Framework di Deep Learning per la Previsione Continua della Profondità dell'Anestesia
Validazione di un Framework di Deep Learning per la Previsione Continua delle Risposte Farmacodinamiche e delle Traiettorie Fisiologiche Durante l'Anestesia Generale
L'integrazione dell'Intelligenza Artificiale (IA) in anestesiologia offre il potenziale di trasformare il monitoraggio dei pazienti da reattivo a predittivo. Le architetture di deep learning, in particolare le reti Long Short-Term Memory (LSTM), eccellono nell'elaborare dati complessi di serie temporali per prevedere futuri stati clinici.
Mentre i modelli PK/PD standard (come l'avanzato modello Eleveld per Propofol e Remifentanil) stimano le concentrazioni del farmaco nel sito target (Ce), non tengono conto delle risposte dinamiche in tempo reale specifiche del paziente. Questo studio mira a implementare un framework di IA progettato per prevedere futuri stati fisiologici.
Panoramica dello studio
Stato
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Contatto studio
- Nome: Hugo Carvalho, MD, PhD
- Numero di telefono: +32 50 45 24 19
- Email: hugo.nogueiracarvalho@azsintjan.be
Luoghi di studio
-
-
-
Bruges, Belgio, 8000
- AZ Sint-Jan AV
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criteri di inclusione:
- Pazienti programmati per intervento chirurgico elettivo che richiede anestesia generale.
- Procedure che richiedono il monitoraggio continuo della profondità dell'anestesia (BIS).
Criteri di esclusione:
- Procedure in cui il piano anestetico primario non prevede la registrazione continua di dati elettronici.
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
|---|
|
Prospettico
Cohort Prospettica
|
|
Retrospettivo
Cohort Retrospettiva
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Errore di calibrazione del cono di incertezza predittiva
Lasso di tempo: Continuo - Perioperatorio
|
Errore di calibrazione del cono di incertezza predittivo - L'errore di calibrazione del cono di incertezza predittivo è la discrepanza tra il livello di confidenza dichiarato da un modello (ad esempio, la previsione che il 95% dei valori futuri rientrerà in un intervallo specifico) e la frequenza effettiva con cui i valori reali si collocano effettivamente all'interno di quel confine predetto.
|
Continuo - Perioperatorio
|
|
Errore Assoluto Medio (MAE)
Lasso di tempo: Continuo - perioperatorio
|
Errore Medio Assoluto (MAE)
|
Continuo - perioperatorio
|
|
Precisione della tendenza
Lasso di tempo: Continuo - perioperatorio
|
L'accuratezza della tendenza misura la capacità di un modello predittivo di prevedere correttamente la direzione futura e il tasso di variazione di una variabile (ad esempio se la profondità dell'anestesia di un paziente si sta attivamente riducendo o aumentando), indipendentemente dall'errore numerico assoluto in un singolo momento.
|
Continuo - perioperatorio
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Errore Quadratico Medio (RMSE)
Lasso di tempo: Continuo - perioperatorio
|
Errore Quadratico Medio (RMSE)
|
Continuo - perioperatorio
|
Collaboratori e investigatori
Sponsor
Collaboratori
Studiare le date dei record
Studia le date principali
Inizio studio (Stimato)
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 (Effettivo)
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
- AIBIS
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 .