- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT07539532
Perinteisten riskipistemääritysten ja tekoälyyn perustuvan multimodalisen mallin vertailu sydän- ja verisuonitapahtumien ennustamisessa ruoansulatuskanavan leikkauksen jälkeen (GI-MACE-AI)
Joissakin riskipisteiden arvo ennustamaan sydän- ja verisuonisairauksia ruoansulatuskanavan leikkauksen jälkeen
Tämän havainnointitutkimuksen tavoitteena on kehittää ja arvioida tekoälyyn (AI) perustuvaa multimodaalista mallia suurten sydän- ja verisuonitapahtumien ennustamiseksi 30 päivän sisällä aikuisilla suolistoleikkauksen jälkeen Bach Mai -sairaalassa. Tutkimus vertailee myös tämän tekoälyyn perustuvan mallin ennustuskykyä yleisesti käytettyihin perinteisiin riskipisteisiin.
Pääkysymykset, joihin tutkimus pyrkii vastaamaan, ovat:
Pystyykö tekoälyyn perustuva multimodaalinen malli ennustamaan suuria sydän- ja verisuonitapahtumia 30 päivän sisällä suolistoleikkauksen jälkeen? Näyttääkö tekoälyyn perustuva malli paremman ennustuskyvyn kuin Revised Cardiac Risk Index (RCRI), American College of Surgeons National Surgical Quality Improvement Program Myocardial Infarction or Cardiac Arrest -laskuri (ACS NSQIP MICA) ja ACS NSQIP Surgical Risk Calculator (ACS NSQIP SRC)? Tutkijat vertailevat tekoälyyn perustuvaa multimodaalista mallia perinteisiin riskipisteisiin käyttäen ennustuskyvyn mittareita, kuten erottelua, kalibrointia, netto-uudelleenluokitteluparannusta ja integroitua erotteluparannusta.
Osallistujat ovat aikuisia, joille tehdään suolistoleikkaus. Tutkijat tarkastelevat potilaiden sairauskertomusdataa vuodelta 2025 ja keräävät myös samantyyppistä kliinistä dataa prospektiivisesti vuonna 2026. Ennustettava kliininen lopputulos on suurten sydän- ja verisuonitapahtumien esiintyminen 30 päivän sisällä leikkauksen jälkeen. Tutkimus ei muuta rutiininomaista kliinistä hoitoa.
Tutkimuksen yleiskatsaus
Tila
Yksityiskohtainen kuvaus
Suuret sydän- ja verisuonitapahtumat ruoansulatuskanavan leikkauksen jälkeen edelleen tärkeä varhaisen leikkausjälkeisten komplikaatioiden ja huonojen tulosten aiheuttaja. Perinteiset perioperatiiviset kardio-riskiarvot, mukaan lukien Revised Cardiac Risk Index (RCRI), American College of Surgeons National Surgical Quality Improvement Program Myocardial Infarction or Cardiac Arrest -laskuri (ACS NSQIP MICA) ja ACS NSQIP Surgical Risk Calculator (ACS NSQIP SRC), ovat laajasti käytössä kliinisessä käytännössä. Niiden suorituskyky voi kuitenkin olla rajallinen tietyissä kirurgisissa väestöryhmissä, eivätkä ne välttämättä täysin käsittele monimutkaisia vuorovaikutuksia kliinisten, laboratorio-, fysiologisten ja toimenpide-muuttujien välillä.
Tämä havainnointitutkimus pyrkii kehittämään ja arvioimaan tekoälyyn (AI) perustuvan multimodaalisen mallin suurten sydän- ja verisuonitapahtumien ennustamiseksi 30 päivän kuluessa ruoansulatuskanavan leikkauksesta ja vertaamaan sen ennustuskykyä perinteisiin riskipisteisiin. Tutkimus toteutetaan Bach Mai -sairaalassa ja se sisältää aikuispotilaita, joille tehdään ruoansulatuskanavan leikkaus. Tutkimuksessa käytetään seka-retrospektiivis-prospektiivista suunnittelua, jossa retrospektiivinen tiedonkeruu tapahtuu potilailta, joita hoidettiin vuonna 2025, ja prospektiivinen tiedonkeruu vuonna 2026.
Ennustuksen kohdekliininen lopputulos on suurten sydän- ja verisuonitapahtumien esiintyminen 30 päivän kuluessa leikkauksesta. Nämä tapahtumat sisältävät sydän- ja verisuonikuoleman, ei-kuolettavan sydäninfarktin, sydämenpysähdyksen spontaanin verenkierto palautumisella, uuden aivohalvauksen ja kliinisesti merkittävät rytmihäiriöt, jotka vaativat hoitoa. Mallin kehittämiseen ja vertailuun käytetyt tiedot voivat sisältää demografiset ominaisuudet, sairaushistorian, sydän- ja verisuonisairaudet, kirurgiset ominaisuudet, anestesiatiedot, leikkauksen jälkeiset laboratoriotulokset, elektrokardiografiset löydökset, biomarkkerit saatavilla ollessa, sekä toiminnalliset tai riskinarviointimuuttujat.
Tutkimuksen ensisijainen lopputulos on tekoälyyn perustuvan multimodaalisen mallin erottelukyky verrattuna perinteisiin riskipisteisiin, mitattuna vastaanottajan toimintaominaisuuskäyrän alla olevalla alueella (AUC) ennustettaessa 30 päivän suuria sydän- ja verisuonitapahtumia ruoansulatuskanavan leikkauksen jälkeen. Toissijaiset lopputulokset sisältävät kalibrointisuorituskyvyn, nettoluokittelun parantumisen ja integroidun erottelun parantumisen tekoälyyn perustuvassa multimodaalisessa mallissa verrattuna perinteisiin riskipisteisiin, mukaan lukien RCRI, ACS NSQIP MICA ja ACS NSQIP SRC.
Tutkimus on havainnointitutkimus eikä muuta rutiininomaista perioperatiivista hoitoa. Tiedot saadaan olemassa olevista potilastiedoista ja prospektiivisesta kliinisestä keräyksestä, koodataan luottamuksellisuuden vuoksi ja analysoidaan tukemaan riskiluokittelua ja mallivertailua ruoansulatuskanavan leikkauksen potilailta.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Hà Nội, Vietnam
- Rekrytointi
- Bach Mai hospital
-
Ottaa yhteyttä:
- Nguyen Toan Thang, Thang
- Puhelinnumero: PhD, MD
- Sähköposti: nguyentoanthang@hmu.edu.vn
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Osallistumiskriteerit:
- Aikuiset, jotka ovat 18-vuotiaita tai vanhempia.
- Suolistoleikkaukseen Bach Mai -sairaalassa tammikuun 2025 ja joulukuun 2026 välisenä aikana.
- Leikkaukseen liittyvät ennen leikkausta, leikkauksen aikana ja leikkauksen jälkeen kerätyt tiedot riittävät analysointiin.
Poissulkemiskriteerit:
- Kuolema 24 tunnin kuluessa leikkauksesta selvästi ei-sydän- ja verisuonisairauteen liittyvästä syystä.
- Analyysiin tarvittavat tiedot puutteelliset.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
|---|
|
Koko tutkimuskohortti
Aikuiset, joille tehdään ruoansulatuskanavan leikkaus Bach Mai -sairaalassa ja jotka sisällytetään tähän havainnointitutkimukseen sekä seurataan suurten sydän- ja verisuonitapahtumien varalta 30 päivän ajan leikkauksen jälkeen.
Tutkimus sisältää retrospektiivistä dataa vuodelta 2025 ja prospektiivistä dataa vuodelta 2026.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tekoälyyn perustuvan monimuotoisen mallin vastaanottajan toimintakäyrän (ROC) alla oleva pinta-ala 30 päivän pääasiallisten haitallisten sydän- ja verisuonitapahtumien ennustamiseksi ruoansulatuskanavan leikkauksen jälkeen
Aikaikkuna: Ennaltaehkäisevästä ajanjaksosta aina 30 päivään leikkauksen jälkeen.
|
Tehokkaan monimuotoisen tekoälymallin suorituskyky ennustettaessa 30 päivän pääasiallisia haitallisia sydän- ja verisuonitapahtumia ruoansulatuskanavan leikkauksen jälkeen.
|
Ennaltaehkäisevästä ajanjaksosta aina 30 päivään leikkauksen jälkeen.
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
AI-pohjaisen multimodaalisen mallin Brier-pistemäärä 30 päivän suurten sydän- ja verisuonitapahtumien ennustamisessa ruoansulatuskanavan leikkauksen jälkeen
Aikaikkuna: Ennalta leikkauskaudesta aina 30 päivään leikkauksen jälkeen
|
Tehokkaan monimuotoisen mallin kokonaisennustetarkkuus Brier-pistemäärän arvioimana.
Alemmat arvot osoittavat parempaa mallin suorituskykyä.
|
Ennalta leikkauskaudesta aina 30 päivään leikkauksen jälkeen
|
|
Tekoälyyn perustuvan multimodaalisen mallin nettouudelleenluokitusparannus verrattuna perinteisiin riskipisteisiin 30 päivän suurten sydän- ja verisuonitapahtumien ennustamisessa ruoansulatuskanavan leikkauksen jälkeen
Aikaikkuna: Käyttämällä leikkauksen ympäristöaikana kerättyjä tietoja leikkausjakson alkamisesta aina 30 päivän kuluessa leikkauksesta
|
Tekoälyyn perustuvan multimodaalisen mallin nettouudelleenluokitusparannus perinteisiin riskipisteisiin verrattuna suurten sydän- ja verisuonitapahtumien ennustamisessa 30 päivän kuluessa ruoansulatuskanavan leikkauksesta.
|
Käyttämällä leikkauksen ympäristöaikana kerättyjä tietoja leikkausjakson alkamisesta aina 30 päivän kuluessa leikkauksesta
|
|
Tekoälyyn perustuvan multimodaalisen mallin integroitu syrjintäparannus verrattuna perinteisiin riskipisteisiin 30 päivän pääasiallisten sydän- ja verisuonitapahtumien ennustamisessa mahaleikkauksen jälkeen
Aikaikkuna: Käyttäen perioperatiivisia tietoja, jotka on kerätty ennen leikkausta aina 30 päivään leikkauksen jälkeen
|
Tekoälyyn perustuvan multimodaalisen mallin integroitu syrjintäparannus verrattuna perinteisiin riskipisteisiin suurten sydän- ja verisuonitapahtumien ennustamisessa 30 päivän sisällä mahaleikkauksen jälkeen.
|
Käyttäen perioperatiivisia tietoja, jotka on kerätty ennen leikkausta aina 30 päivään leikkauksen jälkeen
|
|
Vastaanottajan toimintapiirteen käyrän alla oleva alue parannetusta sydämen riski-indeksistä 30 päivän suurten sydän- ja verisuonitapahtumien ennustamiseksi ruoansulatuskanavan leikkauksen jälkeen
Aikaikkuna: Ennaltaehkäisevästä ajanjaksosta 30 päivään leikkauksen jälkeen
|
Uudistetun sydänriskioireiston erottelukyky.
|
Ennaltaehkäisevästä ajanjaksosta 30 päivään leikkauksen jälkeen
|
|
ACS NSQIP Surgical Risk Calculatorin vastaanottajan toimintaluokan käyrän alla oleva pinta-ala 30 päivän suurten sydän- ja verisuonitapahtumien ennustamiseksi ruoansulatuskanavan leikkauksen jälkeen
Aikaikkuna: Ennaltaehkäisevästä ajanjaksosta 30 päivään leikkauksen jälkeen
|
ACS NSQIP-kirurgisen riskin laskimen syrjintäsuorituskyky.
|
Ennaltaehkäisevästä ajanjaksosta 30 päivään leikkauksen jälkeen
|
|
Tekoälyyn perustuvan multimodaalisen mallin kalibrointikaltevuus 30 päivän pääasiallisten sydän- ja verisuonitapahtumien ennustamiseksi ruoansulatuskanavan leikkauksen jälkeen
Aikaikkuna: Leikkauksen esikäsittelyvaiheesta 30 päivään leikkauksen jälkeen
|
Sopimus ennustetun ja havaittujen riskien välillä, kuten kalibrointikulmakerroin arvioi.
Arvo lähempänä yhtä osoittaa parempaa kalibrointia.
|
Leikkauksen esikäsittelyvaiheesta 30 päivään leikkauksen jälkeen
|
Yhteistyökumppanit ja tutkijat
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Writing Committee for the VISION Study Investigators; Devereaux PJ, Biccard BM, Sigamani A, Xavier D, Chan MTV, Srinathan SK, Walsh M, Abraham V, Pearse R, Wang CY, Sessler DI, Kurz A, Szczeklik W, Berwanger O, Villar JC, Malaga G, Garg AX, Chow CK, Ackland G, Patel A, Borges FK, Belley-Cote EP, Duceppe E, Spence J, Tandon V, Williams C, Sapsford RJ, Polanczyk CA, Tiboni M, Alonso-Coello P, Faruqui A, Heels-Ansdell D, Lamy A, Whitlock R, LeManach Y, Roshanov PS, McGillion M, Kavsak P, McQueen MJ, Thabane L, Rodseth RN, Buse GAL, Bhandari M, Garutti I, Jacka MJ, Schunemann HJ, Cortes OL, Coriat P, Dvirnik N, Botto F, Pettit S, Jaffe AS, Guyatt GH. Association of Postoperative High-Sensitivity Troponin Levels With Myocardial Injury and 30-Day Mortality Among Patients Undergoing Noncardiac Surgery. JAMA. 2017 Apr 25;317(16):1642-1651. doi: 10.1001/jama.2017.4360.
- Gautam N, Mueller J, Alqaisi O, Gandhi T, Malkawi A, Tarun T, Alturkmani HJ, Zulqarnain MA, Pontone G, Al'Aref SJ. Machine Learning in Cardiovascular Risk Prediction and Precision Preventive Approaches. Curr Atheroscler Rep. 2023 Dec;25(12):1069-1081. doi: 10.1007/s11883-023-01174-3. Epub 2023 Nov 27.
- Liu T, Krentz A, Lu L, Curcin V. Machine learning based prediction models for cardiovascular disease risk using electronic health records data: systematic review and meta-analysis. Eur Heart J Digit Health. 2024 Oct 27;6(1):7-22. doi: 10.1093/ehjdh/ztae080. eCollection 2025 Jan.
- Cheng CH, Lee BJ, Nfor ON, Hsiao CH, Huang YC, Liaw YP. Using machine learning-based algorithms to construct cardiovascular risk prediction models for Taiwanese adults based on traditional and novel risk factors. BMC Med Inform Decis Mak. 2024 Jul 22;24(1):199. doi: 10.1186/s12911-024-02603-2.
- Li C, Liu X, Shen P, Sun Y, Zhou T, Chen W, Chen Q, Lin H, Tang X, Gao P. Improving cardiovascular risk prediction through machine learning modelling of irregularly repeated electronic health records. Eur Heart J Digit Health. 2023 Oct 17;5(1):30-40. doi: 10.1093/ehjdh/ztad058. eCollection 2024 Jan.
- Kothari P, Vanneman MW, Choi C, Diehl R, Fielding-Singh V. Highlights from the American College of Cardiology and American Heart Association 2024 Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery. J Cardiothorac Vasc Anesth. 2025 Sep;39(9):2408-2420. doi: 10.1053/j.jvca.2025.05.014. Epub 2025 May 14.
- Vascular Events In Noncardiac Surgery Patients Cohort Evaluation (VISION) Study Investigators; Devereaux PJ, Chan MT, Alonso-Coello P, Walsh M, Berwanger O, Villar JC, Wang CY, Garutti RI, Jacka MJ, Sigamani A, Srinathan S, Biccard BM, Chow CK, Abraham V, Tiboni M, Pettit S, Szczeklik W, Lurati Buse G, Botto F, Guyatt G, Heels-Ansdell D, Sessler DI, Thorlund K, Garg AX, Mrkobrada M, Thomas S, Rodseth RN, Pearse RM, Thabane L, McQueen MJ, VanHelder T, Bhandari M, Bosch J, Kurz A, Polanczyk C, Malaga G, Nagele P, Le Manach Y, Leuwer M, Yusuf S. Association between postoperative troponin levels and 30-day mortality among patients undergoing noncardiac surgery. JAMA. 2012 Jun 6;307(21):2295-304. doi: 10.1001/jama.2012.5502.
- Writing Committee Members; Thompson A, Fleischmann KE, Smilowitz NR, de Las Fuentes L, Mukherjee D, Aggarwal NR, Ahmad FS, Allen RB, Altin SE, Auerbach A, Berger JS, Chow B, Dakik HA, Eisenstein EL, Gerhard-Herman M, Ghadimi K, Kachulis B, Leclerc J, Lee CS, Macaulay TE, Mates G, Merli GJ, Parwani P, Poole JE, Rich MW, Ruetzler K, Stain SC, Sweitzer B, Talbot AW, Vallabhajosyula S, Whittle J, Williams KA Sr. 2024 AHA/ACC/ACS/ASNC/HRS/SCA/SCCT/SCMR/SVM Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2024 Nov 5;84(19):1869-1969. doi: 10.1016/j.jacc.2024.06.013. Epub 2024 Sep 24.
- Bilimoria KY, Liu Y, Paruch JL, Zhou L, Kmiecik TE, Ko CY, Cohen ME. Development and evaluation of the universal ACS NSQIP surgical risk calculator: a decision aid and informed consent tool for patients and surgeons. J Am Coll Surg. 2013 Nov;217(5):833-42.e1-3. doi: 10.1016/j.jamcollsurg.2013.07.385. Epub 2013 Sep 18.
- Gupta PK, Gupta H, Sundaram A, Kaushik M, Fang X, Miller WJ, Esterbrooks DJ, Hunter CB, Pipinos II, Johanning JM, Lynch TG, Forse RA, Mohiuddin SM, Mooss AN. Development and validation of a risk calculator for prediction of cardiac risk after surgery. Circulation. 2011 Jul 26;124(4):381-7. doi: 10.1161/CIRCULATIONAHA.110.015701. Epub 2011 Jul 5.
- Lee TH, Marcantonio ER, Mangione CM, Thomas EJ, Polanczyk CA, Cook EF, Sugarbaker DJ, Donaldson MC, Poss R, Ho KK, Ludwig LE, Pedan A, Goldman L. Derivation and prospective validation of a simple index for prediction of cardiac risk of major noncardiac surgery. Circulation. 1999 Sep 7;100(10):1043-9. doi: 10.1161/01.cir.100.10.1043.
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
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- BM_2025_238
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
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 .