Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Prediction of Post-Spinal Hypotension During Cesarean Delivery Using Machine Learning Algorithms

15 novembre 2026 aggiornato da: İlke Dolgun, Istinye University

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

Non ancora reclutamento

Condizioni

Tipo di studio

Osservativo

Iscrizione (Stimato)

250

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Contatto studio

Luoghi di studio

    • Merkez Mahallesi
      • Istanbul, Merkez Mahallesi, Turchia (Türkiye), 34250
        • Istinye Üniversity

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

Da 18 anni a 45 anni (Adulto)

Accetta volontari sani

No

Sessi ammissibili allo studio

Femmina

Metodo di campionamento

Campione non probabilistico

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

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

  • Modelli osservazionali: COHORT
  • Prospettive temporali: OTHER

Cosa sta misurando lo studio?

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

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Pubblicazioni e link utili

La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Stimato)

21 novembre 2026

Completamento primario (Stimato)

21 gennaio 2027

Completamento dello studio (Stimato)

1 febbraio 2027

Date di iscrizione allo studio

Primo inviato

15 novembre 2026

Primo inviato che soddisfa i criteri di controllo qualità

15 novembre 2026

Primo Inserito (Effettivo)

19 novembre 2026

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

19 novembre 2026

Ultimo aggiornamento inviato che soddisfa i criteri QC

15 novembre 2026

Ultimo verificato

1 novembre 2026

Maggiori informazioni

Termini relativi a questo 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

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

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 .