Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

A műtét utáni tüdőszövődmények megelőzése gépi tanulással segített megközelítés kialakításával (PEPPERMINT)

2026. május 4. frissítette: Britta Trautwein

A posztoperatív pulmonalis szövődmények (POPC) gyakoriak az általános érzéstelenítés után, és a sebészeti betegek megnövekedett morbiditásának és mortalitásának fő okai [1]. A POPC hatékonynak tartott megelőzési és kezelési módszerei azonban lekötik az emberi és technikai erőforrásokat [2,3]. A tervezett kutatási projekt célja ezért a magas kockázatú betegek megbízható azonosítása személyre szabott gépi tanulási algoritmus alapján, perioperatív klinikai rutinadatok és a gyógyulási szobában gyűjtött ultrahangos képalkotó adatok felhasználásával. A randomizált klinikai vizsgálatban 512, általános érzéstelenítésben elektív műtéten áteső beteg vesz részt. Az elsődleges eredmény a POPC fejlesztése lesz. Vizsgálatunk célja a posztoperatív tüdőszövődmények kimutatása, mielőtt azok klinikailag manifesztálódnak.

  1. Fernandez-Bustamante, A., Frendl, G., Sprung, J., Kor, D.j., Subramaniam, B., Ruiz, R.M., Le, J., Henderson, W.G., Moss, A., Mehdiratta, N., Colwell , M. M., Bartels, K., Kolodzie, K., Giquel, J., Melo, M.F.V.M. (2017). Posztoperatív tüdőszövődmények, korai mortalitás és kórházi tartózkodás nem szív-mellkasi műtét után: A perioperatív kutatóhálózat kutatóinak többközpontú vizsgálata. JAMA Surg, 152(2), 157-166.
  2. Ferreyra, G.P., Baussano, I., Squadrone, V., Richiardi, L., Marchiaro, G., Del Sorbo, L., Mascia, L., Merletti, F., Ranieri, V.M. (2008). Folyamatos pozitív légúti nyomás a légúti szövődmények kezelésére hasi műtét után: szisztematikus áttekintés és metaanalízis. Ann Surg, 247(4), 617-26.
  3. Miskovic, A. és Lumb, A.B. (2017). Posztoperatív tüdőszövődmények. Br J Anaesth, 118(3), 317-334.

A tanulmány áttekintése

Állapot

Toborzás

Részletes leírás

A posztoperatív pulmonalis szövődmények (POPC) előfordulási gyakorisága a műtéti eljárástól függően 9-40%. Különféle preoperatív rizikófaktorok ismertek, de általában nem módosíthatók. A régebbi publikációk egyik fő problémája az volt, hogy hosszú ideig nem létezett egyértelmű definíció a „tüdőszövődmény” kimeneti paraméterre. Csak 2018-ban dolgoztak ki egy szabványosított definíciót a Standardised Endpoints for Perioperative Medicine (StEP) együttműködésben [1]. A nagy klinikai jelentősége miatt - a POPC a posztoperatív morbiditás és mortalitás fő oka - klinikai pontozási rendszereket fejlesztettek ki a POPC preoperatív előrejelzésére, de ezek prediktív minősége még javításra szorul [2]. A posztoperatív pulmonális szövődmények előrejelzésére jelenleg legjobban értékelt pontszám (ARISCAT: Assess Respiratory Risk in Surgical Patients in Catalonia) kellő érzékenységű, de nincs specifitása [3]. Ezért a preoperatív rutinadatokból a kockázat meghatározására szolgáló gépi tanulási módszereket is tesztelnek [4].

A szonográfia egyre fontosabb, mint non-invazív, ágy mellett végezhető vizsgálati módszer. Különféle szonográfiai pontszámokat és modelleket fejlesztettek ki már a tüdőszövődmények előrejelzésére [5]. A képfeldolgozási módszereket és a gépi tanulást, különösen a mély tanulást is egyre inkább alkalmazzák az ultrahangdiagnosztikában [6,7]. A rutin klinikai adatok és képalkotó adatok kombinációját a gépi tanulási algoritmus kifejlesztéséhez még nem tesztelték. Az ultrahangos képalkotáson túlmenően a műtét előtti és intraoperatív klinikai információkat használó kiterjesztett algoritmusok azonban jobb prediktív pontosságot ígérnek, mint az egyes módszerek. Ezenkívül a gépi tanulási algoritmuson alapuló előrejelzési modellek prospektív klinikai értékelése a mai napig hiányzik, bár jó értékeket mutatnak a "vevő működési jellemzője alatti terület" (AUROC), pontosság és precizitás tekintetében a megfelelő vizsgálati és validációs adatkészletekben, amelyek az ilyen modellek prediktív minőségének közös mérőszámait [4].

A POPC megelőzésére szolgáló intézkedések ismertek [8], de valószínűleg nem alkalmazzák következetesen a klinikai rutinban a megnövekedett humánerőforrás-igény miatt. Ezért célunk a POPC kockázatának kitett betegek azonosítása egy gépi tanulási algoritmus alapján.

Minden beteg ugyanazon a vizsgálati protokollon megy keresztül a gépi tanulási modell fejlesztése érdekében. A perioperatív klinikai rutinadatokat a szabvány szerint értékelik. A műtét után standardizált tüdőszonográfiát kell végezni a gyógyteremben. Ezt követően a betegeket a posztoperatív 1., 3. és 7. napon felkeresik az osztályon klinikai vizsgálat céljából a POPC kimutatására az StEP-együttműködés által kidolgozott kritériumok szerint.

Esetszám-számításunk szerint 512, általános érzéstelenítésben elektív, sebészi beavatkozáson átesett felnőtt beteget vonunk be. A perioperatív rutinadatokat, valamint a posztoperatív klinikai vizsgálat adatait a kórház belső adatbázisában értékelik és tárolják. A tüdőszonográfiából származó képadatokat a PACS archiválja további feldolgozás céljából. Az összegyűjtött adatok alapján egy neurális hálózatokon alapuló gépi tanulási algoritmust képeznek ki a POPC előrejelzésére. A modell az anonimizált adatokból az R statisztika-orientált programozási nyelv és a TensorFlow keretrendszer, a Python programozási nyelven alapuló mélytanulási szoftverkönyvtár segítségével készült. A létrehozott előrejelzési modell előrejelzési minőségét a vevő operátor jellemzői alatti terület (AUROC), valamint a precíziós visszahívási görbe alatti terület (AUPRC) alapján értékelik, és összehasonlítják az ARISCAT pontszám értékeivel, amely egy közös pontszám a POPC kockázata.

A klinikai rutin és a képalkotó adatokat használó, kiterjesztett gépi tanulási algoritmus segítségével végzett precíz kockázatértékelés nagy lehetőségeket rejt magában a betegek kimenetelének javításában és az egészségügyi ellátás költségeinek csökkentésében is.

  1. Abbott, T.E.F., Fowler, A.J., Pelosi, P., Gama de Abreu, M., Møller, A.M., Canet, J., Craegh-Brown, B., Mythen, M., Gin, T., Lalu, M.M., Futier, E., Grocott, M.P., Schultz, M.J., Pearse, R.M., StEP-COMPAC Group (2018) A perioperatív medicina standardizált végpontjainak szisztematikus áttekintése és konszenzus-definíciói: pulmonalis szövődmények. Br J Anaesth, 120(5) 1066-1079.
  2. Ball, L. és Pelosi, P. (2016). Posztoperatív pulmonalis szövődmények prediktív pontszámai: ideje elmozdulni a klinikai gyakorlat felé. Minerva Anestesiol, 82(3) 265-267.
  3. Nithiuthai, J., Siriussawakul, A., Junkai, R., Horugsa, N., Jarungjitaree, S., Triyasunant, N. (2021). Az ARISCAT pontszámok segítenek-e előre jelezni a posztoperatív tüdőszövődmények előfordulási gyakoriságát idős betegeknél a felső hasi műtét után? Megfigyeléses vizsgálat egyetlen egyetemi kórházban. Perioper Med (London), 10(1) 43.
  4. Xue, B., Li, D., Lu, C., King, C.R., Wildes, T., Avidan, M.S., Kannampallil, T., Abraham, J. (2021) Use of Machine Learning to Develop and Evaluate Models Using Preoperatív és intraoperatív adatok a posztoperatív szövődmények kockázatának azonosításához. Jama Network Open, 4(3).
  5. Szabó, M., Bozó, A., Darvas, K., Soós, S., Özsem M., Iványi, Z.D. (2021) Az ultrahangos tüdőlevegőzési pontszám szerepe a posztoperatív pulmonális szövődmények előrejelzésében: megfigyeléses vizsgálat. BMC Anesthesiol, 21 (1) 19.
  6. van Sloun, R.J.G. és Demi, L. (2020): B-vonalak lokalizálása a tüdő ultrahangvizsgálatában gyengén felügyelt mély tanulással, In-vivo eredmények. IEEE J Biomed Health Inform, 24(4) 957-964.
  7. Brusasco, C., Santori, G., Tavazzi, G., Via, G., Robba, C.m Gargani, L., Mojoli, F., Mongodi, S., Bruzzo, E., Trò, R., Boccacci, P., Isirdi, A., Forfori, F., Corradi, F., UCARE (Ultrasound in Critical Care and Anesthesia Research Group) (2022) Pleurális ultrahangos képek másodrendű szürkeárnyalatos textúraelemzése az akut légzési distressz szindróma megkülönböztetésére és kardiogén tüdőödéma. J Clin Monit Comput, 36(1) 131-140.
  8. Miskovic, A. és Lumb, A.B. (2017). Posztoperatív tüdőszövődmények. Br J Anaesth, 118(3), 317-334.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

512

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi kapcsolat

Tanulmányozza a kapcsolattartók biztonsági mentését

Tanulmányi helyek

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

18 év és régebbi (Felnőtt, Idősebb felnőtt)

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Valószínűségi minta

Tanulmányi populáció

felnőtt betegek egyetemi kórházban

Leírás

Bevételi kritériumok:

elektív, általános érzéstelenítésben végzett sebészeti beavatkozásra tervezett felnőtt betegek

Kizárási kritériumok:

18 év alatti betegek, ambuláns sebészet, posztoperatív felvétel intenzív osztályra

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
A gépi tanulási modell fejlesztése
A perioperatív klinikai rutinadatokat a szabvány szerint értékelik. A műtét után standardizált tüdőszonográfiát kell végezni a gyógyteremben. Ezt követően a betegeket a posztoperatív 1., 3. és 7. napon felkeresik az osztályon klinikai vizsgálat céljából a posztoperatív pulmonalis szövődmények kimutatására az StEP-együttműködés által kidolgozott kritériumok szerint.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A posztoperatív tüdőszövődményekben (POPC) szenvedő betegek száma
Időkeret: a műtét utáni 7. nap vagy az elbocsátás napja
POPC a StEP-együttműködés kritériumai szerint. Ez magában foglalja a betegek klinikai vizsgálatát és interjúját a posztoperatív 1., 3. és 7. napon.
a műtét utáni 7. nap vagy az elbocsátás napja

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Publikációk és hasznos linkek

A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.

Általános kiadványok

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2023. április 25.

Elsődleges befejezés (Becsült)

2026. szeptember 1.

A tanulmány befejezése (Becsült)

2026. december 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2023. március 16.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2023. március 16.

Első közzététel (Tényleges)

2023. március 29.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2026. május 8.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2026. május 4.

Utolsó ellenőrzés

2026. május 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Egyéb vizsgálati azonosító számok

  • UHUlm

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

IPD terv leírása

A német szabályozás miatt nem publikálhatunk egyéni betegadatokat. Az adatokat ésszerű kérésre, az adatvédelmi tisztviselő értékelését követően a kutatók rendelkezésére bocsátjuk.

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

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. .

Iratkozz fel