- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06174519
A mesterséges intelligencia alapú vénytámogató szoftver, az iAST® értékelése az empirikus és félig célzott antibiotikus kezelés kiválasztásához (EVIAST)
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
Háttér:
A fertőzések az egyik fő oka a konzultációnak az alapellátásban és a sürgősségi ellátásban. Ezen túlmenően a kórházba kerülő betegek nagy százaléka szenved fertőzéstől a tartózkodásuk alatt. Az Európai Betegségmegelőzési és Járványvédelmi Központ (ECDC) adatai szerint az európai kórházakba felvett betegek körülbelül 11%-a szenved egészségügyi ellátással összefüggő fertőzésben (ECDC, 2013). Ezen túlmenően e szervezet szerint az európai kórházakba felvett betegek 35%-a részesül antibiotikum-terápiában, ez az arány kórházonként és országonként 21,4% és 54,7% között változik (ECDC, 2013).
A fertőzések nem megfelelő kezelése gyakran a kórházi kezelési időszak meghosszabbodásával vagy szepszis kialakulásával kapcsolatos szövődményekhez vezet, amelyek végül az érintett betegek halálát okozhatják (Kollef és mtsai, 1999; Kollef et al., 2000). Ezenkívül a nem megfelelő antibiotikum-választás miatti hatástalan kezelések óriási költségekkel és hatással vannak az egészségügyi ellátórendszerre (Zilberberg et al., 2017). Ezzel szemben kiterjedt tudományos bizonyítékok állnak rendelkezésre arra vonatkozóan, hogy a megfelelő antibiotikus kezelés korai megkezdése nagymértékben csökkenti a fertőzések morbiditását és mortalitását, valamint jelentősen csökkenti a betegek kórházi tartózkodási idejét (van den Bosch et al., 2017). Korábbi tanulmányok arról számoltak be, hogy az antibiotikum-felírások 20-30%-a nem megfelelő, ami egészségügyi szövődményekhez, különösen az egészségügyi ellátással összefüggő fertőzésekhez vezet (Fleming-Dutra és mtsai, 2016; Lambregts et al., 2020; Tumbarello et al., 2007). Ráadásul az antibiotikum kezelés megfelelő megválasztásával elkerülhető a rezisztens baktériumtörzsek elterjedése, ami az utóbbi években egyre nagyobb problémát jelent (Andersson et al., 2010; Gandra et al., 2014).
Amint azt korábban megjegyeztük, a fertőző betegségek miatti mortalitás idővel óriási mértékben növekszik, ha nem kezdik meg a megfelelő antibiotikus kezelést (Kumar et al., 2006). Így a mikrobiológiai eredmények megszerzése és a fertőzést okozó baktériumtörzs azonosítása kulcsfontosságú az alanyok hatékony kezeléséhez (D'Onofrio, 2020). A mikrobiológiai profilleírást általában mikrobiológiai laboratóriumok végzik, amelyek támogatják az orvosokat az antibiotikum-kezelés kiválasztásában. Mindazonáltal, bár megbízható eredmények születnek, általában 48 órával a kezdeti betegértékelés után születnek (Jorgensen et al. 2009).
Indoklás:
Számos mikroorganizmus és beteg kumulatív antibiogram adatainak nagy epidemiológiai és klinikai értéke van, mivel lehetővé teszik az antimikrobiális érzékenységi tendenciák változásainak nyomon követését és kimutatását. Emellett ezek az adatok segíthetnek a legjobb empirikus terápiák kiválasztásában is a különböző fertőző szindrómák közül (CLSI, 2014). A klinikai mikrobiológusok hagyományosan bizonyos gyakorisággal (legtöbbször évente) kumulatív antibiogram jelentéseket készítenek. Ezek a jelentések az egyes antibiotikumokra és mikroorganizmusokra vonatkozó rendelkezésre álló adatok kiválasztásával, az érzékeny és rezisztens baktériumok megszámlálásával és mindegyikük érzékenységének százalékos kiszámításával készülnek (Larrosa et al., 2022). Azonban ezekre a kumulatív antibiogramokra a való életben ritkán fordulnak a gyógyszert felíró orvosok, és ezek elfogultak (Mohering et al, 2015). Például az érzékenység a betegek jellemzőitől, az osztálytól, ahol kezelik őket, a korábbi baktériumtenyészetektől stb. függően változik... (Larrosa et al., 2022).
A jelenlegi mikrobiológiában rendelkezésre álló technológiának köszönhetően gyakran 24 órás késleltetés telik el a mikroorganizmus klinikai mintából történő azonosítása és az antibiotikum-érzékenységi profil eredménye között. Amint a bakteriális azonosítás rendelkezésre áll, kialakítható az adott kórokozóra orientált "félig célzott" kezelés, amely a felhalmozott antibiogram jelentések segítségével lehetővé teszi a gyors pontos kezelés megkezdését a végleges antibiogram ismeretéig. jelentősen csökkenti az empirizmus mértékét, amellyel a fertőző betegségeket kezelik (Fernández és Vázquez, 2019).
Az antibiogramok kumulatív adatai elemezhetők viselkedési minták kinyerésére gépi tanulási technikák segítségével (García-Martínez et al., 2021). A gépi tanulás a mesterséges intelligencia része, amely az adatokon alapuló modellek fejlesztésére összpontosít, olyan technikák alkalmazásával, amelyek lehetővé teszik a számítógépek számára, hogy automatikusan megtanulják az adatokban rejlő tudást, felismerjék a mintákat, az adatokat prediktív modellekké alakítsák, amelyek segítik a döntéshozatalt (Rowe et al. , 2019). Az elmúlt néhány évben néhány kutató olyan munkákat publikált, amelyekben a gépi tanulási technikák használatát értékelték az empirikus érzékenység/rezisztencia előrejelzésére. Ezeket a munkákat azonban kutatási környezetben értékelték, és néhány fertőzés és etiológiai ágens konkrét eseteire redukálták (Mancini és mtsai, 2020; Lewin-Epstein et al., 2021; Anahtar és mtsai, 2021; Kim et al. ., 2022).
Orvosi eszközök áttekintése:
Az elmúlt három évben a Pragmatech AI Solutions kutatásait a mesterséges intelligencia és a gépi tanulási technikák használatára összpontosította a kumulatív antibiogramok elemzésére, valamint annak előrejelzésére, hogy konkrét betegek számára melyek a legjobb empirikus és félig célzott terápiák. Ez egy olyan termékben valósult meg, amely a forgalomba hozatal előtti fázisban van, az iAST® néven. Az iAST® szoftver a 2017/745 EU-rendelet szerint a IIa osztályú orvostechnikai eszköznek minősül.
Tanulmányi cél:
Az iAST® eszköz matematikailag bebizonyította, hogy növelheti a bakteriális lefedettség valószínűségét a fertőzések korai antibiotikus kezelésében a kórházban kezelt betegeknél.
Ebben az értelemben jelen retrospektív és megfigyeléses vizsgálat elsődleges célja az iAST® szoftver pontosságának felmérése a gyakori fertőző betegségek empirikus és félig célzott terápiájának korai megfelelő kiválasztásához valós klinikai környezetben.
Klinikai vizsgálat tervezése:
A klinikai vizsgálatot egyetlen központként, retrospektív és megfigyeléses vizsgálatként tervezték. Az antibiogramokat és a kórházi feljegyzéseket visszamenőlegesen felülvizsgálják, hogy azonosítsák azokat a betegeket, akik megfelelnek a felvételi kritériumoknak a vizsgálat elsődleges és másodlagos végpontjainak elemzéséhez. A mesterséges intelligencia modelljének beállításához használt antibiogramok nem számítanak az iAST® szoftver pontosságának értékelésére. Csak a 2023 februárjától kezdődő esetek számítanak bele. A vizsgálók minden esetben regisztrálják az orvos által felírt empirikus és félig célzott terápiát (ha van ilyen). Az iAST® szoftver és az orvosok sikerességi arányának összehasonlítása az antibiogram tekintetében kétféle módon történik:
- A jogosult alanyok esetében a vizsgálók az iAST® eszközt használják annak előrejelzésére, hogy mely antibiotikumok lettek volna a három legjobb választás mind empirikus, mind félig célzott terápia esetén, és rögzítik ezeket az adatokat a lefedettség előrejelzett százalékos arányával (az első három antibiotikum az iAST® rangsor kerül kiválasztásra, amelyet annak a központnak az antibiogramjában teszteltek, ahol a vizsgálatot végzik). A vizsgálók ellenőrzik a végső mikrobiológiai jelentéseket, és naplózzák, hogy a visszanyert baktériumok érzékenyek voltak-e az orvosok által felírt és az iAST® eszközzel szimulált gyógyszerre a végső antibiogram eredményei alapján. Az orvos által felírt recept sikerének arányát statisztikailag összehasonlítják az iAST® által javasolt három legnépszerűbb antibiotikum sikerességi arányával, független módon. Azokban az esetekben, amikor a klinikusok nem írtak fel félig célzott terápiát, az iAST® által félig célzott terápiaként javasolt gyógyszert összehasonlítják a klinikus empirikus kezelésével.
- A vizsgálók azt is regisztrálják, hogy az iAST® milyen valószínűséggel jósol a sikernek az orvos által felírt gyógyszerre vonatkozóan. Az iAST® által az orvos által felírt antibiotikumra előre jelzett valószínűségek átlagát két csoport összehasonlítja: az antibiogram eredményei alapján azon esetek, amelyekben a baktérium érzékeny volt, és azok, amelyekben rezisztens volt. Elemezni kell, hogy ez a különbség statisztikailag szignifikáns-e.
Az orvosok antibiotikum-felírásának megfelelőségét és az iAST®-előrejelzést az antibiogram jelentés alapján hasonlítják össze. Minden fertőzéstípushoz egy alcsoport-elemzést készítenek. Eszerint az iAST® pontosságát a hipotetikus empirikus és félig célzott kezelési előrejelzéshez az orvosi rendelvények összehasonlításához a következőképpen értékelik:
- Adatok a sürgősségi osztályon UTI-vel és/vagy húgyúti szepszissel diagnosztizált betegektől.
- Adatok olyan betegektől, akik bakteremiában vagy szepszisben szenvedtek, amikor a kórokozót véglegesen azonosították, vagy amikor a Gram-folt jellemzői rendelkezésre álltak.
- Olyan betegek adatai, akik tracheobronchitisben vagy mechanikus lélegeztetéssel összefüggő tüdőgyulladásban szenvedtek, és akiknél a kiváltó okot véglegesen azonosították, vagy ha rendelkezésre álltak a Gram-folt jellemzői.
- Adatok olyan betegektől, akik olyan fertőzésen szenvedtek el, amelyben a kórokozót azonosították, de még mindig nem volt antibiogram eredménye.
A nyomozók nyilvántartásba veszik, hogy az orvosok által felírt antibiotikumok vagy az iAST® minden esetben a WHO AWARE besorolás hozzáférési, figyelési vagy tartalék csoportjába tartoztak-e (https://www.who.int/publications/i/item/2021-). tudatos-osztályozás). Ily módon kiszámításra kerül az egyes antibiotikumok használatának/javaslásának aránya az egyes karokban (orvos által felírt vs iAST® előrejelzés).
A vizsgálatból származó összes adatot a vizsgálók egy elektronikus esetjelentési űrlapon (eCRF) rögzítik.
Definíciók
- Empirikus terápia: Azok a terápiák, amelyeket akkor írnak fel, ha fertőzés gyanúja merül fel, de az azt termelő mikroorganizmus és annak antibiotikum-érzékenysége még nem ismert.
- Félig célzott terápia: Olyan terápia, amelyet fertőzés gyanúja esetén írnak fel, az etiológiája ismert, de az antibiotikum érzékenysége még nem.
- A mikrobiológiai eredmények szerint megfelelő antibiotikum: Az antibiotikumos kezelés akkor tekinthető helyesnek, ha a kezelt beteg klinikai mintájában azonosított baktériumok az antibiogram vagy annak extrapolációja alapján érzékenyek.
- Nem megfelelő antibiotikum a mikrobiológiai eredmények szerint: Ellenkezőleg, egy kezelés helytelennek minősül, ha a baktérium, amely ellen irányul, rezisztens az antibiogram eredménye vagy annak belső rezisztenciája alapján.
Korlátozások:
A tanulmány korlátai a tervezéséből fakadnak, tekintve, hogy ez egy retrospektív, nem beavatkozást igénylő vizsgálat. A tanulmányt azonban úgy alakították ki, hogy csökkentsék a lehetséges torzításokat. Az elfogultság minimalizálását célzó intézkedések közül néhány:
- Ugyanezeket az eseteket fogják használni az orvos által felírt recept és az iAST® ajánlás összehasonlítására, így nem lesz adategyensúlytalanság.
- A vizsgálók magasan képzettek a fertőző betegségekben, így tökéletesen értelmezik az antibiogramok adatait és a vizsgálatba bevont esetek klinikai feljegyzéseit, csökkentve ezzel az értelmezési torzítást.
- A betegadatok anonimizálásra kerülnek A gyűjtendő adatok általában elérhetőek a betegek kórlapjaiban és egészségügyi kártyáiban, valamint a Mikrobiológiai Osztály adatbázisában. Nem garantálható azonban, hogy az orvosi feljegyzések vagy egészségügyi kártyák teljesek, ami akadályozhatja a vizsgálati protokollban meghatározott összes érdekes változó összegyűjtését. Hiányzó adatok esetén a hiányzó értékeket nem veszik figyelembe az elemzés százalékos arányának kiszámításakor.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Madrid, Spanyolország, 28015
- Grupo HM Hospitales
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Az elemzéshez szükséges adatoknak 18 év feletti alanyoktól kell származniuk, akiket 2023. február 1-től vettek fel a HM Kórházaiba.
Alanyok, akik:
- húgyúti fertőzés (UTI) gyanújával a kórház Sürgősségi Osztályán járt, vagy;
- a kórházi felvételkor/alatt bakterémiás/szepszises epizódot mutattak be, vagy;
- kórházi intenzív osztályra kerültek, és gépi lélegeztetéssel összefüggő tracheobronchitist vagy tüdőgyulladást mutattak be;
- más típusú fertőzést mutattak be, kezeltek, és amelyekben az antibiogram eredménye alapján baktériumot azonosítottak.
Kizárási kritériumok:
- Egyidejű fertőzésekben szenvedő betegek.
- Adatok olyan alanyoktól, akik bakteriális etiológiájú fertőzésben szenvedtek: gombás vagy vírusos fertőzések.
- Mikrobiológiai dokumentáció (beleértve az antibiogram eredményeit) nélküli fertőzéses alanyok adatai.
- Egynél több antibiotikummal felírt alanyok adatai.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
---|---|
Tanulócsoport
Ebben a klinikai vizsgálatban 325 alany klinikai adatait használták fel annak bizonyítására, hogy az iAST® alkalmazása nem rosszabb, mint az orvos által felírt.
Mindenesetre az erre a 325 alanyra vonatkozóan retrospektíven elemzett adatokat az iAST® alkalmazással szimuláltuk oly módon, hogy ugyanazokat az alanyokat egyszerre tekintették esetnek és kontrollnak.
|
A bevont alanyok esetében a vizsgálók az iAST® eszközt használták annak előrejelzésére, hogy mely antibiotikumok lettek volna a három legjobb választás mind az empirikus, mind a félig célzott terápia során, és ezeket az adatokat a lefedettség előrejelzett százalékával rögzítették (az első három antibiotikum az iAST-ban ® besorolást választották, amelyeket a vizsgálatot végző központ antibiogramján teszteltek).
A kutatók ellenőrizték a végső mikrobiológiai jelentéseket, és naplózták, hogy a visszanyert baktériumok érzékenyek-e az orvosok által felírt és az iAST® eszközzel szimulált gyógyszerre a végső antibiogram eredményei alapján.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Annak bizonyítása, hogy az iAST® nem rosszabb, mint az orvosok az empirikus és félig célzott antibiotikum terápia felírásakor gyakori fertőző betegségekben szenvedő betegeknél.
Időkeret: 4 hónap
|
Az antibiotikum felírásának megfelelőségét és az iAST® előrejelzést standardként összehasonlítják az antibiogram jelentés eredményeivel. A kezelések közötti különbség kétoldali 95%-os konfidencia intervallumát (CI) a rendszer Miettinen és Nurminen rétegzetlen módszerével számítja ki.
Az elsődleges és másodlagos hatásossági végpontok tekintetében az iAST® nem rosszabb, mint az orvos által felírt hatás bizonyítása akkor lesz megállapítható, ha a kezelési különbség kétoldali 95%-os CI alsó határa meghaladta az 5%-ot.
Ezenkívül egy p-értéket is ki kell számítani a megfelelő egyoldalú non-inferiority hipotézis teszthez.
|
4 hónap
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
---|---|---|
Az orvosok által felírt antibiotikum, illetve az iAST® szoftver (empirikus és félcélzott terápia esetén) az antibiogram jelentéshez viszonyított pontosságának értékelése.
Időkeret: 4 hónap
|
Mindegyik kar sikerességi arányát az antibiogram alapján mérjük.
|
4 hónap
|
Az Access, Watch and Reserve antibiotikumok listájából (a WHO Aware osztályozásából) használt/ajánlott antibiotikumok arányának összehasonlítása az orvosok felírásai és az iAST® szoftver előrejelzései között.
Időkeret: 4 hónap
|
Mérni fogják az Aware osztályozási csoportba tartozó egyes antibiotikumok használatát és a szoftver hatását az antibiotikum kezelés szempontjából.
|
4 hónap
|
A felhasználói élményhez kapcsolódó információk gyűjtése az orvosok által végzett használhatósági kérdőív kitöltésével, amikor az iAST® szoftverrel dolgozik.
Időkeret: 4 hónap
|
A szoftver használhatóságáról adatokat gyűjtünk, hogy visszajelzést kapjunk róla.
|
4 hónap
|
A szoftver iAST® pontosságának értékelése a 4 vizsgálati populáció alcsoport antibiotikum-előrejelzésében, összehasonlítva a standard antibiogram jelentéssel.
Időkeret: 4 hónap
|
Alcsoportok: UTI, bakteremia/szepszis, tüdőgyulladás/tracheobronchitis és egyéb fertőzések
|
4 hónap
|
Együttműködők és nyomozók
Szponzor
Nyomozók
- Kutatásvezető: José Barberán, MD, PhD, Grupo HM Hospitales
Publikációk és hasznos linkek
Általános kiadványok
- Fleming-Dutra KE, Hersh AL, Shapiro DJ, Bartoces M, Enns EA, File TM Jr, Finkelstein JA, Gerber JS, Hyun DY, Linder JA, Lynfield R, Margolis DJ, May LS, Merenstein D, Metlay JP, Newland JG, Piccirillo JF, Roberts RM, Sanchez GV, Suda KJ, Thomas A, Woo TM, Zetts RM, Hicks LA. Prevalence of Inappropriate Antibiotic Prescriptions Among US Ambulatory Care Visits, 2010-2011. JAMA. 2016 May 3;315(17):1864-73. doi: 10.1001/jama.2016.4151.
- Kumar A, Roberts D, Wood KE, Light B, Parrillo JE, Sharma S, Suppes R, Feinstein D, Zanotti S, Taiberg L, Gurka D, Kumar A, Cheang M. Duration of hypotension before initiation of effective antimicrobial therapy is the critical determinant of survival in human septic shock. Crit Care Med. 2006 Jun;34(6):1589-96. doi: 10.1097/01.CCM.0000217961.75225.E9.
- Kollef MH, Sherman G, Ward S, Fraser VJ. Inadequate antimicrobial treatment of infections: a risk factor for hospital mortality among critically ill patients. Chest. 1999 Feb;115(2):462-74. doi: 10.1378/chest.115.2.462.
- Zilberberg MD, Nathanson BH, Sulham K, Fan W, Shorr AF. 30-day readmission, antibiotics costs and costs of delay to adequate treatment of Enterobacteriaceae UTI, pneumonia, and sepsis: a retrospective cohort study. Antimicrob Resist Infect Control. 2017 Dec 6;6:124. doi: 10.1186/s13756-017-0286-9. eCollection 2017.
- Anahtar MN, Yang JH, Kanjilal S. Applications of Machine Learning to the Problem of Antimicrobial Resistance: an Emerging Model for Translational Research. J Clin Microbiol. 2021 Jun 18;59(7):e0126020. doi: 10.1128/JCM.01260-20. Epub 2021 Jun 18.
- Andersson DI, Hughes D. Antibiotic resistance and its cost: is it possible to reverse resistance? Nat Rev Microbiol. 2010 Apr;8(4):260-71. doi: 10.1038/nrmicro2319. Epub 2010 Mar 8.
- D'Onofrio V, Salimans L, Bedenic B, Cartuyvels R, Barisic I, Gyssens IC. The Clinical Impact of Rapid Molecular Microbiological Diagnostics for Pathogen and Resistance Gene Identification in Patients With Sepsis: A Systematic Review. Open Forum Infect Dis. 2020 Aug 13;7(10):ofaa352. doi: 10.1093/ofid/ofaa352. eCollection 2020 Oct.
- Fernandez J, Vazquez F. The Importance of Cumulative Antibiograms in Diagnostic Stewardship. Clin Infect Dis. 2019 Aug 30;69(6):1086-1087. doi: 10.1093/cid/ciz082. No abstract available.
- Gandra S, Barter DM, Laxminarayan R. Economic burden of antibiotic resistance: how much do we really know? Clin Microbiol Infect. 2014 Oct;20(10):973-80. doi: 10.1111/1469-0691.12798. Epub 2014 Nov 7.
- Jorgensen JH, Ferraro MJ. Antimicrobial susceptibility testing: a review of general principles and contemporary practices. Clin Infect Dis. 2009 Dec 1;49(11):1749-55. doi: 10.1086/647952.
- Larrosa MN, Canut-Blasco A, Benito N, Canton R, Cercenado E, Docobo-Perez F, Fernandez-Cuenca F, Fernandez-Dominguez J, Guinea J, Lopez-Navas A, Moreno MA, Morosini MI, Navarro F, Martinez-Martinez L, Oliver A. Spanish Antibiogram Committee (COESANT) recommendations for cumulative antibiogram reports. Enferm Infecc Microbiol Clin (Engl Ed). 2023 Aug-Sep;41(7):430-435. doi: 10.1016/j.eimce.2022.09.002. Epub 2022 Sep 26.
- Leekha S, Terrell CL, Edson RS. General principles of antimicrobial therapy. Mayo Clin Proc. 2011 Feb;86(2):156-67. doi: 10.4065/mcp.2010.0639.
- Lewin-Epstein O, Baruch S, Hadany L, Stein GY, Obolski U. Predicting Antibiotic Resistance in Hospitalized Patients by Applying Machine Learning to Electronic Medical Records. Clin Infect Dis. 2021 Jun 1;72(11):e848-e855. doi: 10.1093/cid/ciaa1576.
- Livermore DM. Minimising antibiotic resistance. Lancet Infect Dis. 2005 Jul;5(7):450-9. doi: 10.1016/S1473-3099(05)70166-3.
- Mancini A, Vito L, Marcelli E, Piangerelli M, De Leone R, Pucciarelli S, Merelli E. Machine learning models predicting multidrug resistant urinary tract infections using "DsaaS". BMC Bioinformatics. 2020 Aug 21;21(Suppl 10):347. doi: 10.1186/s12859-020-03566-7.
- Moehring RW, Hazen KC, Hawkins MR, Drew RH, Sexton DJ, Anderson DJ. Challenges in Preparation of Cumulative Antibiogram Reports for Community Hospitals. J Clin Microbiol. 2015 Sep;53(9):2977-82. doi: 10.1128/JCM.01077-15. Epub 2015 Jul 15.
- Rowe M. An Introduction to Machine Learning for Clinicians. Acad Med. 2019 Oct;94(10):1433-1436. doi: 10.1097/ACM.0000000000002792.
- van den Bosch CM, Hulscher ME, Akkermans RP, Wille J, Geerlings SE, Prins JM. Appropriate antibiotic use reduces length of hospital stay. J Antimicrob Chemother. 2017 Mar 1;72(3):923-932. doi: 10.1093/jac/dkw469.
- Tumbarello M, Sanguinetti M, Montuori E, Trecarichi EM, Posteraro B, Fiori B, Citton R, D'Inzeo T, Fadda G, Cauda R, Spanu T. Predictors of mortality in patients with bloodstream infections caused by extended-spectrum-beta-lactamase-producing Enterobacteriaceae: importance of inadequate initial antimicrobial treatment. Antimicrob Agents Chemother. 2007 Jun;51(6):1987-94. doi: 10.1128/AAC.01509-06. Epub 2007 Mar 26. Erratum In: Antimicrob Agents Chemother. 2007 Sep;51(9):3469.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
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
- EVIAST
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 Bakteriális fertőzések
-
Rabin Medical CenterToborzásCentral-line Associated Blood Stream Infections (CLABSI)Izrael
-
Bactiguard ABKarolinska University HospitalBefejezveSebészet | Central Line Associated Blood Stream Infections (CLABSI)Svédország
-
Emory UniversityBefejezveCentral Line Associated Bloodstream Infections (CLABSI) | Csontvelő átültetésEgyesült Államok
Klinikai vizsgálatok a Orvosi eszköz szimuláció
-
Soterix MedicalGeorgetown University; National Institute of Neurological Disorders and Stroke (NINDS) és más munkatársakBefejezveKrónikus afáziaEgyesült Államok
-
Soterix MedicalNYU Langone HealthBefejezveKezelésrezisztens depresszió | Unipoláris depresszióEgyesült Államok
-
Abbott Medical DevicesBefejezveTachycardiaNémetország, Észtország
-
University of WashingtonBefejezveÉgési sérülés utáni hipertrófiás hegesedésEgyesült Államok
-
Cordio MedicalBefejezveSzív elégtelenségIzrael
-
Baylor College of MedicineMaterna MedicalBefejezveSzakadás, kismedencei szerv, szülészeti traumaEgyesült Államok
-
Baylor College of MedicineAktív, nem toborzóNeurális cső hibáiEgyesült Államok
-
Abbott Medical DevicesMegszűnt
-
Hospital San PaoloIsmeretlenERCP utáni hasnyálmirigy-gyulladásOlaszország