스마트워치 및 스마트링 센서 데이터를 활용한 딥러닝 모델을 통한 외과 환자의 병원 재입원 예측
스마트워치와 스마트링 센서 데이터를 활용한 딥러닝 모델로 수술 환자의 병원 재입원 예측
병원 재입원은 의료 서비스의 질과 안전성을 측정하는 중요한 지표입니다. 이러한 사건은 비용을 증가시키고 회복 기간을 연장하며 더 심각한 수술 후 합병증을 초래할 수 있어 환자, 가족 및 의료 시스템에 상당한 부담을 줍니다. 많은 합병증이 무증상으로 시작되어 일상적인 임상 평가에서 쉽게 식별되지 않기 때문에 어떤 환자가 재입원 위험이 더 높은지 예측하는 것은 여전히 어렵습니다.
이 연구는 수술 전후에 수집된 생리학적 및 행동 데이터를 분석하여 인공 지능(AI)이 수술 환자의 병원 재입원을 예측하는 데 도움이 될 수 있는지 평가하는 것을 목표로 합니다. 이를 위해 참가자는 심박수, 심전도(ECG), 산소 포화도, 수면 패턴, 혈압 추세, 생체 임피던스를 통한 체성분, 스트레스 지표와 같은 건강 바이오마커를 지속적으로 모니터링할 수 있는 웨어러블 장치, 특히 스마트워치와 스마트 링을 사용할 것입니다. 이러한 장치는 삼성의 기술 파트너십과 스폰서십을 통해 제공되며, 이 연구를 고급 건강 기술로 지원합니다.
이것은 아마조나스 주의 주요 3차 병원에서 진행되는 전향적 단일 기관 코호트 연구입니다. 약 225명에서 300명의 중대형 선택적 수술을 받는 성인이 25개월 동안 참여하도록 초대될 것입니다. 모든 참가자는 사전 동의서를 제공할 것입니다. 등록 후, 연구는 인구통계학적 정보, 수술 전 평가, 검증된 수면 설문지, Charlson 동반이환 지수와 같은 동반이환 지수, 실험실 검사, 폐 기능 검사, 수술 중 및 수술 후 데이터, 병원 퇴원 정보를 수집할 것입니다.
참가자는 병원 체류 기간 동안(해당되는 경우 중환자실에서의 첫 48시간 포함) 및 병원 퇴원 후 30일 동안 웨어러블 장치를 사용하여 지속적으로 모니터링될 것입니다. 이러한 생리학적 데이터는 임상 및 실험실 정보와 통합되어 포괄적인 데이터 세트를 생성할 것입니다.
주요 목표는 선택적 수술 후 30일 병원 재입원을 예측할 수 있는 인공 지능 모델을 개발하고 테스트하는 것입니다. 딥러닝 접근법과 고전적인 머신러닝 기법 모두 평가될 것입니다. 대량의 연속 생리학적 데이터를 분석함으로써, 이러한 모델은 그렇지 않으면 눈에 띄지 않을 수술 후 악화의 초기 징후를 식별할 수 있습니다.
성공한다면, 이 연구는 수술 후 치료를 개선하고, 더 빠른 임상 개입을 지원하며, 합병증을 줄이고, 의료 팀이 수술 환자에게 더 안전한 회복 경로를 제공하는 데 도움이 될 수 있습니다.
연구 개요
상태
정황
상세 설명
병원 재입원은 특히 수술 후 환경에서 의료 서비스 품질의 주요 지표로 잘 확립되어 있습니다. 계획되지 않은 재입원은 완전히 예측되지 않거나 적절히 관리되지 않은 합병증을 반영하는 경우가 많아, 의료 시스템에 상당한 재정적 및 임상적 부담을 생성합니다. 미국에서는 2018년에 30일 이내에 380만 건의 성인 재입원이 발생했으며, 평균 비용은 건당 US$15,200입니다. 브라질에서도 유사하게 높은 재입원률이 보고되었으며, 22,000건 이상의 입원 중 13.4%가 재방문으로 이어졌는데, 이는 주로 병원 감염, 폐쇄성 수면 무호흡증 및 심장 부정맥 때문이었습니다. 폐쇄성 수면 무호흡증을 포함한 수면 장애는 수술 후 합병증 및 재입원의 가장 중요한 원인 중 하나입니다. 이들은 회복을 지연시키고 통증 민감성을 증가시키며 인지 기능을 손상시키고 심혈관 위험을 높입니다. 고혈압, 당뇨병 및 고지혈증과 같은 혈관성 동반 질환은 허혈성 사건의 가능성을 높이고 상처 치유를 저해하며 호흡 불안정성을 유발하여 결과를 더욱 악화시킵니다. 생리적, 행동적 및 수면 관련 변수가 상호 작용하여 수술 후 회복에 영향을 미치는 방식을 이해하는 것은 조기 발견 및 예방 전략을 설계하는 데 필수적입니다.
인공 지능(AI)은 여러 수술 분야에서 임상 악화를 예측하고 고위험 환자를 식별하는 데 점점 더 유망한 가능성을 보여주고 있습니다. 26개 연구에 대한 최근 체계적 검토에 따르면, 자연어 처리, 고전적 기계 학습 알고리즘 및 딥 러닝 방법을 포함한 AI 기반 모델이 대수술 후 병원 재입원을 정확하게 예측할 수 있음을 입증했습니다. 그러나 대부분의 이용 가능한 데이터 세트는 웨어러블 장치에서 실시간으로 수집된 수술 전, 수술 중, 수술 후 및 연속 생리 신호를 결합하지 않아 문헌상 주요 격차를 나타냅니다. 이 전향적 코호트 연구는 웨어러블 장치(특히 스마트워치 및 스마트 링)에서 캡처한 고해상도 생리 및 행동 데이터를 통합된 수술 전후 데이터베이스에 통합하여 이러한 격차를 해결하는 것을 목표로 하며, 수술 후 30일 이내의 계획되지 않은 병원 재입원을 예측할 수 있는 AI 모델을 개발하는 포괄적인 목표를 가지고 있습니다.
이 연구는 중간 규모에서 대규모의 선택적 수술을 받는 환자의 포괄적 데이터베이스를 구축하고, 수술 전후 기간 동안 웨어러블 및 다중 매개변수 모니터에서 생리 및 행동 데이터를 캡처하는 것을 목표로 하며, 필요 시 중환자실 첫 48시간 동안의 연속 모니터링을 포함합니다. 데이터 수집에는 CETELI/UFAM에서 개발한 웹 기반 인터페이스를 통한 연속 웨어러블 모니터링, 수술 전후 임상 평가, 검사실 검사, 영상 연구, 폐 기능 평가, 수면 다원 검사 및 검증된 수면 설문지가 포함됩니다. 이 연구는 스마트워치 및 스마트 링에서 파생된 생리 및 수면 관련 변수와 병원 재입원 위험 간의 상관 관계를 평가할 것입니다.
또한, 이 연구는 수술 전후 데이터 캡처를 위한 스마트워치 및 스마트 링 사용 애플리케이션을 개발하고, 인과 합성곱 신경망 및 순환 신경망과 같은 딥 아키텍처뿐만 아니라 지원 벡터 머신 및 의사 결정 트리와 같은 고전적 방법을 포함한 기계 학습 접근법을 활용하여 병원 재입원을 예측할 것입니다. 웨어러블 기반 수면 매개변수와 30일 재입원 위험 간의 연관성을 분석하고, 수술 전후 수면 데이터를 수면 다원 검사 및 설문지 결과와 상관 관계를 지으며, 수술 전과 수술 후 기간 간의 수면 품질을 비교할 것입니다.
이 연구는 Getúlio Vargas 대학 병원(HUGV-UFAM/Ebserh)과 전자 및 정보 기술 연구 개발 센터(CETELI/UFAM) 간의 다학제적 협력을 통해 수행됩니다. CETELI은 데이터 수집 소프트웨어, 저장 아키텍처 및 예측 알고리즘 개발을 담당하고, 임상 감독, 모집 및 프로토콜 실행은 HUGV가 주도할 것입니다.
과학적 관련성 외에도 이 프로젝트는 상당한 실용적 중요성을 가지고 있습니다. 아마존과 같은 지리적으로 복잡한 지역에서 웨어러블 장치를 사용한 연속 원격 모니터링은 추적 관찰을 강화하고, 수술 후 치료 접근의 격차를 줄이며, 합병증을 더 일찍 식별할 수 있게 할 수 있습니다. AI 기반 예측 모델을 병원 워크플로우에 통합하면 궁극적으로 비용을 절감하고 환자 흐름을 최적화하며 수술 치료의 안전성과 품질을 향상시킬 수 있습니다.
연구 유형
등록 (추정된)
연락처 및 위치
연구 연락처
- 이름: Robson Luís Oliveira de Amorim, PhD
- 전화번호: +55 92 99403-4101
- 이메일: robsonamorim@ufam.edu.br
연구 연락처 백업
- 이름: Maria Elizete de Almeida Araújo, Doctor of Health Science- DHSc
- 전화번호: +55 92 99114-3693
- 이메일: elizetemanaus@ufam.edu.br
연구 장소
-
-
Amazonas
-
Manaus, Amazonas, 브라질, 69020-170
- 모병
- Getúlio Vargas University Hospital
-
연락하다:
- Plinío José Cavalcante Monteiro
- 전화번호: +55 (92) 3305-4813
- 이메일: plinio.monteiro@ebserh.gov.br
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준:
- 18세 이상의 성인;
- HUGV에서 중간 및/또는 대형 선택적 수술을 위한 입원;
- 설문지에 답변하고 연구를 위해 웨어러블 기기를 사용할 수 있는 충분한 이해력을 가진 의식이 있고 방향 감각이 있는 환자;
- 웨어러블 기술 사용에 대한 최소한의 기술을 보유;
- 정보 제공 동의서(ICF)에 서명함으로써 자발적으로 연구에 참여하기로 동의한 환자.
비포함 기준:
- 웨어러블 센서가 위치한 손목 또는 손가락 부위에 영향을 미치는 문신 또는 기타 피부 상태(백반증, 루푸스, 아토피 피부염 등의 피부 질환 또는 피부 병리)의 존재;
- 웨어러블(스마트워치 및 스마트링)의 재료에 대한 모든 정도의 민감성 또는 알레르기 반응의 존재;
- 임산부 및 수유부;
- 페이스메이커, 제세동기, 재동기화 장치와 같은 이식형 심장 장치를 가진 참가자;
- 약물 남용 참가자;
제외 기준:
- 수술 전 심각한 의학적 상태 및 비보상;
- 퇴원 전 사망하는 환자;
- 예상되는 수술 후 입원 기간이 10일 이상인 환자.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
30일 병원 재입원
기간: 수술 후 30일 이내
|
중대형 수술 절차 후 퇴원 30일 이내의 예정되지 않은 병원 재입원 발생.
결과는 이분법적입니다(예/아니오).
|
수술 후 30일 이내
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
입원 기간
기간: 입원부터 퇴원까지, 수술 후 10일까지
|
수술 후 입원부터 퇴원까지의 총 일수.
|
입원부터 퇴원까지, 수술 후 10일까지
|
|
재수술 필요성
기간: 수술 후 최대 30일 동안
|
입원 중 또는 수술 후 30일 이내에 필요한 모든 외과적 재개입.
|
수술 후 최대 30일 동안
|
|
수술 부위 감염이 발생한 참가자 수
기간: 수술 후 최대 30일(또는 더 빠른 경우 퇴원 시까지)
|
수술 후 최대 30일(또는 더 빠른 경우 퇴원 시까지)
|
|
|
30일 사망률
기간: 수술 후 최대 30일
|
수술 후 30일 이내에 발생하는 모든 원인에 의한 사망.
|
수술 후 최대 30일
|
|
피츠버그 수면의 질 지수(PSQI) 총점으로 평가된 주관적 수면의 질
기간: 입원 2일 전의 수술 전 기준치와 퇴원 후 14일의 수술 후 추적 관찰.
|
주관적 수면 질은 피츠버그 수면 질 지수(PSQI) 총점을 사용하여 평가되며, 점수 범위는 0부터 21까지이고, 점수가 높을수록 수면 질이 더 나쁨을 나타냅니다.
|
입원 2일 전의 수술 전 기준치와 퇴원 후 14일의 수술 후 추적 관찰.
|
|
불면증 심각도 지수(ISI) 총점으로 평가된 불면증 심각도
기간: 수술 전 기준(입원 2일 전) 및 퇴원 후 14일 후의 수술 후 추적 관찰.
|
불면증 심각도는 0점에서 28점까지 범위를 가지며, 점수가 높을수록 불면증이 더 심각함을 나타내는 불면증 심각도 지수(ISI) 총점을 사용하여 평가됩니다.
|
수술 전 기준(입원 2일 전) 및 퇴원 후 14일 후의 수술 후 추적 관찰.
|
|
목, 비만, 코골이, 나이, 성별(NoSAS) 점수로 평가한 수면무호흡증 위험
기간: 수술 전 기준(입원 2일 전) 및 퇴원 후 14일 후의 수술 후 추적 관찰.
|
수면 장애 호흡의 위험은 0부터 17까지의 범위를 가지며, 점수가 높을수록 수면 장애 호흡의 위험이 높음을 나타내는 Neck, Obesity, Snoring, Age, Sex (NoSAS) 점수를 사용하여 평가됩니다.
|
수술 전 기준(입원 2일 전) 및 퇴원 후 14일 후의 수술 후 추적 관찰.
|
|
에프워스 수면경향성 척도(ESS) 총점으로 평가된 주간 졸림증
기간: 수술 전 기준(입원 2일 전) 및 퇴원 후 14일의 수술 후 추적 관찰.
|
주간 졸림증은 0점에서 24점까지의 범위를 가지며, 점수가 높을수록 주간 졸림증이 더 심함을 나타내는 Epworth Sleepiness Scale(ESS) 총점을 사용하여 평가됩니다.
|
수술 전 기준(입원 2일 전) 및 퇴원 후 14일의 수술 후 추적 관찰.
|
|
다기능수면다원검사로 평가된 총 수면 시간
기간: 입원 2일 전의 수술 전 기준선과 퇴원 후 14일의 수술 후 추적 관찰.
|
야간 다중수면기록을 사용하여 측정한 총 수면 시간(분 단위).
|
입원 2일 전의 수술 전 기준선과 퇴원 후 14일의 수술 후 추적 관찰.
|
|
다중수면도검사로 평가된 수면 효율
기간: 수술 전 기준(입원 2일 전) 및 퇴원 후 14일 후의 수술 후 추적 관찰
|
수면 효율은 야간 다원수면검사(PSG)를 통해 백분율(%)로 측정됩니다.
|
수술 전 기준(입원 2일 전) 및 퇴원 후 14일 후의 수술 후 추적 관찰
|
|
다원수면검사를 통해 평가된 수면 잠복기
기간: 입원 전 기저 상태(입원 2일 전)와 퇴원 후 14일의 수술 후 추적 관찰.
|
야간 다원수면검사를 이용하여 측정된 수면 잠복기(분 단위).
|
입원 전 기저 상태(입원 2일 전)와 퇴원 후 14일의 수술 후 추적 관찰.
|
|
다중수면도검사로 측정한 수면 시작 후 각성
기간: 입원 2일 전의 수술 전 기준선 및 퇴원 후 14일의 수술 후 추적 관찰.
|
야간 다원수면검사를 이용하여 측정한 수면 중 각성 후 시간(분 단위).
|
입원 2일 전의 수술 전 기준선 및 퇴원 후 14일의 수술 후 추적 관찰.
|
|
다중수면도검사를 통한 무호흡-저호흡 지수 평가
기간: 입원 전 기준점(입원 2일 전) 및 퇴원 후 14일 추적 관찰.
|
무호흡-저호흡 지수(AHI)는 야간 수면다원검사를 사용하여 수면 시간당 사건 수로 측정됩니다.
높은 값은 더 심각한 수면 관련 호흡 장애를 나타냅니다.
|
입원 전 기준점(입원 2일 전) 및 퇴원 후 14일 추적 관찰.
|
공동 작업자 및 조사자
수사관
- 연구 책임자: Maria Elizete de Almeida Araújo, Doctor of Health Science, Getúlio Vargas University Hospital
- 연구 책임자: Marly Guimarães Fernandes Costa, Federal University of Amazonas
- 수석 연구원: Robson Luís Oliveira de Amorim, Getúlio Vargas University Hospital
- 연구 의자: Caio Eduardo Rodrigues Falcão, Getúlio Vargas University Hospital
- 연구 의자: Cícero Ferreira Fernandes Costa Filho, Federal University of Amazonas
- 연구 의자: José Corrêa Lima Netto, Getúlio Vargas University Hospital
- 연구 의자: Francisco de Assis Pereira Januário, Federal University of Amazonas
간행물 및 유용한 링크
일반 간행물
- Hegab Z, Gibbons S, Neyses L, Mamas MA. Role of advanced glycation end products in cardiovascular disease. World J Cardiol. 2012 Apr 26;4(4):90-102. doi: 10.4330/wjc.v4.i4.90.
- Bertolazi AN, Fagondes SC, Hoff LS, Dartora EG, Miozzo IC, de Barba ME, Barreto SS. Validation of the Brazilian Portuguese version of the Pittsburgh Sleep Quality Index. Sleep Med. 2011 Jan;12(1):70-5. doi: 10.1016/j.sleep.2010.04.020. Epub 2010 Dec 9.
- Iucif N Jr, Rocha JS. [Study of inequalities in hospital mortality using the Charlson comorbidity index]. Rev Saude Publica. 2004 Dec;38(6):780-6. doi: 10.1590/s0034-89102004000600005. Epub 2004 Dec 10. Portuguese.
- Bertolazi AN, Fagondes SC, Hoff LS, Pedro VD, Menna Barreto SS, Johns MW. Portuguese-language version of the Epworth sleepiness scale: validation for use in Brazil. J Bras Pneumol. 2009 Sep;35(9):877-83. doi: 10.1590/s1806-37132009000900009. English, Portuguese.
- Majumder S, Mondal T, Deen MJ. Wearable Sensors for Remote Health Monitoring. Sensors (Basel). 2017 Jan 12;17(1):130. doi: 10.3390/s17010130.
- Vistoli G, De Maddis D, Cipak A, Zarkovic N, Carini M, Aldini G. Advanced glycoxidation and lipoxidation end products (AGEs and ALEs): an overview of their mechanisms of formation. Free Radic Res. 2013 Aug;47 Suppl 1:3-27. doi: 10.3109/10715762.2013.815348.
- Psotka MA, Fonarow GC, Allen LA, Joynt Maddox KE, Fiuzat M, Heidenreich P, Hernandez AF, Konstam MA, Yancy CW, O'Connor CM. The Hospital Readmissions Reduction Program: Nationwide Perspectives and Recommendations: A JACC: Heart Failure Position Paper. JACC Heart Fail. 2020 Jan;8(1):1-11. doi: 10.1016/j.jchf.2019.07.012. Epub 2019 Oct 9.
- Jencks SF, Williams MV, Coleman EA. Rehospitalizations among patients in the Medicare fee-for-service program. N Engl J Med. 2009 Apr 2;360(14):1418-28. doi: 10.1056/NEJMsa0803563.
- Duarte RL, Magalhaes-da-Silveira FJ, Oliveira-E-Sa TS, Silva JA, Mello FC, Gozal D. Obstructive Sleep Apnea Screening with a 4-Item Instrument, Named GOAL Questionnaire: Development, Validation and Comparative Study with No-Apnea, STOP-Bang, and NoSAS. Nat Sci Sleep. 2020 Jan 23;12:57-67. doi: 10.2147/NSS.S238255. eCollection 2020.
- Yanagimori M, Fernandes MD, Grad GF, Monare AB, Garcia BMSP, Rosanelli I, Mariano PMMS, Drummond SPA, O'Driscoll DM, Edwards BA, Lorenzi-Filho G, Genta PR. Abbreviated versions of the insomnia severity index to screen for comorbid insomnia among obstructive sleep apnea patients. Sleep Med. 2025 Feb;126:19-24. doi: 10.1016/j.sleep.2024.11.035. Epub 2024 Nov 26.
- Atzeni IM, van de Zande SC, Westra J, Zwerver J, Smit AJ, Mulder DJ. The AGE Reader: A non-invasive method to assess long-term tissue damage. Methods. 2022 Jul;203:533-541. doi: 10.1016/j.ymeth.2021.02.016. Epub 2021 Feb 23.
- Amorim RL, Oliveira LM, Malbouisson LM, Nagumo MM, Simoes M, Miranda L, Bor-Seng-Shu E, Beer-Furlan A, De Andrade AF, Rubiano AM, Teixeira MJ, Kolias AG, Paiva WS. Prediction of Early TBI Mortality Using a Machine Learning Approach in a LMIC Population. Front Neurol. 2020 Jan 24;10:1366. doi: 10.3389/fneur.2019.01366. eCollection 2019.
- Hale AT, Stonko DP, Lim J, Guillamondegui OD, Shannon CN, Patel MB. Using an artificial neural network to predict traumatic brain injury. J Neurosurg Pediatr. 2019 Feb 1;23(2):219-226. doi: 10.3171/2018.8.PEDS18370. Epub 2018 Nov 2.
- Fares MY, Liu HH, da Silva Etges APB, Zhang B, Warner JJP, Olson JJ, Fedorka CJ, Khan AZ, Best MJ, Kirsch JM, Simon JE, Sanders B, Costouros JG, Zhang X, Jones P, Haas DA, Abboud JA; Avant-Garde Health and Codman Society Value-Based Care Group. Utility of Machine Learning, Natural Language Processing, and Artificial Intelligence in Predicting Hospital Readmissions After Orthopaedic Surgery: A Systematic Review and Meta-Analysis. JBJS Rev. 2024 Aug 22;12(8). doi: 10.2106/JBJS.RVW.24.00075. eCollection 2024 Aug 1.
- Shameer K, Johnson KW, Yahi A, Miotto R, Li LI, Ricks D, Jebakaran J, Kovatch P, Sengupta PP, Gelijns S, Moskovitz A, Darrow B, David DL, Kasarskis A, Tatonetti NP, Pinney S, Dudley JT. PREDICTIVE MODELING OF HOSPITAL READMISSION RATES USING ELECTRONIC MEDICAL RECORD-WIDE MACHINE LEARNING: A CASE-STUDY USING MOUNT SINAI HEART FAILURE COHORT. Pac Symp Biocomput. 2017;22:276-287. doi: 10.1142/9789813207813_0027.
- Min X, Yu B, Wang F. Predictive Modeling of the Hospital Readmission Risk from Patients' Claims Data Using Machine Learning: A Case Study on COPD. Sci Rep. 2019 Feb 20;9(1):2362. doi: 10.1038/s41598-019-39071-y.
- Rumalla K, Srinivasan VM, Gaddis M, Kan P, Lawton MT, Burkhardt JK. Readmission following extracranial-intracranial bypass surgery in the United States: nationwide rates, causes, risk factors, and volume-driven outcomes. J Neurosurg. 2020 Nov 6;135(2):431-439. doi: 10.3171/2020.6.JNS202117. Print 2021 Aug 1.
- Silva RAGE, Borgomoni GB, de Freitas FL, Maia ADS, Farias do Vale Junior C, Pereira EDS, Silvestre LGI, Dallan LRP, Lisboa LA, Dallan LAO, Jatene FB, Mejia OAV; grupo de estudos REPLICCAR. Predictors of 30-Day Hospital Readmission Following CABG in a Multicenter Database: A Cross-Sectional Study. Arq Bras Cardiol. 2024 Sep 6;121(9):e20230768. doi: 10.36660/abc.20230768. eCollection 2024. English, Portuguese.
- Scalzitti NJ, O'Connor PD, Nielsen SW, Aden JK, Brock MS, Taylor DM, Mysliwiec V, Dion GR. Obstructive Sleep Apnea is an Independent Risk Factor for Hospital Readmission. J Clin Sleep Med. 2018 May 15;14(5):753-758. doi: 10.5664/jcsm.7098.
- Lan T, Liao YH, Zhang J, Yang ZP, Xu GS, Zhu L, Fan DM. Mortality and Readmission Rates After Heart Failure: A Systematic Review and Meta-Analysis. Ther Clin Risk Manag. 2021 Dec 7;17:1307-1320. doi: 10.2147/TCRM.S340587. eCollection 2021.
- Li Z, Armstrong EJ, Parker JP, Danielsen B, Romano PS. Hospital variation in readmission after coronary artery bypass surgery in California. Circ Cardiovasc Qual Outcomes. 2012 Sep 1;5(5):729-37. doi: 10.1161/CIRCOUTCOMES.112.966945. Epub 2012 Sep 4.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (추정된)
연구 완료 (추정된)
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
- 91090825.8.0000.5020
- Convênio No 03/2025 (기타 보조금/기금 번호: SAMSUNG ELETRÔNICA DA AMAZONIA)
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
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. .