- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT06158542
DÉVELOPPEMENT D'UN ALGORITHME D'INTELLIGENCE ARTIFICIELLE POUR PRÉDIRE LE RISQUE D'HYPOTENSION APRÈS INDUCTION PAR CÉSARIENNE AVEC ANESTHÉSIE RACHIDIENNE
La césarienne, médicalement nécessaire tant pour la mère que pour le bébé dans certains cas, est une opération salvatrice. La nécessité d'une anesthésie lors d'une césarienne est une réalité. L'anesthésie par césarienne pose divers défis aux anesthésiologistes en raison des changements physiologiques chez la mère pendant la grossesse et l'accouchement, ainsi que du fait que le fœtus, qui sera un nouveau-né, dépend toujours de la circulation maternelle. La méthode d’anesthésie la plus couramment utilisée dans le monde est la rachianesthésie. Si la rachianesthésie présente de nombreux avantages, elle présente également des inconvénients. L’un des inconvénients les plus fréquemment rencontrés est le développement d’une hypotension due à la réponse parasympathique sans opposition après l’induction.
De nombreuses études ont été menées pour identifier les facteurs prédisposant à l'hypotension après césarienne, et de nombreux facteurs prédictifs ont été identifiés. Cependant, déterminer quel patient développera une hypotension et quel patient ne développera pas d'hypotension reste une question importante pour les anesthésiologistes avant l'intervention chirurgicale. Identifier les patients à haut risque d'hypotension avant de commencer la rachianesthésie et même connaître le pourcentage de patients qui développeront une hypotension permet sans aucun doute de gagner du temps dans la résolution des problèmes. C’est dans cette perspective qu’est née l’idée de cette étude : identifier les paramètres susceptibles d’être utilisés en prédiction sur la base de la littérature, collecter des données, puis tester la relation entre eux à l’aide de méthodes d’apprentissage automatique et développer un algorithme capable d’analyse prédictive.
L’un des paramètres à utiliser dans la prédiction est le taux de molécule Syndécan-1 dans le sérum. Cette molécule est excrétée dans le sérum avec dégradation ou endommagement de la couche de glycocalyx endothélial vasculaire. Dans la phase de développement de l’algorithme, le niveau de cette molécule dans le sérum sera également utilisé. A la fin de l'étude, un algorithme d'intelligence artificielle permettant de prédire l'hypotension après induction sera développé et ses performances seront testées.
Les principaux objectifs de l'étude :
i) Créer un ensemble de données comprenant les caractéristiques cliniques, les données démographiques et les résultats des tests sanguins des patients qui développent et ne développent pas d'hypotension après une anesthésie rachidienne.
ii) Développer un algorithme d'intelligence artificielle à l'aide de l'ensemble de données et déterminer l'algorithme le plus précis pour prédire l'hypotension.
iii) Pour tester l'exactitude de l'algorithme développé, créer un ensemble de données de test, mesurer et optimiser les performances de l'algorithme. Les courbes de précision, de sensibilité, de spécificité et de caractéristiques de fonctionnement du récepteur (ROC) seront utilisées pour la mesure des performances.
iv) Créer une interface adaptée (une surface d'interaction avec le logiciel) pour rendre l'algorithme développé utilisable en pratique clinique.
L'étude est une étude de cohorte prospective non interventionnelle, monocentrique. Le nombre de patients a été classiquement déterminé à 280 dans l'analyse de puissance ; cependant, cette étude présente également la caractéristique d’un projet de science des données. Dans les projets de science des données, les valeurs de performance des modèles augmentent à mesure que le nombre de patients augmente. Par conséquent, le nombre maximum de patients pouvant être obtenus entre novembre 2023 et mars 2024 est ciblé. Compte tenu des données mensuelles de la salle d'opération de la salle d'accouchement du département universitaire de Hacettepe, ce nombre est estimé à 370. Entre novembre 2023 et mars 2024, les données des patients seront observées, leurs caractéristiques seront enregistrées, puis un modèle à utiliser dans la prédiction sera développé.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Justification : La césarienne, lorsqu'elle est correctement indiquée, est une méthode d'accouchement qui préserve la santé de la mère et du bébé. Les taux de naissances par césarienne augmentent dans le monde depuis des années. Entre 2010 et 2018, 21,1 % des naissances suivies dans le monde ont été réalisées par césarienne. Selon l’Organisation mondiale de la santé (OMS), ce taux devrait augmenter pour atteindre 29 % d’ici 2030.
L'anesthésie pour la césarienne est fondamentalement influencée par les changements physiologiques et pathologiques induits par la grossesse dans le corps de la mère. Les changements survenant pendant la grossesse et l’accouchement, ainsi que les différences qui en résultent, peuvent présenter des défis pour les anesthésiologistes.
Dans les pays développés, 78 % des césariennes électives ont été réalisées sous anesthésie rachidienne, ce qui en fait la technique la plus utilisée par les anesthésiologistes. La rachianesthésie induit un blocage sympathique iatrogène, réduisant la résistance vasculaire systémique ainsi qu'une vasodilatation artérielle et veineuse, conduisant à une hypotension. L'incidence de l'hypotension après une rachianesthésie chez les femmes enceintes varie de 7,4 % à 74 %, comme le rapportent Klöhr et al. La fréquence de l'hypotension est plus élevée chez les femmes enceintes en raison de facteurs tels que le syndrome d'hypotension en décubitus dorsal provoqué par une compression de la veine cave inférieure fœtale et le développement d'un plexus veineux collatéral dans la zone péridurale, conduisant à la remontée d'un anesthésique local intrathécal dans le liquide céphalo-rachidien. L'aggravation de l'hypotension et de la bradycardie chez le patient peut entraîner un collapsus cardiaque, une hypoxie fœtale et une acidose, posant un risque imprévisible pour la santé maternelle et fœtale. Le rôle des anesthésiologistes est de prévenir ou de gérer efficacement cette maladie à risque.
Les progrès récents en matière d’apprentissage profond et d’intelligence artificielle (IA) ont trouvé leur place dans le domaine de l’anesthésie. Les applications de l'IA en anesthésie peuvent être classées en cinq domaines principaux : 1) Surveillance de la profondeur de l'anesthésie (par exemple, techniques analysant les données EEG pendant l'anesthésie), 2) Contrôle de l'administration de médicaments anesthésiques en fonction de la profondeur de l'anesthésie, 3) Prédiction des événements, 4) Guidage échographique et 5) Gestion de la douleur.
Parmi ces applications, la prédiction d’événements est particulièrement critique pour les anesthésiologistes. Connaître un événement avant qu’il ne survienne contribue à sa prévention ou permet une gestion plus précise. Il y a eu 53 études dans la littérature utilisant l'IA pour la prédiction d'événements, y compris des études développant des algorithmes pour prédire l'hypotension pendant une intervention chirurgicale et validant ces algorithmes. Ce qui distingue ce projet des études existantes sont :
Ces études n'ont pas été spécifiquement développées pour prédire l'hypotension induite par la rachianesthésie lors des césariennes.
Ces études ont principalement utilisé l'analyse des vagues (non invasive ou invasive) pour prédire l'hypotension. Dans ce projet, cette approche ne sera pas utilisée. Des évaluations préopératoires seront effectuées et les caractéristiques des patients seront enregistrées. Par conséquent, l’algorithme résultant ne sera pas un algorithme d’entrée de données dynamique/en temps réel.
La facilité d’enregistrement des caractéristiques préopératoires, l’absence de surveillance artérielle invasive et le potentiel d’applicabilité rendent le développement de l’algorithme plus pratique. L'algorithme développé sera pratique à utiliser.
L'algorithme à entraîner, à l'instar de l'étude de Hatib et al., rapportera le risque d'hypotension en termes de pourcentage.
L’IA et ses sous-ensembles, les algorithmes d’apprentissage automatique, ont un impact sur tous les aspects de nos vies. Dans le domaine médical, c’est devenu une méthode, notamment pour réduire les erreurs humaines dans la prise de décision clinique.
Dans cette étude, les informations démographiques, les signes vitaux, les paramètres sanguins spécifiques et certaines caractéristiques liées à l'administration d'une rachianesthésie seront systématiquement enregistrées pour les femmes enceintes subissant une rachianesthésie. Les paramètres sanguins comprennent une formule sanguine complète, les électrolytes sériques, les taux d'enzymes hépatiques (ALT/AST) et le Syndécan-1. Tous les paramètres sanguins sont répertoriés dans le protocole d'étude original. Le syndécan-1 est une molécule rejetée dans le sérum lors de la dégradation ou de l'endommagement de la couche de glycocalyx endothélial vasculaire. En particulier, il augmente lors d’une surcharge volumique, d’une septicémie ou de processus inflammatoires. Les taux sériques de Syndécan-1 augmentent à mesure que les semaines de grossesse progressent, l'augmentation la plus significative se produisant entre la 20e et la 30e semaine. Si la prééclampsie se développe aux derniers stades de la grossesse, les taux de Syndécan-1 diminuent.
Les taux de Syndécan-1 dans les grossesses hypertendues ne changent pas de manière significative par rapport aux grossesses normales, mais des différences ont été observées dans les taux de Syndécan-1 en présence de prééclampsie. Par conséquent, comme mentionné dans la section méthodes, les femmes enceintes hypertendues et prééclamptiques ne seront pas incluses dans l'étude.
Dans une étude examinant les niveaux préopératoires et postopératoires de Syndecan-1 chez des patientes césariennes ayant subi une anesthésie rachidienne, une différence significative a été trouvée. L'étude a conclu que l'administration préopératoire d'un bolus de liquide prophylactique affectait la dégradation du glycocalyx endothélial. Sur la base de cette étude, Syndecan-1 a le potentiel théorique d'être un nouveau marqueur pour prédire l'hypotension. Bien que le Syndécan-1 ait déjà été étudié chez des femmes enceintes, il n'existe aucune étude dans la littérature examinant la relation entre les taux préopératoires de Syndécan-1 et l'hypotension pendant la rachianesthésie chez les patientes césariennes. Cette étude examinera à la fois la relation entre Syndécan-1 et l'hypotension et évaluera sa place dans l'algorithme développé.
Après avoir enregistré les données initiales pour chaque patient, l'évolution de l'hypotension sera observée et documentée. Les données collectées seront analysées pour examiner les relations entre l'apparition ou la non-apparition d'une hypotension après induction. De plus, un algorithme d’intelligence artificielle sera développé à partir de ces données. L’objectif principal est de développer l’algorithme. Au cours de l'étude, il n'y aura aucun changement dans la prise en charge de l'anesthésie appliquée aux femmes enceintes.
Dans ce contexte, l'algorithme développé vise à identifier précocement l'hypotension provoquée par la rachianesthésie (en prédisant le risque d'hypotension avant le début de l'opération) et à permettre une mise en route précoce du traitement.
Méthode:
Moment du projet : L'approbation éthique du projet a été accordée par le comité d'éthique de la recherche clinique non interventionnelle de l'Université Hacettepe. Le projet devrait être réalisé entre novembre 2023 et avril 2024.
Méthodologie et outils de collecte de données du projet :
Les données des patients répondant aux critères d'inclusion dans la salle d'opération seront obtenues à partir des résultats des tests de routine envoyés après une hospitalisation pour césarienne, des formulaires d'observation préopératoire de l'infirmière et des enregistrements des signes vitaux surveillés par anesthésie pendant la chirurgie. Une fois le patient amené à la salle d'opération, les informations contenues dans le formulaire de collecte de données seront remplies par l'anesthésiste. La durée de l'hypotension après une rachianesthésie commence immédiatement après l'administration de l'anesthésie chez la femme enceinte, atteignant son niveau le plus bas en 10 à 15 minutes environ. On sait qu’il revient à la normale en 20 à 30 minutes. Cependant, la durée de l'hypotension peut varier en fonction de facteurs tels que l'âge gestationnel, la dose d'anesthésie, l'état de santé général de la patiente et d'autres facteurs. La durée de l'hypotension peut être plus longue, en particulier chez les femmes enceintes soumises à des doses élevées d'anesthésie ou souffrant d'hypertension. Par conséquent, la durée de l’hypotension doit être évaluée individuellement pour chaque patient. Cependant, dans cette étude, l’observation pendant les 15 premières minutes est privilégiée. Cette préférence est accordée au fait que l'algorithme prédit l'hypotension induite par la colonne vertébrale sur la base des caractéristiques préopératoires. Avec la période d'observation prolongée, la survenue d'un accouchement, l'augmentation du débit cardiaque et le début de la perfusion d'ocytocine pendant l'opération font de l'hémodynamique une situation complexe affectée par de multiples facteurs indépendants. La collecte des données se terminera après les 15 premières minutes et l'hypotension survenant après la 15e minute ne sera pas enregistrée pour l'étude ; l'observation sera terminée.
Collecte des données du projet :
Avant que les patients ne soient amenés à la salle d'opération, une quantité adéquate de sang sera prélevée à partir des échantillons sanguins de routine prélevés sur le patient avant l'accouchement pour les paramètres sanguins. À l'exception du Syndécan-1, les autres paramètres sanguins sont des tests de routine effectués en routine dans les laboratoires de biochimie de l'hôpital universitaire de Hacettepe.
Lors de la mesure du syndécan-1, les lectures d'absorbance seront effectuées à l'aide de l'appareil SpectraMax-M2 (Molecular Devices, USA) situé dans le Département de biochimie de l'Université Hacettepe. Par la suite, les taux sériques de syndécan-1 seront calculés à l'aide du programme GraphPad Prism basé sur le graphique standard. L'achat des kits ELISA nécessaires à la mesure du syndécan-1 sera réalisé grâce au financement obtenu du bureau de recherche scientifique et de projet de l'université Hacettepe.
L'analyse des données:
Tout au long des étapes de développement des algorithmes, le langage de programmation Python sera utilisé. Le processus de développement de l’algorithme d’intelligence artificielle suivra les lignes directrices Lignes directrices pour le développement et le rapport de modèles prédictifs d’apprentissage automatique dans la recherche biomédicale : une vision multidisciplinaire. Les étapes sont les suivantes:
- Collecte de données : les données seront enregistrées en remplissant le formulaire de collecte de données.
- Traitement des données : après la collecte des données, les données seront traitées et divisées de manière aléatoire en données de formation et données de validation interne. Les données seront nettoyées des artefacts et des erreurs de lecture.
- Annotation : Les données seront étiquetées pour la classification de l'intelligence artificielle et la définition de l'hypotension sera annotée. Des études seront menées pour déterminer le potentiel de détection de l’hypotension grâce à l’intelligence artificielle.
- Sélection des fonctionnalités : les fonctionnalités qui prédisent le plus les événements annotés seront choisies. Un ou plusieurs algorithmes de sélection de fonctionnalités seront utilisés pour ce processus, et les fonctionnalités seront sélectionnées en fonction du succès obtenu dans les modèles.
- Création de modèle : les caractéristiques les plus pertinentes des données seront sélectionnées et un modèle sera développé. Des algorithmes de classification fondamentaux tels que K-Nearest Neighbours, Support Vector Machines (SVM), Decision Trees, Random Forest, couramment utilisés pour les processus de classification dans la littérature, seront utilisés pour obtenir des ratios de performance de base. Par la suite, une méthode d'apprentissage profond sera développée et la différence de performances entre la méthode proposée et les méthodes de base sera examinée.
Validation croisée : les performances de la version initiale du modèle seront soumises à plusieurs reprises à une validation croisée avec des sous-groupes de données que le modèle n'a jamais vu auparavant. Cela déterminera les performances du modèle en examinant les changements de performances à mesure que les données varient. En fonction de la taille des données, des méthodes de validation croisée 10 fois ou de validation croisée 5 fois seront utilisées.
Validation interne : les performances prédictives de l'algorithme formé avec les données de formation seront évaluées à l'aide de données de validation interne qu'il n'a jamais rencontrées.
En plus du processus de développement de l'algorithme, si les variables comparées sont normalement distribuées, des tests statistiques tels que l'ANOVA ; Le test t de Student et le test U de Mann-Whitney seront utilisés en fonction du nombre de groupes comparés et de l'analyse de la distribution normale des variables. L'analyse de corrélation de Pearson et l'analyse de corrélation de Spearman seront utilisées pour analyser la relation entre les valeurs d'hypotension et d'autres paramètres continus basés sur l'analyse de distribution normale des variables. De plus, la prévisibilité du système sera testée en utilisant la sensibilité, la spécificité, la valeur prédictive positive (VPP), la valeur prédictive négative (VPN), le rapport de cotes (OR), le risque relatif (RR), la courbe caractéristique de fonctionnement du récepteur et l'aire sous la courbe. (AUROC) et tests du coefficient de corrélation de Pearson (r). Un niveau de signification statistique de p <0,05 sera accepté. Pour l'analyse statistique, le logiciel Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL) sera utilisé.
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: Samet Yavuzel, MD
- Numéro de téléphone: +90 312 305 12 50
- E-mail: yavuzelsamet@gmail.com
Sauvegarde des contacts de l'étude
- Nom: Banu Kılıçaslan, Professor, MD
- E-mail: banuk9oct@gmail.com
Lieux d'étude
-
-
Altındağ
-
Ankara, Altındağ, Turquie, 06230
- Recrutement
- Hacettepe University Hospitals
-
Contact:
- Samet Yavuzel, MD
- Numéro de téléphone: +90 312 305 12 50
- E-mail: yavuzelsamet@gmail.com
-
Chercheur principal:
- Banu Kılıçaslan, MD
-
Sous-enquêteur:
- Okan Bilge Ozdemir, PhD
-
Sous-enquêteur:
- Yesim Er Oztas, MD, PhD
-
Sous-enquêteur:
- Esin Oz, Research Ass.
-
Sous-enquêteur:
- Basak Akca, MD
-
Sous-enquêteur:
- Murat Cagan, MD
-
Chercheur principal:
- Samet Yavuzel, MD
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Avoir 18 ans ou plus
- Avoir un statut physique I, II ou III de l'American Society of Anesthesiologists (ASA)
- Âge gestationnel de 37 semaines ou plus
- Avoir subi une anesthésie rachidienne ou combinée rachidienne-péridurale
Critère d'exclusion:
- Refus du patient de participer à l'étude
- Grossesses multiples
- Césarienne d'urgence
- Prééclampsie
- Pression artérielle systolique mesurée en préopératoire égale ou supérieure à 140 mmHg (femme enceinte hypertendue)
- Avoir une contre-indication à la rachianesthésie ou connaître un échec de la rachianesthésie
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
---|---|
Les femmes répondant aux critères d'inclusion, subissant une césarienne
Femmes répondant aux critères d'inclusion et ayant subi une anesthésie rachidienne pour césarienne entre novembre 2023 et mars 2024
|
Après une surveillance standard, le patient est placé en position assise pour le marquage du site et l'administration de l'anesthésie.
La ligne reliant le bord supérieur des crêtes iliaques droite et gauche par palpation conventionnelle des repères anatomiques (ligne de Tuffier) est identifiée comme le point d'entrée au niveau de l'espace interépineux L3-L4 ou de l'espace interépineux L2-L3.
Pour les patients chez lesquels l'entrée dans la colonne vertébrale réussit, une anesthésie rachidienne est administrée avec la dose et les types d'anesthésiques locaux appropriés (10 à 12 mg de bupivacaïne par voie intrathécale avec l'ajout de 15 à 25 mcg de fentanyl).
Après avoir terminé la procédure et placé le patient en décubitus dorsal, le niveau du bloc est déterminé 10 minutes après la procédure à l'aide du test de glace/test par piqûre d'épingle.
Les blocs atteignant le niveau T4-T6 sont considérés comme réussis.
En préopératoire, les taux sériques de syndécan-1 seront étudiés à partir de l'échantillon de sang prélevé avant la césarienne.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
L'hypotension artérielle mesurée par des méthodes non invasives
Délai: Les 15 premières minutes après l'administration de la rachianesthésie
|
Pression artérielle moyenne tombant en dessous de 65 mmHg • Pression artérielle systolique tombant en dessous de 80 mmHg • Pression artérielle systolique tombant en dessous de 75 % de la valeur initiale • Apparition de symptômes d'hypotension tels que vertiges, augmentation de la salivation, essoufflement, nausées et vomissements.
|
Les 15 premières minutes après l'administration de la rachianesthésie
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Les doses de vasopresseurs utilisées pour le traitement de l'hypotension
Délai: Les 15 premières minutes après l'administration de la rachianesthésie.
|
Les doses de vasopresseurs utilisées pour le traitement de l'hypotension
|
Les 15 premières minutes après l'administration de la rachianesthésie.
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Directeur d'études: Banu Kilicaslan, Professor, MD, Hacettepe University
Publications et liens utiles
Publications générales
- Traynor AJ, Aragon M, Ghosh D, Choi RS, Dingmann C, Vu Tran Z, Bucklin BA. Obstetric Anesthesia Workforce Survey: A 30-Year Update. Anesth Analg. 2016 Jun;122(6):1939-46. doi: 10.1213/ANE.0000000000001204.
- Fitzgerald JP, Fedoruk KA, Jadin SM, Carvalho B, Halpern SH. Prevention of hypotension after spinal anaesthesia for caesarean section: a systematic review and network meta-analysis of randomised controlled trials. Anaesthesia. 2020 Jan;75(1):109-121. doi: 10.1111/anae.14841. Epub 2019 Sep 18.
- Klohr S, Roth R, Hofmann T, Rossaint R, Heesen M. Definitions of hypotension after spinal anaesthesia for caesarean section: literature search and application to parturients. Acta Anaesthesiol Scand. 2010 Sep;54(8):909-21. doi: 10.1111/j.1399-6576.2010.02239.x. Epub 2010 Apr 23.
- Hatib F, Jian Z, Buddi S, Lee C, Settels J, Sibert K, Rinehart J, Cannesson M. Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis. Anesthesiology. 2018 Oct;129(4):663-674. doi: 10.1097/ALN.0000000000002300.
- Wijnberge M, Geerts BF, Hol L, Lemmers N, Mulder MP, Berge P, Schenk J, Terwindt LE, Hollmann MW, Vlaar AP, Veelo DP. Effect of a Machine Learning-Derived Early Warning System for Intraoperative Hypotension vs Standard Care on Depth and Duration of Intraoperative Hypotension During Elective Noncardiac Surgery: The HYPE Randomized Clinical Trial. JAMA. 2020 Mar 17;323(11):1052-1060. doi: 10.1001/jama.2020.0592.
- Betran AP, Ye J, Moller AB, Souza JP, Zhang J. Trends and projections of caesarean section rates: global and regional estimates. BMJ Glob Health. 2021 Jun;6(6):e005671. doi: 10.1136/bmjgh-2021-005671.
- Shitemaw T, Jemal B, Mamo T, Akalu L. Incidence and associated factors for hypotension after spinal anesthesia during cesarean section at Gandhi Memorial Hospital Addis Ababa, Ethiopia. PLoS One. 2020 Aug 13;15(8):e0236755. doi: 10.1371/journal.pone.0236755. eCollection 2020.
- Luo W, Phung D, Tran T, Gupta S, Rana S, Karmakar C, Shilton A, Yearwood J, Dimitrova N, Ho TB, Venkatesh S, Berk M. Guidelines for Developing and Reporting Machine Learning Predictive Models in Biomedical Research: A Multidisciplinary View. J Med Internet Res. 2016 Dec 16;18(12):e323. doi: 10.2196/jmir.5870.
- Lee S, Lee HC, Chu YS, Song SW, Ahn GJ, Lee H, Yang S, Koh SB. Deep learning models for the prediction of intraoperative hypotension. Br J Anaesth. 2021 Apr;126(4):808-817. doi: 10.1016/j.bja.2020.12.035. Epub 2021 Feb 6.
- van der Ven WH, Veelo DP, Wijnberge M, van der Ster BJP, Vlaar APJ, Geerts BF. One of the first validations of an artificial intelligence algorithm for clinical use: The impact on intraoperative hypotension prediction and clinical decision-making. Surgery. 2021 Jun;169(6):1300-1303. doi: 10.1016/j.surg.2020.09.041. Epub 2020 Dec 11.
- who. Available from: https://www.who.int/news/item/16-06-2021-caesarean-section-rates-continue-to-rise-amid-growing-inequalities-in-access#:~:text=According%20to%20new%20research%20from,21%25)%20of%20all%20childbirths.
- Bedson, R. and A. Riccoboni, Physiology of pregnancy: clinical anaesthetic implications. Continuing Education in Anaesthesia Critical Care & Pain, 2013. 14(2): p. 69-72.
- Yu C, Gu J, Liao Z, Feng S. Prediction of spinal anesthesia-induced hypotension during elective cesarean section: a systematic review of prospective observational studies. Int J Obstet Anesth. 2021 Aug;47:103175. doi: 10.1016/j.ijoa.2021.103175. Epub 2021 May 1.
- Massoth C, Topel L, Wenk M. Hypotension after spinal anesthesia for cesarean section: how to approach the iatrogenic sympathectomy. Curr Opin Anaesthesiol. 2020 Jun;33(3):291-298. doi: 10.1097/ACO.0000000000000848.
- Hashimoto DA, Witkowski E, Gao L, Meireles O, Rosman G. Artificial Intelligence in Anesthesiology: Current Techniques, Clinical Applications, and Limitations. Anesthesiology. 2020 Feb;132(2):379-394. doi: 10.1097/ALN.0000000000002960.
- Kang AR, Lee J, Jung W, Lee M, Park SY, Woo J, Kim SH. Development of a prediction model for hypotension after induction of anesthesia using machine learning. PLoS One. 2020 Apr 16;15(4):e0231172. doi: 10.1371/journal.pone.0231172. eCollection 2020.
- Choe S, Park E, Shin W, Koo B, Shin D, Jung C, Lee H, Kim J. Short-Term Event Prediction in the Operating Room (STEP-OP) of Five-Minute Intraoperative Hypotension Using Hybrid Deep Learning: Retrospective Observational Study and Model Development. JMIR Med Inform. 2021 Sep 30;9(9):e31311. doi: 10.2196/31311.
- Hahn RG, Patel V, Dull RO. Human glycocalyx shedding: Systematic review and critical appraisal. Acta Anaesthesiol Scand. 2021 May;65(5):590-606. doi: 10.1111/aas.13797. Epub 2021 Mar 7.
- George K, Poudel P, Chalasani R, Goonathilake MR, Waqar S, George S, Jean-Baptiste W, Yusuf Ali A, Inyang B, Koshy FS, Mohammed L. A Systematic Review of Maternal Serum Syndecan-1 and Preeclampsia. Cureus. 2022 Jun 9;14(6):e25794. doi: 10.7759/cureus.25794. eCollection 2022 Jun.
- Powell MF, Mathru M, Brandon A, Patel R, Frolich MA. Assessment of endothelial glycocalyx disruption in term parturients receiving a fluid bolus before spinal anesthesia: a prospective observational study. Int J Obstet Anesth. 2014 Nov;23(4):330-4. doi: 10.1016/j.ijoa.2014.06.001. Epub 2014 Jun 7. Erratum In: Int J Obstet Anesth. 2016 Dec;28:100. Powell, M [corrected to Powell, M F]; Frolich, M [corrected to Frolich, M A].
- Gratz I, Baruch M, Takla M, Seaman J, Allen I, McEniry B, Deal E. The application of a neural network to predict hypotension and vasopressor requirements non-invasively in obstetric patients having spinal anesthesia for elective cesarean section (C/S). BMC Anesthesiol. 2020 May 1;20(1):98. doi: 10.1186/s12871-020-01015-9.
- Lin CS, Chiu JS, Hsieh MH, Mok MS, Li YC, Chiu HW. Predicting hypotensive episodes during spinal anesthesia with the application of artificial neural networks. Comput Methods Programs Biomed. 2008 Nov;92(2):193-7. doi: 10.1016/j.cmpb.2008.06.013.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Estimé)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- GO 22/1285
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .
Essais cliniques sur Hypotension induite par la rachianesthésie
-
Paropakar Maternity and Women's HospitalInconnueHypotension | Indice de perfusion | Spinal
-
Bahawal Victoria Hospital BahawalpurRecrutementArrêt respiratoire | Bradycardie | Hypotension | Méningite | Hématome | Céphalée post-ponction durale | Choc spinalPakistan
Essais cliniques sur Anesthésie rachidienne
-
Azienda Socio Sanitaria Territoriale degli Spedali...ComplétéAtaxie cérébelleuse | Atrophie multisystématisée | Ataxies spinocérébelleuses | Dégénérescences spinocérébelleuses | Ataxie spinocérébelleuse 3 | Ataxie de Friedreich | Ataxie spinocérébelleuse de type 1 | Ataxie spinocérébelleuse de type 2 | Ataxie spinocérébelleuse | Ataxie cérébelleuse | Ataxie avec...Italie
-
InVivo TherapeuticsRésiliéLésion traumatique aiguë de la moelle épinière thoraciqueÉtats-Unis
-
University Hospital, ToulouseComplété
-
InVivo TherapeuticsRetiréBlessure aiguë traumatique de la moelle épinière cervicaleCanada
-
Azienda Socio Sanitaria Territoriale degli Spedali...ComplétéAtaxie | Atrophie multisystématisée | Ataxies spinocérébelleuses | Ataxie spinocérébelleuse 3 | Ataxie spinocérébelleuse de type 1 | Ataxie spinocérébelleuse de type 2 | Ataxie avec apraxie oculomotrice | TOILEItalie
-
Ataturk Training and Research HospitalComplété
-
Burke Medical Research InstituteRecrutementParalysie cérébrale | Paralysie cérébrale spastiqueÉtats-Unis
-
Integra LifeSciences CorporationMedtronic - MITGComplétéFuite de liquide céphalo-rachidien, sous-duralÉtats-Unis
-
Medical University of South CarolinaNational Institute of Neurological Disorders and Stroke (NINDS)RecrutementParalysie | Blessures à la moelle épinière | Spasticité musculaire | Blessure neurologiqueÉtats-Unis
-
Xijing HospitalInconnueRéadaptation neurologique | Blessures à la moelle épinière | Photobiologie | Irradiation lumineuse proche infrarougeChine