Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Early Prediction of ICU Hypotension Using Machine Learning (ICU-HypoAI)

tiistai 7. heinäkuuta 2026 päivittänyt: Serkan TELLİ, Kutahya Health Sciences University

A Prospective Observational Machine Learning Study for the Early Prediction of Hypotension in Adult Intensive Care Unit Patients

This prospective observational study aims to develop and internally validate a machine learning model for the early prediction of hypotension in adult intensive care unit patients. The model will use routinely collected non-invasive vital signs, heart rate, medication-dose records, and fluid-balance data recorded during standard ICU care. No intervention will be assigned by the study, and patient management will not be changed according to the model output. The primary aim is to predict hypotension 30 minutes before its occurrence; shorter 5- and 15-minute prediction horizons will also be evaluated.

Tutkimuksen yleiskatsaus

Tila

Valmis

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Hypotension is a frequent hemodynamic event in critically ill patients and may occur before clear clinical deterioration is recognized. Earlier identification of patients at risk may support closer clinical attention and more timely evaluation. This study is designed as a prospective, observational machine learning study in adult intensive care unit patients.

Routinely available ICU data will be collected at five-minute intervals, including systolic, mean, and diastolic non-invasive blood pressure, heart rate, medication-dose entries, and fluid-balance records. These data will be used to construct time-dependent features reflecting recent values, short-term changes, and rolling trends. Hypotension will be defined at each five-minute time point as systolic blood pressure below 90 mmHg, mean arterial pressure below 65 mmHg, or diastolic blood pressure below 60 mmHg.

The primary prediction horizon will be 30 minutes. Separate secondary analyses will evaluate 5- and 15-minute prediction horizons. A gradient-boosted decision-tree model will be developed and internally validated using patient-level data partitioning to avoid assigning observations from the same patient to both training and validation sets. Model performance will be assessed using discrimination, classification performance, and calibration measures. Feature-importance analyses will be used to describe the variables contributing to model predictions.

The study is observational. No treatment, medication, device, alarm, or clinical decision will be assigned by the study protocol. The prediction model will be developed and evaluated using collected data and will not be used to guide real-time patient management during the study period.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

107

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

  • Turkki (Türkiye)
    • Kütahya
      • Kütahya, Kütahya, Turkki (Türkiye), 43100
        • Kütahya City Hospital

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

Ei-todennäköisyysnäyte

Tutkimusväestö

The study population will consist of consecutive adult patients monitored in the adult intensive care unit of Kutahya Health Sciences University during the study period. Routine clinical monitoring data, including non-invasive blood pressure, heart rate, medication-dose records, and fluid-balance data, will be used for machine learning model development and internal validation. No treatment or intervention will be assigned by the study protocol.

Kuvaus

Inclusion Criteria:

  • Age 18 years or older
  • Admission to the adult intensive care unit during the study period
  • Length of stay in the intensive care unit of at least 24 hours
  • Availability of routine intensive care unit monitoring data
  • Availability of non-invasive blood pressure and heart rate measurements recorded during ICU monitoring
  • Availability of medication-dose and/or fluid-balance records during ICU monitoring

Exclusion Criteria:

  • Age younger than 18 years
  • Length of stay in the intensive care unit of less than 24 hours
  • Absence of usable blood pressure monitoring data
  • Records with irrecoverable timestamp inconsistencies
  • Insufficient monitoring duration for feature construction and future outcome labeling

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
Adult Intensive Care Unit Patients
Adult patients admitted to the intensive care unit who are monitored during routine clinical care. Routinely collected non-invasive blood pressure, heart rate, medication-dose, and fluid-balance data will be used for machine learning model development and internal validation. No treatment or clinical intervention will be assigned by the study protocol.
Muut: Routine ICU Data Collection
Routinely collected intensive care unit data, including non-invasive blood pressure, heart rate, medication-dose records, and fluid-balance data, will be recorded and analyzed for development and internal validation of a machine learning model. The study does not assign any treatment, medication, device, alarm, or clinical decision.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Area Under the Receiver Operating Characteristic Curve for 30-Minute Hypotension Prediction
Aikaikkuna: From enrollment through the end of ICU monitoring, up to 4 months
Discriminative performance of the machine learning model for predicting hypotension 30 minutes before its occurrence. Hypotension will be defined as systolic blood pressure below 90 mmHg, mean arterial pressure below 65 mmHg, or diastolic blood pressure below 60 mmHg at a five-minute observation point.
From enrollment through the end of ICU monitoring, up to 4 months

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Area Under the Receiver Operating Characteristic Curve for 5- and 15-Minute Hypotension Prediction
Aikaikkuna: From enrollment through the end of ICU monitoring, up to 4 months
Discriminative performance of separate machine learning models for predicting hypotension at 5-minute and 15-minute prediction horizons.
From enrollment through the end of ICU monitoring, up to 4 months
Classification Performance of the Hypotension Prediction Model
Aikaikkuna: From enrollment through the end of ICU monitoring, up to 4 months
Classification performance of the machine learning model will be assessed using sensitivity, specificity, positive predictive value, negative predictive value, and F1 score at predefined classification thresholds.
From enrollment through the end of ICU monitoring, up to 4 months

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Kutahya Health Sciences University

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)

Sunnuntai 15. maaliskuuta 2026

Ensisijainen valmistuminen (Todellinen)

Tiistai 30. kesäkuuta 2026

Opintojen valmistuminen (Todellinen)

Tiistai 30. kesäkuuta 2026

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Sunnuntai 31. toukokuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Sunnuntai 31. toukokuuta 2026

Ensimmäinen Lähetetty (Todellinen)

Torstai 4. kesäkuuta 2026

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Torstai 9. heinäkuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 7. heinäkuuta 2026

Viimeksi vahvistettu

Keskiviikko 1. heinäkuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • 2026/03-15

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

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 .

Tilaa