- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT06245694
ANALISI PREDITTIVA E AVANZATA IN MEDICINA D'EMERGENZA - DEFICIT NEUROLOGICI (PAN-EM-NEURO)
La futura modellizzazione predittiva nella medicina d’urgenza combinerà probabilmente l’uso di un’ampia gamma di dati come documentazione continua, monitoraggio tramite dispositivi indossabili, imaging, biomarcatori e dati amministrativi in tempo reale di tutti gli operatori sanitari coinvolti. I successivi estesi set di dati potrebbero alimentare algoritmi avanzati di deep learning e reti neurali per prevedere con precisione il rischio di specifiche condizioni di salute. Inoltre, l’analisi predittiva orienta verso lo sviluppo di percorsi clinici adattivi e continuamente aggiornati, in cui il processo decisionale sanitario è supportato da sofisticati algoritmi per fornire la migliore linea d’azione in modo efficace e sicuro. Il potenziale dell’analisi predittiva di rivoluzionare molti aspetti dell’assistenza sanitaria sembra chiaro all’orizzonte. Le informazioni sull’uso in medicina d’urgenza sono scarse.
Il nostro obiettivo è valutare le prestazioni dell'utilizzo di dati di routine per prevedere l'utilizzo delle risorse nella medicina d'urgenza utilizzando il sintomo comunemente riscontrato del deficit neurologico acuto. In prospettiva, questo potrebbe servire da prototipo per altri progetti simili che utilizzano dati medici di routine per l’analisi predittiva nella medicina d’urgenza.
Panoramica dello studio
Stato
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Contatto studio
- Nome: Jan Niederdöckl, MD
- Numero di telefono: 0042 40 400 19640
- Email: jan.niederdoeckl@meduniwien.ac.at
Luoghi di studio
-
-
-
Vienna, Austria, 1090
- Reclutamento
- Emergency Department, Medical University Vienna
-
Contatto:
- Jan Niederdöckl, Dr.
- Email: jan.niederdoeckl@medunwien.ac.at
-
Contatto:
- Alexander Simon, Dr.
- Email: alexander.simon@medunwien.ac.at
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Analisi retrospettiva dei dati raccolti abitualmente. Il nostro obiettivo è trovare modelli di dati associati all'utilizzo delle risorse ospedaliere di pazienti ricoverati presso servizi medici di emergenza per sospetto deficit neurologico acuto.
Utilizzeremo solo le informazioni provenienti dal sistema di documentazione medica elettronica di routine per questo studio. Non verrà eseguito alcun collegamento ad altri set di dati. I dati nel sistema includono dati demografici del paziente, sintomi iniziali, segni vitali e punteggi preospedalieri, diagnosi sospetta da parte dei servizi medici di emergenza, segni vitali e punteggi intraospedalieri, procedure diagnostiche intraospedaliere (tomografia computerizzata, TC, risonanza magnetica per immagini) e terapeutiche (intervento con catetere) e diagnosi finale. Vedi 'variabili' per un set completo di variabili.
Ai fini di questo studio, verrà utilizzato solo un set di dati completamente pseudonomizzato.
Descrizione
Criterio di inclusione:
- Soggetti femminili e maschili
- Età ≥ 18 anni
Criteri di esclusione:
- nessuno
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Modello di previsione
Lasso di tempo: 1.1.2025
|
essere sviluppato
|
1.1.2025
|
Collaboratori e investigatori
Sponsor
Pubblicazioni e link utili
Pubblicazioni generali
- Goyal M, Menon BK, van Zwam WH, Dippel DW, Mitchell PJ, Demchuk AM, Davalos A, Majoie CB, van der Lugt A, de Miquel MA, Donnan GA, Roos YB, Bonafe A, Jahan R, Diener HC, van den Berg LA, Levy EI, Berkhemer OA, Pereira VM, Rempel J, Millan M, Davis SM, Roy D, Thornton J, Roman LS, Ribo M, Beumer D, Stouch B, Brown S, Campbell BC, van Oostenbrugge RJ, Saver JL, Hill MD, Jovin TG; HERMES collaborators. Endovascular thrombectomy after large-vessel ischaemic stroke: a meta-analysis of individual patient data from five randomised trials. Lancet. 2016 Apr 23;387(10029):1723-31. doi: 10.1016/S0140-6736(16)00163-X. Epub 2016 Feb 18.
- Desautels T, Calvert J, Hoffman J, Jay M, Kerem Y, Shieh L, Shimabukuro D, Chettipally U, Feldman MD, Barton C, Wales DJ, Das R. Prediction of Sepsis in the Intensive Care Unit With Minimal Electronic Health Record Data: A Machine Learning Approach. JMIR Med Inform. 2016 Sep 30;4(3):e28. doi: 10.2196/medinform.5909.
- Saber H, Somai M, Rajah GB, Scalzo F, Liebeskind DS. Predictive analytics and machine learning in stroke and neurovascular medicine. Neurol Res. 2019 Aug;41(8):681-690. doi: 10.1080/01616412.2019.1609159. Epub 2019 Apr 30.
- Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017 Jun 21;2(4):230-243. doi: 10.1136/svn-2017-000101. eCollection 2017 Dec.
- Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep Learning for Health Informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. doi: 10.1109/JBHI.2016.2636665. Epub 2016 Dec 29.
- Avasarala J. Letter by Avasarala Regarding Article, "2015 AHA/ASA Focused Update of the 2013 Guidelines for the Early Management of Patients With Acute Ischemic Stroke Regarding Endovascular Treatment: A Guideline for Healthcare Professionals From the American Heart Association/American Stroke Association". Stroke. 2015 Nov;46(11):e234. doi: 10.1161/STROKEAHA.115.010716. Epub 2015 Oct 6. No abstract available.
- Badhiwala JH, Nassiri F, Alhazzani W, Selim MH, Farrokhyar F, Spears J, Kulkarni AV, Singh S, Alqahtani A, Rochwerg B, Alshahrani M, Murty NK, Alhazzani A, Yarascavitch B, Reddy K, Zaidat OO, Almenawer SA. Endovascular Thrombectomy for Acute Ischemic Stroke: A Meta-analysis. JAMA. 2015 Nov 3;314(17):1832-43. doi: 10.1001/jama.2015.13767.
- Bauchner H, Golub RM, Fontanarosa PB. Data Sharing: An Ethical and Scientific Imperative. JAMA. 2016 Mar 22-29;315(12):1237-9. doi: 10.1001/jama.2016.2420. No abstract available.
- Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care - Addressing Ethical Challenges. N Engl J Med. 2018 Mar 15;378(11):981-983. doi: 10.1056/NEJMp1714229. No abstract available.
- Chaudhary K, Poirion OB, Lu L, Garmire LX. Deep Learning-Based Multi-Omics Integration Robustly Predicts Survival in Liver Cancer. Clin Cancer Res. 2018 Mar 15;24(6):1248-1259. doi: 10.1158/1078-0432.CCR-17-0853. Epub 2017 Oct 5.
- Christiansen EM, Yang SJ, Ando DM, Javaherian A, Skibinski G, Lipnick S, Mount E, O'Neil A, Shah K, Lee AK, Goyal P, Fedus W, Poplin R, Esteva A, Berndl M, Rubin LL, Nelson P, Finkbeiner S. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell. 2018 Apr 19;173(3):792-803.e19. doi: 10.1016/j.cell.2018.03.040. Epub 2018 Apr 12.
- Cohen IG, Amarasingham R, Shah A, Xie B, Lo B. The legal and ethical concerns that arise from using complex predictive analytics in health care. Health Aff (Millwood). 2014 Jul;33(7):1139-47. doi: 10.1377/hlthaff.2014.0048.
- Heeley E, Anderson CS, Huang Y, Jan S, Li Y, Liu M, Sun J, Xu E, Wu Y, Yang Q, Zhang J, Zhang S, Wang J; ChinaQUEST Investigators. Role of health insurance in averting economic hardship in families after acute stroke in China. Stroke. 2009 Jun;40(6):2149-56. doi: 10.1161/STROKEAHA.108.540054. Epub 2009 Apr 9.
- Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Crit Care Med. 2018 Apr;46(4):547-553. doi: 10.1097/CCM.0000000000002936.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Stimato)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- EK- Nr. 1738/2022
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
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 .