Prediction of Post-Spinal Hypotension During Cesarean Delivery Using Machine Learning Algorithms
Prediction of Hypotension Following Spinal Anesthesia During Cesarean Delivery Using Machine Learning Algorithms: A Retrospective Training and Prospective Validation Study
This study aims to develop and prospectively validate machine learning models for predicting hypotension following spinal anesthesia in pregnant women undergoing elective cesarean delivery. The study consists of two cohorts: a retrospective training cohort including at least 200 patients and an independent prospective validation cohort including 50 patients.
Three machine learning algorithms (Random Forest, XGBoost, and Logistic Regression) will be trained using preoperative demographic, anthropometric, and baseline hemodynamic variables, including age, body mass index, parity, gestational age, baseline systolic blood pressure, and baseline heart rate.
The primary outcome is post-spinal hypotension, defined as a decrease in systolic blood pressure of at least 20% from baseline and/or the requirement for vasopressor administration within the first 15 minutes after spinal anesthesia.
The best-performing model will be evaluated in the independent prospective cohort to assess its predictive performance in a real clinical setting.
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Tipo di studio
Tipo di studio
Iscrizione (Stimato)
Iscrizione
Contatti e Sedi
Contatto studio
Contatto studio
- Nome: ilke dolğun
- Numero di telefono: +905555485632
- Email: ilkeser2004@gmail.com
Luoghi di studio
-
-
Merkez Mahallesi
-
Istanbul, Merkez Mahallesi, Turchia (Türkiye), 34250
- Istinye Üniversity
-
-
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
The study population will consist of pregnant women aged 18-45 years with ASA physical status I-II, singleton pregnancies, and scheduled for elective cesarean delivery under spinal anesthesia. The study will include two cohorts: a retrospective training cohort of at least 200 eligible patients identified from hospital records between January 1, 2025, and October 1, 2026, and an independent prospective validation cohort of 50 eligible pregnant women. Participants will be assessed according to predefined inclusion and exclusion criteria. The study population will include women with no history of chronic hypertension or preeclampsia/eclampsia and without contraindications to neuraxial anesthesia.
Descrizione
Inclusion Criteria:
- Age between 18 and 45 years.
- ASA physical status I-II.
- Singleton pregnancy.
- Scheduled for elective cesarean delivery under spinal anesthesia.
Exclusion Criteria:
- Multiple pregnancy.
- Emergency cesarean delivery, including cases of fetal distress.
- Chronic hypertension.
- History of preeclampsia or eclampsia.
- Contraindications to neuraxial anesthesia.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: COHORT
- Prospettive temporali: OTHER
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Predictive Performance of Machine Learning Models for Post-Spinal Hypotension
Lasso di tempo: Within the first 15 minutes following spinal anesthesia.
|
The predictive performance of machine learning models (Random Forest, XGBoost, and Logistic Regression) for identifying post-spinal hypotension will be evaluated using the area under the receiver operating characteristic curve (AUC-ROC). Post-spinal hypotension is defined as a decrease in systolic blood pressure of at least 20% from baseline and/or the requirement for vasopressor administration within the first 15 minutes following spinal anesthesia. Models will be developed using the retrospective training cohort and evaluated in the independent prospective validation cohort. |
Within the first 15 minutes following spinal anesthesia.
|
Collaboratori e investigatori
Sponsor
Sponsor
Pubblicazioni e link utili
Pubblicazioni generali
- Yang X, Li YM, Wang Q, Li R, Zhang P. Machine learning model based on RCA-PDCA nursing methods and differentiating factors to predict hypotension during cesarean section surgery. Comput Biol Med. 2024 May;174:108395. doi: 10.1016/j.compbiomed.2024.108395. Epub 2024 Apr 2.
- Hung KC, Liu CC, Huang YT, Wu JY, Chen JY, Ko CC, Lin CM, Hsing CH, Yew M, Chen IW. Predictive Efficacy of the Perfusion Index for Hypotension following Spinal Anesthesia in Parturient Undergoing Elective Cesarean Section: A Systematic Review and Meta-Analysis. Diagnostics (Basel). 2023 Aug 3;13(15):2584. doi: 10.3390/diagnostics13152584.
Studiare le date dei record
Studia le date principali
Inizio studio (Stimato)
Inizio studio
Completamento primario (Stimato)
Completamento primario
Completamento dello studio (Stimato)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- HASEKI-CS-ML-2026
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .