ANALYTIQUE PRÉDICTIVE ET AVANCÉE EN MÉDECINE D'URGENCE - DÉFICITS NEUROLOGIQUES (PAN-EM-NEURO)
La future modélisation prédictive en médecine d'urgence combinera probablement l'utilisation d'un large éventail de points de données tels que la documentation continue, la surveillance à l'aide d'appareils portables, l'imagerie, les biomarqueurs et les données administratives en temps réel de tous les prestataires de soins de santé impliqués. Des ensembles de données étendus ultérieurs pourraient alimenter des algorithmes avancés d’apprentissage profond et de réseaux neuronaux pour prédire avec précision le risque de problèmes de santé spécifiques. De plus, l’analyse prédictive oriente vers le développement de parcours cliniques adaptatifs et continuellement mis à jour, et dans lesquels la prise de décision en matière de soins de santé est soutenue par des algorithmes sophistiqués pour fournir le meilleur plan d’action de manière efficace et sûre. Le potentiel de l’analyse prédictive pour révolutionner de nombreux aspects des soins de santé semble clair à l’horizon. Les informations sur l’utilisation en médecine d’urgence sont rares.
Nous visons à évaluer la performance de l'utilisation de données de routine pour prédire l'utilisation des ressources en médecine d'urgence en utilisant le symptôme couramment rencontré du déficit neurologique aigu. En guise de perspective, cela pourrait servir de prototype à d’autres projets similaires utilisant des données médicales de routine pour l’analyse prédictive en médecine d’urgence.
Aperçu de l'étude
Statut
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: Jan Niederdöckl, MD
- Numéro de téléphone: 0042 40 400 19640
- E-mail: jan.niederdoeckl@meduniwien.ac.at
Lieux d'étude
-
-
-
Vienna, L'Autriche, 1090
- Recrutement
- Emergency Department, Medical University Vienna
-
Contact:
- Jan Niederdöckl, Dr.
- E-mail: jan.niederdoeckl@medunwien.ac.at
-
Contact:
- Alexander Simon, Dr.
- E-mail: alexander.simon@medunwien.ac.at
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
Analyse rétrospective des données collectées en routine. Nous visons à trouver des modèles de données associés à l'utilisation des ressources hospitalières des patients hospitalisés par les services médicaux d'urgence pour suspicion de déficit neurologique aigu.
Nous utiliserons uniquement les informations du système de documentation médicale électronique de routine pour cette étude. Aucun couplage avec d'autres ensembles de données ne sera effectué. Les données du système comprennent les données démographiques des patients, les symptômes initiaux, les signes et scores vitaux préhospitaliers, le diagnostic suspecté par les services médicaux d'urgence, les signes et scores vitaux inhospitaliers, les procédures de diagnostic inhospitalier (tomodensitométrie, imagerie par résonance magnétique IRM) et thérapeutiques (intervention par cathéter) et diagnostic final. Voir « variables » pour un ensemble complet de variables.
Pour les besoins de cette étude, seul un ensemble de données entièrement pseudonomysé sera utilisé.
La description
Critère d'intégration:
- Sujets féminins et masculins
- Âge ≥ 18 ans
Critère d'exclusion:
- aucun
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Modèle de prédiction
Délai: 1.1.2025
|
à développer
|
1.1.2025
|
Collaborateurs et enquêteurs
Parrainer
Publications et liens utiles
Publications générales
- Goyal M, Menon BK, van Zwam WH, Dippel DW, Mitchell PJ, Demchuk AM, Davalos A, Majoie CB, van der Lugt A, de Miquel MA, Donnan GA, Roos YB, Bonafe A, Jahan R, Diener HC, van den Berg LA, Levy EI, Berkhemer OA, Pereira VM, Rempel J, Millan M, Davis SM, Roy D, Thornton J, Roman LS, Ribo M, Beumer D, Stouch B, Brown S, Campbell BC, van Oostenbrugge RJ, Saver JL, Hill MD, Jovin TG; HERMES collaborators. Endovascular thrombectomy after large-vessel ischaemic stroke: a meta-analysis of individual patient data from five randomised trials. Lancet. 2016 Apr 23;387(10029):1723-31. doi: 10.1016/S0140-6736(16)00163-X. Epub 2016 Feb 18.
- Desautels T, Calvert J, Hoffman J, Jay M, Kerem Y, Shieh L, Shimabukuro D, Chettipally U, Feldman MD, Barton C, Wales DJ, Das R. Prediction of Sepsis in the Intensive Care Unit With Minimal Electronic Health Record Data: A Machine Learning Approach. JMIR Med Inform. 2016 Sep 30;4(3):e28. doi: 10.2196/medinform.5909.
- Saber H, Somai M, Rajah GB, Scalzo F, Liebeskind DS. Predictive analytics and machine learning in stroke and neurovascular medicine. Neurol Res. 2019 Aug;41(8):681-690. doi: 10.1080/01616412.2019.1609159. Epub 2019 Apr 30.
- Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017 Jun 21;2(4):230-243. doi: 10.1136/svn-2017-000101. eCollection 2017 Dec.
- Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep Learning for Health Informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. doi: 10.1109/JBHI.2016.2636665. Epub 2016 Dec 29.
- Avasarala J. Letter by Avasarala Regarding Article, "2015 AHA/ASA Focused Update of the 2013 Guidelines for the Early Management of Patients With Acute Ischemic Stroke Regarding Endovascular Treatment: A Guideline for Healthcare Professionals From the American Heart Association/American Stroke Association". Stroke. 2015 Nov;46(11):e234. doi: 10.1161/STROKEAHA.115.010716. Epub 2015 Oct 6. No abstract available.
- Badhiwala JH, Nassiri F, Alhazzani W, Selim MH, Farrokhyar F, Spears J, Kulkarni AV, Singh S, Alqahtani A, Rochwerg B, Alshahrani M, Murty NK, Alhazzani A, Yarascavitch B, Reddy K, Zaidat OO, Almenawer SA. Endovascular Thrombectomy for Acute Ischemic Stroke: A Meta-analysis. JAMA. 2015 Nov 3;314(17):1832-43. doi: 10.1001/jama.2015.13767.
- Bauchner H, Golub RM, Fontanarosa PB. Data Sharing: An Ethical and Scientific Imperative. JAMA. 2016 Mar 22-29;315(12):1237-9. doi: 10.1001/jama.2016.2420. No abstract available.
- Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care - Addressing Ethical Challenges. N Engl J Med. 2018 Mar 15;378(11):981-983. doi: 10.1056/NEJMp1714229. No abstract available.
- Chaudhary K, Poirion OB, Lu L, Garmire LX. Deep Learning-Based Multi-Omics Integration Robustly Predicts Survival in Liver Cancer. Clin Cancer Res. 2018 Mar 15;24(6):1248-1259. doi: 10.1158/1078-0432.CCR-17-0853. Epub 2017 Oct 5.
- Christiansen EM, Yang SJ, Ando DM, Javaherian A, Skibinski G, Lipnick S, Mount E, O'Neil A, Shah K, Lee AK, Goyal P, Fedus W, Poplin R, Esteva A, Berndl M, Rubin LL, Nelson P, Finkbeiner S. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell. 2018 Apr 19;173(3):792-803.e19. doi: 10.1016/j.cell.2018.03.040. Epub 2018 Apr 12.
- Cohen IG, Amarasingham R, Shah A, Xie B, Lo B. The legal and ethical concerns that arise from using complex predictive analytics in health care. Health Aff (Millwood). 2014 Jul;33(7):1139-47. doi: 10.1377/hlthaff.2014.0048.
- Heeley E, Anderson CS, Huang Y, Jan S, Li Y, Liu M, Sun J, Xu E, Wu Y, Yang Q, Zhang J, Zhang S, Wang J; ChinaQUEST Investigators. Role of health insurance in averting economic hardship in families after acute stroke in China. Stroke. 2009 Jun;40(6):2149-56. doi: 10.1161/STROKEAHA.108.540054. Epub 2009 Apr 9.
- Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Crit Care Med. 2018 Apr;46(4):547-553. doi: 10.1097/CCM.0000000000002936.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
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
- EK- Nr. 1738/2022
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
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 .