Machine Learning vetéléskezelési klinikai döntéstámogató eszköz tanulmány (MLMM)
A gépi tanulást olyan algoritmus kifejlesztésére használták, amely meghatározza a siker esélyét a várandós vagy orvosi kezeléssel egy adott páciens esetében. Figyelembe véve a következő objektív intézkedéseket:
- Demográfiai adatok: anyai életkor, paritás
- Előzmény: Korábbi CS, Korábbi SMM/MVA, Korábbi myomectomia
- Terhesség az LMP-től
- Jellemző tünetek: Vérzés pontszám, Fájdalom pontszám
- USS mérések: CRL, GS, RPOC 3 dimenzió, Vascularitás
- Eltérés a CRL és az LMP szerinti terhesség között
Az auditálás során 1000 esetet gyűjthet össze, és azonosíthatja azokat a funkciókat, amelyek hozzájárulnak egy olyan algoritmushoz, amely előre jelezheti a vetélés kezelésének kimenetelét az egyéni esetkezelés érdekében.
A tanulmány áttekintése
Állapot
Körülmények
Részletes leírás
- Mesterséges intelligencia felfedezéstudománya: Algoritmusfejlesztés körülbelül 1000 vetélési eset retrospektív auditján alapul
- A szerszám megbízhatóságának meghatározása tesztadatkészletekkel
- A döntés érzékenységének és specifitásának növelése segíti az adatgyűjtés több helyszínre történő kiterjesztését és az algoritmus leendő adatokkal való tesztelését.
A vizsgálatot az Imperial College Healthcare NHS Trusts (a vizsgálat elsődleges központja) Queen Charlotte's és Chelsea Kórházában végzik.
Ez egy többközpontú retrospektív, kohorsz megfigyeléses vizsgálat.
A vizsgálatot legalább három éven keresztül fogják lefolytatni, hogy elegendő idő álljon rendelkezésre a retrospektív adatok áttekintésére és a vizsgálati adatsorok összevetésére.
Az Imperial College Healthcare NHS Trust által kezelt elmulasztott vetélés és hiányos vetélés utólagos anonimizált eseteit elemzik:
Minden esetben a következő klinikai jellemzőket és az eredményeket kell összegyűjteni:
- Demográfiai adatok: anyai életkor, paritás
- Előzmény: Korábbi CS, Korábbi SMM/MVA, Korábbi myomectomia
- Terhesség az LMP-től
- Jellemző tünetek: Vérzés pontszám, Fájdalom pontszám
- USS mérések: CRL, GS, RPOC 3 dimenzió, Vascularitás
- Eltérés a CRL és az LMP szerinti terhesség között
Minden adatot visszamenőlegesen gyűjtünk és anonimizálunk.
Az adatgyűjtést követően gépi tanulási modelleket és funkciócsökkentési módszereket alkalmaznak a legjobban teljesítő modell meghatározására a vetélés várható vagy orvosi kezelésének sikerének vagy sikertelenségének előrejelzésére.
A következő szakasz egy előretekintő auditot fog tartalmazni az adatok gyűjtése és az MLM klinikai döntéstámogató eszköz előrejelző erejének tesztelése érdekében.
Tanulmány típusa
Beiratkozás (Becsült)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
London, Egyesült Királyság, W12 0HS
- Toborzás
- Imperial College Heatlhcare NHS Trust
-
Kapcsolatba lépni:
- Sughashini Murugesu
- Telefonszám: 07988390772
- E-mail: sughashini.murugesu@nhs.net
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Elmulasztott vetélés és 14 hetesnél rövidebb, nem teljes vetélés
- A nyomon követést 2 héten belül rögzítették
Kizárási kritériumok:
- A végső eredményre vonatkozó adatok nem állnak rendelkezésre
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
A vetélés várható kezelése
Az a kohorsz, amely úgy döntött, hogy a 14. napig kezeli a vetélést, a végeredmény sikerét vagy kudarcát
|
Várandós kezelés: Konzervatív kezelés, ha a vetélést 2 héten belül le kell foglalni, annak megállapítására, hogy bekövetkezett-e a teljes vetélés.
|
|
A vetélés orvosi kezelése
Az a kohorsz, amely a vetélés, a végeredmény sikeressége vagy kudarca orvosi kezelését választotta a vezető választásától számított 14. napig
|
Orvosi kezelés: A misoprostol az első trimeszterben bekövetkezett vetélés kezelésére szolgál, 2 héten belül le kell foglalni a nyomon követést annak megállapítására, hogy bekövetkezett-e a teljes vetélés.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Gépi tanulási prediktív modell fejlesztése vetéléskezelési eredményekhez.
Időkeret: 2023. január - 2024. június
|
A gépi tanulás prediktív modelljének fejlesztése körülbelül 1000 vetélési eset retrospektív auditján alapul.
|
2023. január - 2024. június
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Prospektív audit a prediktív modell tesztelésére és érvényesítésére
Időkeret: 2024. július - 2025. június
|
A döntés érzékenységének és specifikusságának növelése segít az adatgyűjtés több helyszínre történő kiterjesztésével és a gépi tanulási modell tesztelésével a jövőbeli adatokkal.
|
2024. július - 2025. június
|
Együttműködők és nyomozók
Szponzor
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
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 23QC8155
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. .