- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT05789953
A műtét utáni tüdőszövődmények megelőzése gépi tanulással segített megközelítés kialakításával (PEPPERMINT)
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.
- 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.
- 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.
- Miskovic, A. és Lumb, A.B. (2017). Posztoperatív tüdőszövődmények. Br J Anaesth, 118(3), 317-334.
A tanulmány áttekintése
Állapot
Körülmények
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.
- 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.
- Ball, L. és Pelosi, P. (2016). Posztoperatív pulmonalis szövődmények prediktív pontszámai: ideje elmozdulni a klinikai gyakorlat felé. Minerva Anestesiol, 82(3) 265-267.
- 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.
- 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).
- 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.
- 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.
- 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.
- Miskovic, A. és Lumb, A.B. (2017). Posztoperatív tüdőszövődmények. Br J Anaesth, 118(3), 317-334.
Tanulmány típusa
Beiratkozás (Becsült)
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: Britta Trautwein, MD
- Telefonszám: 00731 500 60227
- E-mail: britta.trautwein@uniklinik-ulm.de
Tanulmányozza a kapcsolattartók biztonsági mentését
- Név: Simone Kagerbauer, PD
- Telefonszám: 00731 500 60254
- E-mail: simone.kagerbauer@uni-ulm.de
Tanulmányi helyek
-
-
-
Ulm, Németország, 89081
- Toborzás
- University Hospital Ulm
-
Kapcsolatba lépni:
- Britta Trautwein
- Telefonszám: 004973150060227
- E-mail: britta.trautwein@uniklinik-ulm.de
-
Kapcsolatba lépni:
- Simone Kagerbauer
- Telefonszám: 004973150060254
- E-mail: simone.kagerbauer@uniklinik-ulm.de
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
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
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
Szponzor
Publikációk és hasznos linkek
Általános kiadványok
- Fernandez-Bustamante A, Frendl G, Sprung J, Kor DJ, Subramaniam B, Martinez Ruiz R, Lee JW, Henderson WG, Moss A, Mehdiratta N, Colwell MM, Bartels K, Kolodzie K, Giquel J, Vidal Melo MF. Postoperative Pulmonary Complications, Early Mortality, and Hospital Stay Following Noncardiothoracic Surgery: A Multicenter Study by the Perioperative Research Network Investigators. JAMA Surg. 2017 Feb 1;152(2):157-166. doi: 10.1001/jamasurg.2016.4065.
- Szabo M, Bozo A, Darvas K, Soos S, Ozse M, Ivanyi ZD. The role of ultrasonographic lung aeration score in the prediction of postoperative pulmonary complications: an observational study. BMC Anesthesiol. 2021 Jan 14;21(1):19. doi: 10.1186/s12871-021-01236-6.
- Miskovic A, Lumb AB. Postoperative pulmonary complications. Br J Anaesth. 2017 Mar 1;118(3):317-334. doi: 10.1093/bja/aex002.
- Abbott TEF, Fowler AJ, Pelosi P, Gama de Abreu M, Moller AM, Canet J, Creagh-Brown B, Mythen M, Gin T, Lalu MM, Futier E, Grocott MP, Schultz MJ, Pearse RM; StEP-COMPAC Group. A systematic review and consensus definitions for standardised end-points in perioperative medicine: pulmonary complications. Br J Anaesth. 2018 May;120(5):1066-1079. doi: 10.1016/j.bja.2018.02.007. Epub 2018 Mar 27.
- Ferreyra GP, Baussano I, Squadrone V, Richiardi L, Marchiaro G, Del Sorbo L, Mascia L, Merletti F, Ranieri VM. Continuous positive airway pressure for treatment of respiratory complications after abdominal surgery: a systematic review and meta-analysis. Ann Surg. 2008 Apr;247(4):617-26. doi: 10.1097/SLA.0b013e3181675829.
- Ball L, Pelosi P. Predictive scores for postoperative pulmonary complications: time to move towards clinical practice. Minerva Anestesiol. 2016 Mar;82(3):265-7. Epub 2015 Sep 4. No abstract available.
- Nithiuthai J, Siriussawakul A, Junkai R, Horugsa N, Jarungjitaree S, Triyasunant N. Do ARISCAT scores help to predict the incidence of postoperative pulmonary complications in elderly patients after upper abdominal surgery? An observational study at a single university hospital. Perioper Med (Lond). 2021 Dec 8;10(1):43. doi: 10.1186/s13741-021-00214-3.
- Xue B, Li D, Lu C, King CR, Wildes T, Avidan MS, Kannampallil T, Abraham J. Use of Machine Learning to Develop and Evaluate Models Using Preoperative and Intraoperative Data to Identify Risks of Postoperative Complications. JAMA Netw Open. 2021 Mar 1;4(3):e212240. doi: 10.1001/jamanetworkopen.2021.2240.
- van Sloun RJG, Demi L. Localizing B-Lines in Lung Ultrasonography by Weakly Supervised Deep Learning, In-Vivo Results. IEEE J Biomed Health Inform. 2020 Apr;24(4):957-964. doi: 10.1109/JBHI.2019.2936151. Epub 2019 Aug 19.
- Brusasco C, Santori G, Tavazzi G, Via G, Robba C, Gargani L, Mojoli F, Mongodi S, Bruzzo E, Tro R, Boccacci P, Isirdi A, Forfori F, Corradi F; UCARE (Ultrasound in Critical care and Anesthesia Research Group). Second-order grey-scale texture analysis of pleural ultrasound images to differentiate acute respiratory distress syndrome and cardiogenic pulmonary edema. J Clin Monit Comput. 2022 Feb;36(1):131-140. doi: 10.1007/s10877-020-00629-1. Epub 2020 Dec 12.
- Trautwein B, Beer M, Blobner M, Jungwirth B, Kagerbauer SM, Gotz M. Preventing postoperative pulmonary complications by establishing a machine-learning assisted approach (PEPPERMINT): Study protocol for the creation of a risk prediction model. PLoS One. 2025 Aug 19;20(8):e0329076. doi: 10.1371/journal.pone.0329076. eCollection 2025.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
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
Egyéb vizsgálati azonosító számok
- UHUlm
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
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. .