- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT07539532
A hagyományos kockázati pontszámok és egy mesterséges intelligencián alapuló multimodális modell összehasonlítása a szív- és érrendszeri események megjóslására gasztrointesztinális műtét után (GI-MACE-AI)
Néhány kockázati pontszám értéke a szív- és érrendszeri események előrejelzésében gyomor-bél műtétek után
Ennek a megfigyelési tanulmánynak a célja egy mesterséges intelligencia (MI) alapú multimodális modell kifejlesztése és értékelése a nagy kardiovaszkuláris események előrejelzésére 30 napon belül a gasztrointesztinális műtét után felnőtteknél a Bach Mai Kórházban. A tanulmány összehasonlítja ennek az MI-alapú modellnek a prediktív teljesítményét a gyakran használt hagyományos kockázati pontszámokkal.
A fő kérdések, amelyekre választ szeretne találni:
Egy MI-alapú multimodális modell képes-e előre jelezni a nagy kardiovaszkuláris eseményeket 30 napon belül a gasztrointesztinális műtét után? Az MI-alapú modell jobb prediktív teljesítményt mutat, mint a Felülvizsgált Szívrizikó Index (RCRI), az Amerikai Sebészek Főiskolája Nemzeti Sebészeti Minőségjavító Program Myocardiális Infarktus vagy Szívmegállás kalkulátora (ACS NSQIP MICA) és az ACS NSQIP Sebészeti Kockázat Kalkulátor (ACS NSQIP SRC)? A kutatók összehasonlítják az MI-alapú multimodális modellt a hagyományos kockázati pontszámokkal a prediktív teljesítmény méréseivel, beleértve a diszkriminációt, a kalibrációt, a nettó reklasszifikációs javulást és az integrált diszkriminációs javulást.
A résztvevők gasztrointesztinális műtéten áteső felnőttek lesznek. A kutatók áttekintik a 2025-ben kezelt betegek orvosi nyilvántartási adatait, és ugyanilyen típusú klinikai adatokat gyűjtenek prospektíven 2026-ban is. Az előre jelezni kívánt klinikai eredmény a nagy kardiovaszkuláris események előfordulása 30 napon belül a műtét után. A tanulmány nem változtatja meg a rutin klinikai ellátást.
A tanulmány áttekintése
Állapot
Részletes leírás
A fő szív- és érrendszeri események a gasztrointesztinális műtétek után továbbra is fontos okai a korai posztoperatív szövődményeknek és a rossz kimenetelnek. A hagyományos perioperatív szívkockázati pontszámok, beleértve a Felülvizsgált Szívkockázati Indexet (RCRI), az Amerikai Sebészek Főiskolájának Nemzeti Sebészeti Minőségjavító Programjának Myokardiális Infarktus vagy Szívmegállás számológépét (ACS NSQIP MICA), és az ACS NSQIP Sebészeti Kockázat Számológépét (ACS NSQIP SRC), széles körben használatosak a klinikai gyakorlatban. Azonban teljesítményük korlátozott lehet bizonyos sebészeti populációkban, és nem feltétlenül veszik teljes mértékben figyelembe a klinikai, laboratóriumi, fiziológiai és eljárási változók közötti komplex interakciókat.
Ez a megfigyeléses tanulmány célja egy mesterséges intelligencia (AI) alapú multimodális modell fejlesztése és értékelése a gasztrointesztinális műtét utáni 30 napon belüli fő szív- és érrendszeri események előrejelzésére, valamint előrejelző teljesítményének összehasonlítása a hagyományos kockázati pontszámokkal. A tanulmányt a Bach Mai Kórházban fogják végezni, és felnőtt betegeket fog magában foglalni, akik gasztrointesztinális műtéten esnek át. A tanulmány vegyes retrospektív-prospektív kialakítású, retrospektív adatgyűjtéssel a 2025-ben kezelt betegekből és prospektív adatgyűjtéssel 2026-ban.
A predikció célkitűzése a műtét utáni 30 napon belüli fő szív- és érrendszeri események előfordulása. Ezek az események magukban foglalják a szív- és érrendszeri halált, nem halálos szívizominfarktust, szívmegállást spontán keringés visszatérésével, új agyvérzést és klinikailag jelentős, kezelést igénylő szívritmuszavarokat. A modellfejlesztéshez és összehasonlításhoz használt adatok között szerepelhetnek demográfiai jellemzők, anamnézis, szív- és érrendszeri komorbiditások, sebészeti jellemzők, aneszteziológiai információk, preoperatív laboreredmények, elektrokardiográfiás leletek, ha rendelkezésre állnak biomarkerek, valamint funkcionális vagy kockázatértékelési változók.
A tanulmány elsődleges kimenetele az AI-alapú multimodális modell diszkriminációs teljesítménye a hagyományos kockázati pontszámokhoz képest, amelyet a fogadó működési jelleggörbe alatti terület mér a gasztrointesztinális műtét utáni 30 napos fő szív- és érrendszeri események előrejelzésére. Másodlagos kimenetelek között szerepel az AI-alapú multimodális modell kalibrációs teljesítménye, nettó reosztályozási javulása és integrált diszkriminációs javulása a hagyományos kockázati pontszámokhoz képest, beleértve az RCRI-t, az ACS NSQIP MICA-t és az ACS NSQIP SRC-t.
A tanulmány megfigyeléses jellegű, és nem fogja megváltoztatni a rutin perioperatív kezelést. Az adatokat meglévő orvosi nyilvántartásokból és prospektív klinikai gyűjtésből nyerik ki, titkosság érdekében kódolják, és elemezik a kockázati rétegezés és modellösszehasonlítás támogatására a gasztrointesztinális műtéten áteső betegeknél.
Tanulmány típusa
Beiratkozás (Becsült)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Hà Nội, Vietnam
- Toborzás
- Bach Mai hospital
-
Kapcsolatba lépni:
- Nguyen Toan Thang, Thang
- Telefonszám: PhD, MD
- E-mail: nguyentoanthang@hmu.edu.vn
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevonási kritériumok:
- 18 év vagy annál idősebb felnőttek.
- Gasztrointesztinális műtéten áteső betegek a Bach Mai Kórházban 2025 januárja és 2026 decembere között.
- Elérhető preoperatív, intraoperatív és posztoperatív adatok az elemzéshez.
Kizárási kritériumok:
- Halálozás a műtét után 24 órán belül egyértelműen nem kardiovaszkuláris ok miatt.
- Az elemzéshez szükséges hiányos adatok.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
|---|
|
Összesített Vizsgálati Kohorsz
A Bach Mai Kórházban gastrointestinalis sebészeti beavatkozást követő felnőttek, akik ebbe a megfigyelési tanulmányba kerültek be, és akiket a műtét utáni 30 napon belül jelentős szív- és érrendszeri események tekintetében követnek.
A tanulmány 2025-ös retrospektív adatokat és 2026-os prospektív adatokat tartalmaz.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A mesterséges intelligencián alapuló multimodális modell fogadó működési jellemző görbe alatti területe a 30 napos nagyfokú szív- és érrendszeri események előrejelzésére gasztrointesztinális műtét után
Időkeret: A műtét előtti időszaktól a műtét utáni 30. napig.
|
Az AI-alapú multimodális modell diszkriminációs teljesítménye a 30 napos fő szív- és érrendszeri események előrejelzésére gyomor-bél műtét után.
|
A műtét előtti időszaktól a műtét utáni 30. napig.
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A mesterséges intelligencián alapuló multimodális modell Brier-pontszáma a 30 napon belüli súlyos szív- és érrendszeri események előrejelzésére gastrointestinalis sebészet után
Időkeret: A műtét előtti időszaktól a műtét utáni 30 napig
|
Az AI-alapú multimodális modell teljes előrejelzési pontossága a Brier-pontszám szerint.
Az alacsonyabb értékek jobb modellteljesítményt jeleznek.
|
A műtét előtti időszaktól a műtét utáni 30 napig
|
|
A mesterséges intelligencián alapuló multimodális modell újraosztályozási javulása a hagyományos kockázati pontszámokhoz képest a 30 napos nagy kardiovaszkuláris események előrejelzésében gastrointestinalis sebészet után
Időkeret: A műtét előtti időszaktól a műtét utáni 30 napig gyűjtött perioperatív adatok felhasználásával
|
A mesterséges intelligencia alapú multimodális modell nettó reklasszifikációs javulása a hagyományos kockázati pontszámokkal összehasonlítva a fő szív- és érrendszeri események előrejelzésében 30 napon belül a gastrointestinalis műtét után.
|
A műtét előtti időszaktól a műtét utáni 30 napig gyűjtött perioperatív adatok felhasználásával
|
|
Az AI-alapú multimodális modell integrált diszkriminációs fejlesztése a hagyományos kockázati pontszámokhoz képest a 30 napos fő szív- és érrendszeri események előrejelzésében gyomor-bél műtétek után
Időkeret: A preoperatív időszaktól a műtét utáni 30. napig gyűjtött perioperatív adatok felhasználása
|
Az AI-alapú multimodális modell integrált diszkriminációs fejlődése a hagyományos kockázati pontszámokhoz képest a fő szív- és érrendszeri események előrejelzésére a gastrointestinalis műtét utáni 30 napon belül.
|
A preoperatív időszaktól a műtét utáni 30. napig gyűjtött perioperatív adatok felhasználása
|
|
A Revideált Szívkárosodási Kockázati Index területe a fogadó működési jellemzői görbe alatt a 30 napos fő szív- és érrendszeri események előrejelzésére gyomor-bél műtétek után
Időkeret: A műtét előtti időszaktól a műtét utáni 30 napig
|
A revideált kardiális kockázati index diszkriminációs teljesítménye.
|
A műtét előtti időszaktól a műtét utáni 30 napig
|
|
A fogadó üzemeltetési jellemzőgörbe alatti terület az ACS NSQIP Sebészeti Kockázatkalkulátorban a 30 napos fő szív- és érrendszeri események előrejelzésére a gastrointestinalis sebészet után
Időkeret: A műtét előtti időszaktól a műtét utáni 30 napig
|
Az ACS NSQIP Műtéti Kockázati Kalkulátor diszkriminációs teljesítménye.
|
A műtét előtti időszaktól a műtét utáni 30 napig
|
|
A mesterséges intelligencián alapuló multimodális modell kalibrációs meredeksége a 30 napos fő szív- és érrendszeri események előrejelzésére a gastrointestinalis műtét után
Időkeret: A műtét előtti időszaktól a műtét utáni 30 napig
|
Az előrejelzett és megfigyelt kockázat közötti egyezés, amelyet a kalibrációs meredekség értékel.
Az 1-hez közelebbi érték jobb kalibrációt jelez.
|
A műtét előtti időszaktól a műtét utáni 30 napig
|
Együttműködők és nyomozók
Szponzor
Publikációk és hasznos linkek
Általános kiadványok
- Writing Committee for the VISION Study Investigators; Devereaux PJ, Biccard BM, Sigamani A, Xavier D, Chan MTV, Srinathan SK, Walsh M, Abraham V, Pearse R, Wang CY, Sessler DI, Kurz A, Szczeklik W, Berwanger O, Villar JC, Malaga G, Garg AX, Chow CK, Ackland G, Patel A, Borges FK, Belley-Cote EP, Duceppe E, Spence J, Tandon V, Williams C, Sapsford RJ, Polanczyk CA, Tiboni M, Alonso-Coello P, Faruqui A, Heels-Ansdell D, Lamy A, Whitlock R, LeManach Y, Roshanov PS, McGillion M, Kavsak P, McQueen MJ, Thabane L, Rodseth RN, Buse GAL, Bhandari M, Garutti I, Jacka MJ, Schunemann HJ, Cortes OL, Coriat P, Dvirnik N, Botto F, Pettit S, Jaffe AS, Guyatt GH. Association of Postoperative High-Sensitivity Troponin Levels With Myocardial Injury and 30-Day Mortality Among Patients Undergoing Noncardiac Surgery. JAMA. 2017 Apr 25;317(16):1642-1651. doi: 10.1001/jama.2017.4360.
- Gautam N, Mueller J, Alqaisi O, Gandhi T, Malkawi A, Tarun T, Alturkmani HJ, Zulqarnain MA, Pontone G, Al'Aref SJ. Machine Learning in Cardiovascular Risk Prediction and Precision Preventive Approaches. Curr Atheroscler Rep. 2023 Dec;25(12):1069-1081. doi: 10.1007/s11883-023-01174-3. Epub 2023 Nov 27.
- Liu T, Krentz A, Lu L, Curcin V. Machine learning based prediction models for cardiovascular disease risk using electronic health records data: systematic review and meta-analysis. Eur Heart J Digit Health. 2024 Oct 27;6(1):7-22. doi: 10.1093/ehjdh/ztae080. eCollection 2025 Jan.
- Cheng CH, Lee BJ, Nfor ON, Hsiao CH, Huang YC, Liaw YP. Using machine learning-based algorithms to construct cardiovascular risk prediction models for Taiwanese adults based on traditional and novel risk factors. BMC Med Inform Decis Mak. 2024 Jul 22;24(1):199. doi: 10.1186/s12911-024-02603-2.
- Li C, Liu X, Shen P, Sun Y, Zhou T, Chen W, Chen Q, Lin H, Tang X, Gao P. Improving cardiovascular risk prediction through machine learning modelling of irregularly repeated electronic health records. Eur Heart J Digit Health. 2023 Oct 17;5(1):30-40. doi: 10.1093/ehjdh/ztad058. eCollection 2024 Jan.
- Kothari P, Vanneman MW, Choi C, Diehl R, Fielding-Singh V. Highlights from the American College of Cardiology and American Heart Association 2024 Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery. J Cardiothorac Vasc Anesth. 2025 Sep;39(9):2408-2420. doi: 10.1053/j.jvca.2025.05.014. Epub 2025 May 14.
- Vascular Events In Noncardiac Surgery Patients Cohort Evaluation (VISION) Study Investigators; Devereaux PJ, Chan MT, Alonso-Coello P, Walsh M, Berwanger O, Villar JC, Wang CY, Garutti RI, Jacka MJ, Sigamani A, Srinathan S, Biccard BM, Chow CK, Abraham V, Tiboni M, Pettit S, Szczeklik W, Lurati Buse G, Botto F, Guyatt G, Heels-Ansdell D, Sessler DI, Thorlund K, Garg AX, Mrkobrada M, Thomas S, Rodseth RN, Pearse RM, Thabane L, McQueen MJ, VanHelder T, Bhandari M, Bosch J, Kurz A, Polanczyk C, Malaga G, Nagele P, Le Manach Y, Leuwer M, Yusuf S. Association between postoperative troponin levels and 30-day mortality among patients undergoing noncardiac surgery. JAMA. 2012 Jun 6;307(21):2295-304. doi: 10.1001/jama.2012.5502.
- Writing Committee Members; Thompson A, Fleischmann KE, Smilowitz NR, de Las Fuentes L, Mukherjee D, Aggarwal NR, Ahmad FS, Allen RB, Altin SE, Auerbach A, Berger JS, Chow B, Dakik HA, Eisenstein EL, Gerhard-Herman M, Ghadimi K, Kachulis B, Leclerc J, Lee CS, Macaulay TE, Mates G, Merli GJ, Parwani P, Poole JE, Rich MW, Ruetzler K, Stain SC, Sweitzer B, Talbot AW, Vallabhajosyula S, Whittle J, Williams KA Sr. 2024 AHA/ACC/ACS/ASNC/HRS/SCA/SCCT/SCMR/SVM Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2024 Nov 5;84(19):1869-1969. doi: 10.1016/j.jacc.2024.06.013. Epub 2024 Sep 24.
- Bilimoria KY, Liu Y, Paruch JL, Zhou L, Kmiecik TE, Ko CY, Cohen ME. Development and evaluation of the universal ACS NSQIP surgical risk calculator: a decision aid and informed consent tool for patients and surgeons. J Am Coll Surg. 2013 Nov;217(5):833-42.e1-3. doi: 10.1016/j.jamcollsurg.2013.07.385. Epub 2013 Sep 18.
- Gupta PK, Gupta H, Sundaram A, Kaushik M, Fang X, Miller WJ, Esterbrooks DJ, Hunter CB, Pipinos II, Johanning JM, Lynch TG, Forse RA, Mohiuddin SM, Mooss AN. Development and validation of a risk calculator for prediction of cardiac risk after surgery. Circulation. 2011 Jul 26;124(4):381-7. doi: 10.1161/CIRCULATIONAHA.110.015701. Epub 2011 Jul 5.
- Lee TH, Marcantonio ER, Mangione CM, Thomas EJ, Polanczyk CA, Cook EF, Sugarbaker DJ, Donaldson MC, Poss R, Ho KK, Ludwig LE, Pedan A, Goldman L. Derivation and prospective validation of a simple index for prediction of cardiac risk of major noncardiac surgery. Circulation. 1999 Sep 7;100(10):1043-9. doi: 10.1161/01.cir.100.10.1043.
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
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- BM_2025_238
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. .