- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT05311046
Biomarkerekkel továbbfejlesztett mesterséges intelligencia alapú gyermekgyógyászati szepszis szűrőeszköz
Biomarkerekkel továbbfejlesztett mesterséges intelligencia alapú gyermekgyógyászati szepszis szűrőeszköz a korai felismerés és a személyre szabott terápia felé
A javasolt kutatás átfogó célja egy biomarker-bővített mesterséges intelligencia (AI) alapú gyermekgyógyászati szepszis szűrőeszköz (PSCT) (szoftver) származtatása, amely a kórház elektronikus egészségügyi nyilvántartó rendszerével (EHR) kombinálva használható monitorozásra. és értékeli a valós idejű sürgősségi osztály (ED) elektronikus egészségügyi nyilvántartásának (EHR) adatait a korai gyermekgyógyászati szepszis felismerésének javítása és a betegek kimenetelét javító, időben történő, agresszív, személyre szabott szepszisterápia megkezdése érdekében.
Feltételezhető, hogy az elképzelt szűrőeszköz szűrési teljesítményét (pl. pozitív prediktív értékét) jelentősen javítja egy biomarker panel teszt eredményeinek (PERSEVERE) bevonása, amelyekről kimutatták, hogy hatékonyak a klinikai állapotromlás előrejelzésében a nem kóros állapotokban. kritikus állapotú, immunhiányos gyermekgyógyászati betegek, akiket fertőzés szempontjából értékeltek. Azt is feltételezik, hogy fokozott fenotípusok származtathatók a PERSEVERE biomarkerek klaszterezésével a rutinszerűen gyűjtött EHR adatokkal kombinálva a továbbfejlesztett személyre szabott orvoslás érdekében.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
Háttér és indoklás A jelenleg a sürgősségi osztályokon konszenzusos kritériumokon alapuló, meglévő automatizált gyermekszepszis-szűrési eszközök (PSCT) nem javítják a korai felismerést és/vagy nem adnak tájékoztatást a személyre szabott terápiás döntésekről, amelyek jobb eredményeket eredményeznek. Az Improving Pediatric Sepsis Outcomes (IPSO) kezdeményezés megállapította, hogy a kezelésben részesülő betegek bevonásával a kibővített kritériumok nemcsak azokat a betegeket vették figyelembe, akiknél szervi diszfunkcióval (OD) alakult ki szepszis, hanem azokat is, akiknél a korai szepszist OD-vel kezelték, potenciálisan elkerülve.
A javasolt erőfeszítés célja egy biomarkerekkel továbbfejlesztett, mesterséges intelligencia alapú gyermekgyógyászati szepszis szűrőeszköz származtatása és retrospektív validálása, amely felhasználható az ED EHR adatok szűrésére a korai felismerés, a súlyosság szerinti rétegződés és a személyre szabott szepszisterápia időben történő megkezdése érdekében. A CTA és 6 intézményi partnere közösen két, azonosítatlan betegnyilvántartás létrehozását javasolja: 1) az "EHR-adatok csak kohorsz" (N = 2000) és 2) az "EHR + biomarker adatok kohorsz" (N = 400) támogatásként. ennek a célkitűzésnek.
Az EHR-ekből e regiszterekbe való felvétel céljából kivonandó találkozási adatelemek strukturált (pl. időbélyegzett fiziológiai mérések, kezelések, eljárások, eredmények), valamint szabad szövegű megjegyzések.
Adatelemzés és torzítások Minden vizsgálati adatot, beleértve a páciens EHR-jéből kinyert fiziológiai adatokat és a biomarker vizsgálatok eredményeit, különféle gépi tanulási algoritmusok és technikák segítségével elemzik a nagy pontosságú szepszisszűrési prediktív modell létrehozása érdekében. Az analitikai módszerek a prediktív osztályozási teljesítmény standard leíró statisztikai elemzését foglalják magukban (pl. AUC, érzékenység/specificitás, PPV stb.).
Tanulmány típusa
Beiratkozás (Várható)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
District of Columbia
-
Washington, District of Columbia, Egyesült Államok, 20010
- Toborzás
- Children's National Hospital
-
Kapcsolatba lépni:
- Ioannis Koutroulis
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
A betegek 3 hónapos és 17 éves kor közöttiek
- A klinikus szepszist diagnosztizál, vagy szepszis riasztást indít el, és vértenyésztést rendel el. A kontrollok fals pozitív betegek lesznek.
- Azoknak a betegeknek, akiket leendő vérmintavételre fognak beíratni: vénapunkcióra vagy intravénás vezeték elhelyezésére lesz szükség.
Kizárási kritériumok:
- A rutin klinikai gyakorlaton kívüli beavatkozásokkal végzett vizsgálati programban részt vevő betegek
- Betegek, akiknek szülei vagy LAR-jai nem beszélnek angolul vagy spanyolul
- Terhesség
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Case-Control
- Időperspektívák: Egyéb
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
---|---|
Csak retrospektív EHR-adatok csoport
Ennek a csoportnak a tagjai 3 hónapos és 17 éves kor közötti gyermekbetegek, akik 2016-2021 között jelentkeztek a hat részt vevő intézmény sürgősségi osztályának egyikén, és az intézmény meglévő gyermekszepszis szűrési protokollja alapján szepszis gyanúja miatt szűrtek. és vértenyésztési rendelést kap.
A jelenlegi gyermekgyógyászati szűrési/riasztási eszközökről ismert, hogy nagyon érzékenyek, de kevéssé specifikusak.
Az "esetek" ebben a kohorszban azokból állnak, akiknél végül szepszist diagnosztizálnak és/vagy protokoll szerinti szepszis kezelést kapnak.
Ebben a kohorszban azok a „kontrollok”, amelyek hamis pozitív riasztást kaptak, azaz nem diagnosztizáltak szepszist, és nem kapnak protokolláris szepszis kezelést.
|
Minden részt vevő intézmény vagy algoritmikus, manuális vagy kombinált algoritmikus/manuális gyermekgyógyászati szepszis szűrési protokollt alkalmaz a lázas és/vagy fertőzés miatti aggodalomra okot adó betegek számára.
Míg a szűrőeszközökben tesztelt specifikus paraméterek eltérőek, általában a szisztémás gyulladásos válaszra vonatkozó tesztekből állnak (pl.
SIRS) és/vagy szervi diszfunkció (pl.
SOFA) és/vagy nagy érzékenység (pl.
immunhiányos) tényezők.
|
Leendő EHR és Biomarker adatcsoport
Ennek a csoportnak a tagjai 3 hónapos és 17 éves kor közötti gyermekbetegek, akik a vizsgálatban részt vevő hat intézmény sürgősségi osztályának egyikén jelentkeztek a vizsgálati jelentkezési időszak alatt, és az intézmény meglévő gyermekgyógyászati szepszis szűrési protokolljával pozitívan szűrtek szepszis gyanúja miatt, kapjon vértenyésztési rendelést, és tájékozott beleegyezést/hozzájárulást adjon egy 1-5 ml-es vérminta vételéhez a PERSEVERE biomarkerek mérésére.
Ennek a csoportnak a tagjai hozzájárulnak ahhoz is, hogy orvosi nyilvántartásaik adatait újra felhasználják a kutatáshoz.
A jelenlegi gyermekgyógyászati szűrési/riasztási eszközökről ismert, hogy nagyon érzékenyek, de kevéssé specifikusak.
Az "esetek" ebben a kohorszban azokból állnak, akiknél végül szepszist diagnosztizálnak és/vagy protokoll szerinti szepszis kezelést kapnak.
Ebben a kohorszban azok a „kontrollok”, amelyek hamis pozitív riasztást kaptak, azaz nem diagnosztizáltak szepszist, és nem kapnak protokolláris szepszis kezelést.
|
Minden részt vevő intézmény vagy algoritmikus, manuális vagy kombinált algoritmikus/manuális gyermekgyógyászati szepszis szűrési protokollt alkalmaz a lázas és/vagy fertőzés miatti aggodalomra okot adó betegek számára.
Míg a szűrőeszközökben tesztelt specifikus paraméterek eltérőek, általában a szisztémás gyulladásos válaszra vonatkozó tesztekből állnak (pl.
SIRS) és/vagy szervi diszfunkció (pl.
SOFA) és/vagy nagy érzékenység (pl.
immunhiányos) tényezők.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Hatékony szakértői rendszer alapú gyermekgyógyászati szepszis szűrőeszköz (PSCT)
Időkeret: A tanulmányi időszak utolsó 3 hónapja.
|
Egy használhatósági tesztidőszak alatt, a szakértők logikájának emulálásával egy olyan szűrőeszközben, amelyet tapasztalattal folyamatosan fejlesztenek, magas szintű ED-munkafolyamat használhatóságot érhet el az IPSO szepszis korai felismerésének javítása érdekében, ahogy azt a használhatósággal foglalkozó gyakorló ED-klinikusok észlelik. tesztelés.
|
A tanulmányi időszak utolsó 3 hónapja.
|
Nagy teljesítményű, szakértői rendszer alapú gyermekgyógyászati szepszis szűrőeszköz (PSCT)
Időkeret: „korai adatok” használata az ED-nek való bemutatást követően, például a biomarker adatok kézhezvételekor a bemutatást követő 1. 3 órán belül)
|
Nagy teljesítményű (pl. szenzitivitás/specifitás > 90%, PPV > 40%) PSCT származtatása az IPSO szepszis kritériumainak megfelelő ED-ben lévő betegek azonosítására a korai találkozási adatok (pl.
biomarker adatok kézhezvételét követően a bemutatást követő 1. 1-3 órán belül).
|
„korai adatok” használata az ED-nek való bemutatást követően, például a biomarker adatok kézhezvételekor a bemutatást követő 1. 3 órán belül)
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Hatékony szepszis fenotipizálás a személyre szabott kezeléshez
Időkeret: Jellemzők a szepszissel diagnosztizált betegek bemutatását követő 1. 6 órában és a kezelés megkezdése után.
|
Annak bemutatása, hogy a PERSEVERE biomarker és EHR adatok klaszterezési jellemzőként kombinálva (például látens osztályelemzés használatával) javítják a klinikailag hasznos prognosztikai fenotípusok kimutatását.
|
Jellemzők a szepszissel diagnosztizált betegek bemutatását követő 1. 6 órában és a kezelés megkezdése után.
|
Együttműködők és nyomozók
Publikációk és hasznos linkek
Általános kiadványok
- Hajian-Tilaki K. Sample size estimation in diagnostic test studies of biomedical informatics. J Biomed Inform. 2014 Apr;48:193-204. doi: 10.1016/j.jbi.2014.02.013. Epub 2014 Feb 26.
- Goldstein B, Giroir B, Randolph A; International Consensus Conference on Pediatric Sepsis. International pediatric sepsis consensus conference: definitions for sepsis and organ dysfunction in pediatrics. Pediatr Crit Care Med. 2005 Jan;6(1):2-8. doi: 10.1097/01.PCC.0000149131.72248.E6.
- Eisenberg M, Madden K, Christianson JR, Melendez E, Harper MB. Performance of an Automated Screening Algorithm for Early Detection of Pediatric Severe Sepsis. Pediatr Crit Care Med. 2019 Dec;20(12):e516-e523. doi: 10.1097/PCC.0000000000002101.
- Eisenberg MA, Freiman E, Capraro A, Madden K, Monuteaux MC, Hudgins J, Harper M. Outcomes of Patients with Sepsis in a Pediatric Emergency Department after Automated Sepsis Screening. J Pediatr. 2021 Aug;235:239-245.e4. doi: 10.1016/j.jpeds.2021.03.053. Epub 2021 Mar 30.
- Iwashyna TJ, Odden A, Rohde J, Bonham C, Kuhn L, Malani P, Chen L, Flanders S. Identifying patients with severe sepsis using administrative claims: patient-level validation of the angus implementation of the international consensus conference definition of severe sepsis. Med Care. 2014 Jun;52(6):e39-43. doi: 10.1097/MLR.0b013e318268ac86.
- Mathias B, Mira JC, Larson SD. Pediatric sepsis. Curr Opin Pediatr. 2016 Jun;28(3):380-7. doi: 10.1097/MOP.0000000000000337.
- Weiss SL, Parker B, Bullock ME, Swartz S, Price C, Wainwright MS, Goodman DM. Defining pediatric sepsis by different criteria: discrepancies in populations and implications for clinical practice. Pediatr Crit Care Med. 2012 Jul;13(4):e219-26. doi: 10.1097/PCC.0b013e31823c98da.
- Scott HF, Brilli RJ, Paul R, Macias CG, Niedner M, Depinet H, Richardson T, Riggs R, Gruhler H, Larsen GY, Huskins WC, Balamuth F; Improving Pediatric Sepsis Outcomes (IPSO) Collaborative Investigators.. Evaluating Pediatric Sepsis Definitions Designed for Electronic Health Record Extraction and Multicenter Quality Improvement. Crit Care Med. 2020 Oct;48(10):e916-e926. doi: 10.1097/CCM.0000000000004505.
- Lippi G. Sepsis biomarkers: past, present and future. Clin Chem Lab Med. 2019 Aug 27;57(9):1281-1283. doi: 10.1515/cclm-2018-1347. No abstract available.
- Marshall JC, Reinhart K; International Sepsis Forum. Biomarkers of sepsis. Crit Care Med. 2009 Jul;37(7):2290-8. doi: 10.1097/CCM.0b013e3181a02afc.
- Taneja I, Reddy B, Damhorst G, Dave Zhao S, Hassan U, Price Z, Jensen T, Ghonge T, Patel M, Wachspress S, Winter J, Rappleye M, Smith G, Healey R, Ajmal M, Khan M, Patel J, Rawal H, Sarwar R, Soni S, Anwaruddin S, Davis B, Kumar J, White K, Bashir R, Zhu R. Combining Biomarkers with EMR Data to Identify Patients in Different Phases of Sepsis. Sci Rep. 2017 Sep 7;7(1):10800. doi: 10.1038/s41598-017-09766-1. Erratum In: Sci Rep. 2019 Nov 19;9(1):17419.
- Patel K, McElvania E. Diagnostic Challenges and Laboratory Considerations for Pediatric Sepsis. J Appl Lab Med. 2019 Jan;3(4):587-600. doi: 10.1373/jalm.2017.025908. Epub 2018 Nov 21.
- Lanziotti VS, Povoa P, Soares M, Silva JR, Barbosa AP, Salluh JI. Use of biomarkers in pediatric sepsis: literature review. Rev Bras Ter Intensiva. 2016 Oct-Dec;28(4):472-482. doi: 10.5935/0103-507X.20160080.
- Wong HR, Salisbury S, Xiao Q, Cvijanovich NZ, Hall M, Allen GL, Thomas NJ, Freishtat RJ, Anas N, Meyer K, Checchia PA, Lin R, Shanley TP, Bigham MT, Sen A, Nowak J, Quasney M, Henricksen JW, Chopra A, Banschbach S, Beckman E, Harmon K, Lahni P, Lindsell CJ. The pediatric sepsis biomarker risk model. Crit Care. 2012 Oct 1;16(5):R174. doi: 10.1186/cc11652.
- Jacobs L, Berrens Z, Stenson EK, Zackoff MW, Danziger LA, Lahni P, Wong HR. The Pediatric Sepsis Biomarker Risk Model (PERSEVERE) Biomarkers Predict Clinical Deterioration and Mortality in Immunocompromised Children Evaluated for Infection. Sci Rep. 2019 Jan 23;9(1):424. doi: 10.1038/s41598-018-36743-z.
- Gardlund B, Dmitrieva NO, Pieper CF, Finfer S, Marshall JC, Taylor Thompson B. Six subphenotypes in septic shock: Latent class analysis of the PROWESS Shock study. J Crit Care. 2018 Oct;47:70-79. doi: 10.1016/j.jcrc.2018.06.012. Epub 2018 Jun 8.
- Williams JB, Ghosh D, Wetzel RC. Applying Machine Learning to Pediatric Critical Care Data. Pediatr Crit Care Med. 2018 Jul;19(7):599-608. doi: 10.1097/PCC.0000000000001567.
- Seymour CW, Kennedy JN, Wang S, Chang CH, Elliott CF, Xu Z, Berry S, Clermont G, Cooper G, Gomez H, Huang DT, Kellum JA, Mi Q, Opal SM, Talisa V, van der Poll T, Visweswaran S, Vodovotz Y, Weiss JC, Yealy DM, Yende S, Angus DC. Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019 May 28;321(20):2003-2017. doi: 10.1001/jama.2019.5791.
- Sepanski RJ, Godambe SA, Mangum CD, Bovat CS, Zaritsky AL, Shah SH. Designing a pediatric severe sepsis screening tool. Front Pediatr. 2014 Jun 16;2:56. doi: 10.3389/fped.2014.00056. eCollection 2014.
- Sinha P, Calfee CS, Delucchi KL. Practitioner's Guide to Latent Class Analysis: Methodological Considerations and Common Pitfalls. Crit Care Med. 2021 Jan 1;49(1):e63-e79. doi: 10.1097/CCM.0000000000004710.
- Weiss SL, Fitzgerald JC, Balamuth F, Alpern ER, Lavelle J, Chilutti M, Grundmeier R, Nadkarni VM, Thomas NJ. Delayed antimicrobial therapy increases mortality and organ dysfunction duration in pediatric sepsis. Crit Care Med. 2014 Nov;42(11):2409-17. doi: 10.1097/CCM.0000000000000509.
- C. D. Sutton, "Classification and Regression Trees, Bagging, and Boosting," Handb. Stat., vol. 24, pp. 303-329, 2005, doi: 10.1016/S0169-7161(04)24011-1.
- Sinha P, Delucchi KL, Thompson BT, McAuley DF, Matthay MA, Calfee CS; NHLBI ARDS Network. Latent class analysis of ARDS subphenotypes: a secondary analysis of the statins for acutely injured lungs from sepsis (SAILS) study. Intensive Care Med. 2018 Nov;44(11):1859-1869. doi: 10.1007/s00134-018-5378-3. Epub 2018 Oct 5.
- Wiersema R, Jukarainen S, Vaara ST, Poukkanen M, Lakkisto P, Wong H, Linder A, van der Horst ICC, Pettila V. Two subphenotypes of septic acute kidney injury are associated with different 90-day mortality and renal recovery. Crit Care. 2020 Apr 15;24(1):150. doi: 10.1186/s13054-020-02866-x.
- Delucchi K, Famous KR, Ware LB, Parsons PE, Thompson BT, Calfee CS; ARDS Network. Stability of ARDS subphenotypes over time in two randomised controlled trials. Thorax. 2018 May;73(5):439-445. doi: 10.1136/thoraxjnl-2017-211090. Epub 2018 Feb 24.
- Feuillet F, Bellanger L, Hardouin JB, Victorri-Vigneau C, Sebille V. On Comparison of Clustering Methods for Pharmacoepidemiological Data. J Biopharm Stat. 2015;25(4):843-56. doi: 10.1080/10543406.2014.920855.
- Kent P, Jensen RK, Kongsted A. A comparison of three clustering methods for finding subgroups in MRI, SMS or clinical data: SPSS TwoStep Cluster analysis, Latent Gold and SNOB. BMC Med Res Methodol. 2014 Oct 2;14:113. doi: 10.1186/1471-2288-14-113.
- R. Lachman, "Expert systems: A cognitive science perspective," Behav. Res. Methods, Instruments, Comput., 1989, doi: 10.3758/BF03205582.
- L. Medsker, M. Tan, and E. Turban, "Knowledge acquisition from multiple experts: Problems and issues," Expert Syst. Appl., vol. 9, no. 1, pp. 35-40, Jan. 1995, doi: 10.1016/0957-4174(94)00046-X.
- Brewer A, Helfgott MA, Novak J, Schanhals R. An application of cmaps in the description of clinical information structure and logic in electronic health records. Glob Adv Health Med. 2012 Sep;1(4):16-31. doi: 10.7453/gahmj.2012.1.4.003.
- Beglinger B, Rohacek M, Ackermann S, Hertwig R, Karakoumis-Ilsemann J, Boutellier S, Geigy N, Nickel C, Bingisser R. Physician's first clinical impression of emergency department patients with nonspecific complaints is associated with morbidity and mortality. Medicine (Baltimore). 2015 Feb;94(7):e374. doi: 10.1097/MD.0000000000000374.
- R. R. Starr and J. M. Parente De Oliveira, "Concept maps as the first step in an ontology construction method," Inf. Syst., 2013, doi: 10.1016/j.is.2012.05.010.
- R. Matkar and A. Parab, "Ontology based expert systems - replication of human learning," Thinkquest~2010, pp. 43-47, 2011, doi: 10.1007/978-81-8489-989-4_7.
- Yamagata Y, Kozaki K, Imai T, Ohe K, Mizoguchi R. An ontological modeling approach for abnormal states and its application in the medical domain. J Biomed Semantics. 2014 May 21;5:23. doi: 10.1186/2041-1480-5-23. eCollection 2014.
- R. M. RJ Rovetto, "Causality and the ontology of disease," Appl Ontol, vol. 10, no. 2, pp. 79-105, Sep. 2015, doi: 10.3233/ao-150147.
- Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004 Jan 1;32(Database issue):D267-70. doi: 10.1093/nar/gkh061.
- Ghassemi M, Naumann T, Schulam P, Beam AL, Chen IY, Ranganath R. A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Jt Summits Transl Sci Proc. 2020 May 30;2020:191-200. eCollection 2020.
- Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nat Mach Intell. 2019 May;1(5):206-215. doi: 10.1038/s42256-019-0048-x. Epub 2019 May 13.
- Wong A, Otles E, Donnelly JP, Krumm A, McCullough J, DeTroyer-Cooley O, Pestrue J, Phillips M, Konye J, Penoza C, Ghous M, Singh K. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021 Aug 1;181(8):1065-1070. doi: 10.1001/jamainternmed.2021.2626. Erratum In: JAMA Intern Med. 2021 Aug 1;181(8):1144.
- Wong HR, Caldwell JT, Cvijanovich NZ, Weiss SL, Fitzgerald JC, Bigham MT, Jain PN, Schwarz A, Lutfi R, Nowak J, Allen GL, Thomas NJ, Grunwell JR, Baines T, Quasney M, Haileselassie B, Lindsell CJ. Prospective clinical testing and experimental validation of the Pediatric Sepsis Biomarker Risk Model. Sci Transl Med. 2019 Nov 13;11(518):eaax9000. doi: 10.1126/scitranslmed.aax9000.
- Bujang MA, Adnan TH. Requirements for Minimum Sample Size for Sensitivity and Specificity Analysis. J Clin Diagn Res. 2016 Oct;10(10):YE01-YE06. doi: 10.7860/JCDR/2016/18129.8744. Epub 2016 Oct 1.
- Paxton C, Niculescu-Mizil A, Saria S. Developing predictive models using electronic medical records: challenges and pitfalls. AMIA Annu Symp Proc. 2013 Nov 16;2013:1109-15. eCollection 2013.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (TÉNYLEGES)
Elsődleges befejezés (VÁRHATÓ)
A tanulmány befejezése (VÁRHATÓ)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (TÉNYLEGES)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (TÉNYLEGES)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- NIAID 1R41AI167224-01
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .
Klinikai vizsgálatok a Vérmérgezés
-
Assiut UniversityIsmeretlen
-
Ahmed Mahmoud Ali Ali YoussefBefejezveAz újszülöttkori szeptikémia súlyossági indexe az újszülöttkori akut fiziológiához (SNAP) II. (SNAP)Újszülöttkori SEPSISEgyiptom
-
Drugs for Neglected DiseasesUniversiteit Antwerpen; PENTA Foundation; St George's, University of LondonBefejezveÚjszülöttkori SEPSISBanglades, Uganda, Thaiföld, Dél-Afrika, Olaszország, Görögország, India, Brazília, Kína, Kenya, Vietnam
-
Assiut UniversityIsmeretlen
-
Assiut UniversityIsmeretlen
-
London School of Hygiene and Tropical MedicineBefejezveÚjszülöttkori SEPSISBurkina Faso, Gambia
-
Stephanie BjerrumRigshospitalet, Denmark; University of Copenhagen; University of Ghana; Korle-Bu Teaching...Befejezve
-
Drugs for Neglected DiseasesUniversity of Oxford; KEMRI-Wellcome Trust Collaborative Research ProgramBefejezveÚjszülöttkori SEPSISKenya
-
Gehad AbdelnaserAssiut UniversityIsmeretlen
-
Franciscus GasthuisErasmus Medical CenterBefejezveÚjszülöttkori fertőzés | Újszülöttkori SEPSISHollandia