteen suuntautunut kohortti
|
|
Retrospektiivinen
Retrospektiivinen kohortti
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Ennustavan epävarmuuskartion kalibrointivirhe
Aikaikkuna: Jatkuva - Perioperatiivinen
|
Ennustavan epävarmuuskartion kalibrointivirhe - Ennustavan epävarmuuskartion kalibrointivirhe on ero mallin ilmoittaman luottamustason (esim. ennustus, että 95 % tulevista arvoista sijoittuu tiettyyn alueeseen) ja todellisen taajuuden välillä, jolla todelliset arvot todella osuvat kyseisen ennustetun rajan sisälle.
|
Jatkuva - Perioperatiivinen
|
|
Keskimääräinen absoluuttinen virhe (MAE)
Aikaikkuna: Jatkuva - leikkauksen aikainen
|
Keskiarvoinen absoluuttinen virhe (MAE)
|
Jatkuva - leikkauksen aikainen
|
|
Trendin tarkkuus
Aikaikkuna: Jatkuva - leikkauksen aikainen
|
Trendin tarkkuus mittaa ennustavan mallin kykyä ennustaa oikein muuttujan tulevaa suuntaa ja muutosnopeutta (esimerkiksi sen perusteella, vaikuttaako potilaan anestesian syvyys aktiivisesti kevenevän vai syvenevän), riippumatta absoluuttisesta numeerisesta virheestä millään yksittäisellä ajanhetkellä.
|
Jatkuva - leikkauksen aikainen
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Keskimääräinen neliövirhe (RMSE)
Aikaikkuna: Jatkuva - perioperatiivinen
|
Root Mean Square Error (RMSE)
|
Jatkuva - perioperatiivinen
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
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)
Maanantai 1. kesäkuuta 2026
Ensisijainen valmistuminen (Arvioitu)
Lauantai 1. elokuuta 2026
Opintojen valmistuminen (Arvioitu)
Tiistai 1. syyskuuta 2026
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Torstai 2. huhtikuuta 2026
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 10. huhtikuuta 2026
Ensimmäinen Lähetetty (Todellinen)
Perjantai 17. huhtikuuta 2026
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Perjantai 17. huhtikuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Perjantai 10. huhtikuuta 2026
Viimeksi vahvistettu
Sunnuntai 1. maaliskuuta 2026
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- AIBIS
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 .