수술 전기도 평가에 사용되는 인체 측정 및 초음파 측정을 사용하여 인공 지능 지원 시스템으로 어려운 삽관의 예측 가능성 평가
연구 개요
상태
정황
상세 설명
어려운 삽관, 특히 예측할 수없는 어려운 삽관은 모든 마취 전문의에게 어려운 시나리오입니다. 처음에 일상적인기도 관리에 적합한 것으로 평가 된 환자는 사례의 5% 내지 22%에서 삽관하기 어려운 것으로 나타날 수 있습니다. 기도 관리의 실패는 심각한 이환율과 사망률을 초래할 수 있으므로 어려운기도의 정확한 평가 및 관리가 중요합니다.
기도 평가는 예측 가능한 어려운기도를 식별하는 데 도움이되지만 여전히 예측할 수없는 어려운 삽관을 경험할 수있는 정상적인 임상 평가 환자를 배제하지는 않습니다. 기도 검사의 주요 목표는 상부기도 병리 또는 해부학 적 이상을 감지하는 것입니다. 몇 가지 물리적 특성은 제한된 목 이동성, 코골이, 짧은 흉골 거리 및 목 둘레를 포함하여 어려운기도 및 삽관 실패와 관련이 있습니다.
Mallampati 분류 및 상부 입술 물린 검사와 같은 일반적인기도 평가 도구는 환자 협력이 필요하며, 이는 진정, 외상 또는 응답이없는 환자의 적용 가능성을 제한합니다. 직접 후두경 과정에서 사용되는 Cormack-Lehane 분류는 침습적이며 전차 준비를 허용하지 않습니다. 이러한 맥락에서, 비 침습적, 침대 옆, 신속하고 접근 가능한 초음파 평가 및 인체 측정은 어려운기도를 예측하는 데 중요성을 얻었습니다.
기술 발전을 통해 의사 결정 지원 시스템 및 인공 지능 (AI) 지원 응용 프로그램이 악영향을 막기 위해 점점 더 많이 사용됩니다. 빠른 의사 결정이 필수적인 고위험 환자의 경우 성공적인기도 관리가 특히 중요합니다. AI 기반 학습 프로그램과 통합 된 쉽게 접근 할 수있는 침대 옆, 비 침습적 초음파 측정은 사전에 어려운 삽관을 예측할 수있는 잠재력을 가지고 있습니다. 이를 통해 조기 준비,시기 적절한 중재 및 생명을 위협하는 위험의 감소가 가능합니다.
이 연구에서, 리사 러는 침습적 절차를 필요로하지 않고 AI-ASSISTED 의사 결정 지원 프로그램과 결합 된 비 침습적 인체 및 초음파기도 측정을 사용하여 수술 전 어려운 삽관을 예측하는 것을 목표로했다.
우리의 가설은 AI 기반 의사 결정 지원 프로그램에 의해 지원되는 인체 및 초음파 측정을 통한 수술 전기도 평가가 어려운 삽관을 정확하게 예측하고 조기 준비를 촉진 할 수 있다는 것입니다.
연구 유형
등록 (실제)
연락처 및 위치
연구 장소
-
-
-
Duzce, 칠면조
- Duzce University
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준 :
- 18 세 이상의 환자
- 전신 마취를받는 환자
제외 기준 :
- 임산부
- 선천성 및/또는 획득 한 안면 기형이있는 사람들
- 이전에 상부 넥기도 수술을받은 환자
- 두 경부 종양 환자
- 갑상선 절제술을받는 환자
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
전신 마취를받는 18 세에서 20 세 사이의 환자
18 세 이상의 ASA I-III 환자는 전신 마취를 겪는 포함 기준을 충족합니다.
|
환자가 중립 위치에있을 때 줄무늬가있는 턱과 갑상선 연골 사이의 거리는
환자가 중립 위치에있을 때 줄무늬가있는 목 둘레 측정
환자가 중성 위치에있을 때 입구 개구부가 최대 인 지점에서 상부와 하부 사이의 거리는 최대입니다.
초음파 촬영에 의한 중성 위치에서 목을 가진 멘텀에서 hyoid 뼈까지의 거리
멘텀에서 하이오이드 뼈까지의 초음파 측정은 선서
피부와 기관 사이의 거리의 초음파 측정
초음파 검사에 의해 측정 된 피부와 에그로 할로 티 사이의 거리
초음파 검사에 의해 측정 된 보컬의 피부와 전방 커미셔너 사이의 거리
초음파 검사에 의해 측정 된 피부와 hyoid 뼈 사이의 거리
초음파 촬영에 의한 최대 혀 두께 측정
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
예측 어려운 삽관에서 정확도의 지원 벡터 머신 알고리즘 비율
기간: 각 환자의 초음파 및 인체 측정에 약 20 분이 걸렸습니다. 각 환자의 기계 학습 추정치는 약 1 분입니다.
|
어려운 삽관의 전문가 평가에 기초한 라벨이 붙은 데이터 세트는 8 개의 널리 허용되는 기계 학습 알고리즘을 사용하여 분류되었습니다 : 로지스틱 회귀 (LR) [6],지지 벡터 머신 (SVM) [7], 랜덤 포레스트 (RF) [8], K-Nearest Neighbors (9], Gaussian Naive Bayes [11], xgboost [11], xgboost [11], xgboost. 나무 (DT) [13].
원래 30 개의 매개 변수로부터, 가장 영향력있는 15 가지 기능은 특징 추출 방법 및 문헌 관련성을 기반으로 선택되었습니다.
전처리 단계에는 불완전한 레코드가 제외 된 결 측값 처리가 포함되었습니다.
데이터 세트는 훈련 (80%) 및 테스트 (20%) 세트로 분할되었습니다.
모델은 훈련 세트에 대한 교육을 받았으며, 과정을 피하기 위해 5 배 교차 검증을 통해 초과 파라미터 튜닝이 수행되었습니다.
최종 모델 성능은 독립 테스트 세트에서 평가되었습니다.
|
각 환자의 초음파 및 인체 측정에 약 20 분이 걸렸습니다. 각 환자의 기계 학습 추정치는 약 1 분입니다.
|
공동 작업자 및 조사자
스폰서
수사관
- 수석 연구원: Gizem DEMIR SENOGLU, Duzce University
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
- 2022/65
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
미국에서 제조되어 미국에서 수출되는 제품
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .
갑상선 거리에 대한 임상 시험
-
Duke UniversityJohns Hopkins University; The Hartwell Foundation완전한