Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Een diepgaande leermethode om moeilijke laryngoscopie te voorspellen met behulp van röntgenfoto's van de cervicale wervelkolom

3 januari 2022 bijgewerkt door: Seoul National University Hospital

Een diepgaande leermethode om moeilijke laryngoscopie te voorspellen met behulp van röntgenfoto's van de cervicale wervelkolom: prospectieve validatiestudie

Een onverwachte moeilijke laryngoscopie gaat gepaard met ernstige luchtweggerelateerde complicaties. De onderzoekers ontwikkelden een op deep learning gebaseerd model dat een moeilijke laryngoscopie (Cormack-Lehane graad 3-4) voorspelt op basis van een laterale röntgenfoto van de cervicale wervelkolom met behulp van gegevens van 14.135 patiënten die een schildklieroperatie ondergingen. Dit model vertoonde uitstekende voorspellende prestaties, die hoger waren dan die van andere deep learning-architecturen. In deze studie valideren de onderzoekers prospectief het model voor het voorspellen van een moeilijke laryngoscopie en vergelijken ze de voorspellende kracht met klinische luchtwegevaluatie.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Het voorspellen van een moeilijkheid van een laryngoscopie is belangrijk voor de veiligheid van de patiënt, aangezien een onverwachte moeilijke laryngoscopie gepaard gaat met ernstige luchtweggerelateerde complicaties, zoals hersenbeschadiging, hartstilstand of overlijden. Hoewel klinische voorspellers, zoals de gemodificeerde Mallampati-classificatie, de thyromentale afstand, de inter-incisor gap en de bovenlipbijttest, worden gebruikt voor luchtwegevaluatie in de klinische praktijk, hebben deze indicatoren een lage gevoeligheid en grote variabiliteit tussen beoordelaars en vereisen ze medewerking van de patiënt. .

De onderzoekers ontwikkelden een op deep learning gebaseerd model dat een moeilijke laryngoscopie voorspelt op basis van een laterale röntgenfoto van de cervicale wervelkolom met behulp van gegevens van 14.135 patiënten die een schildklieroperatie ondergingen. En deze studie wordt ingediend.

Dit deep learning-model presteerde het best bij het voorspellen van moeilijke laryngoscopie in vergelijking met andere deep learning-modellen (VGG-Net, ResNet, Xception, ResNext, DenseNet en SENet) met een sensitiviteit van 95,6%, een specificiteit van 91,2% en een gebied onder ROC-curve (AUROC) van 0,972.

Aangezien het model echter een retrospectief ontwerp was waarbij gebruik werd gemaakt van bestaande medische dossiers, werd de aan- of afwezigheid van ringvormige druk om de optimale laryngoscopie te verkrijgen niet geëvalueerd en niet vergeleken met luchtwegevaluaties.

In deze studie valideren de onderzoekers prospectief het model voor het voorspellen van een moeilijke laryngoscopie en vergelijken ze de voorspellende kracht met klinische luchtwegevaluatie. Als deze prospectieve studie onze resultaten bevestigt, kan deze benadering nuttig zijn bij het verbeteren van de patiëntveiligheid en het voorkomen van luchtweggerelateerde complicaties door middel van objectieve en nauwkeurige luchtwegevaluatie.

Studietype

Observationeel

Inschrijving (Verwacht)

367

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Contact Back-up

Studie Locaties

  • Korea, republiek van
    • Select A State Or Province
      • Seoul, Select A State Or Province, Korea, republiek van, 03080
        • Werving
        • Seoul National University Hospital
        • Contact:

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

18 jaar en ouder (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

Nee

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

Patiënten die een schildklieroperatie ondergaan onder algehele narcose

Beschrijving

Inclusiecriteria:

  • electieve schildklieroperatie onder algehele narcose

Uitsluitingscriteria:

  • leeftijd < 18 jaar
  • geen laterale röntgenfoto van de C-wervelkolom verkregen binnen 3 maanden voor de operatie
  • Patiënt bij wie de veiligheid niet gegarandeerd is bij gebruik van een directe laryngoscoop. (slechte tandheelkundige conditie, risico op nekextensie)
  • Patiënten die niet meewerken aan het lichamelijk onderzoek voor luchtwegevaluatie

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

  • Observatiemodellen: Cohort
  • Tijdsperspectieven: Prospectief

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Het gebied onder de receiver operating-karakteristiek van deep learning-model en luchtwegevaluaties voor het voorspellen van een moeilijke laryngoscopie.
Tijdsspanne: tijdens inductie van anesthesie
Moeilijke definitie van laryngoscopie: Cormack-Lehane graad 3 of 4. Luchtwegevaluaties: inter-incisor gap (millimeter), thyromentale afstand (millimeter), thyromentale hoogte (millimeter), sternomentale afstand (millimeter) en gemodificeerde Mallampati-klasse
tijdens inductie van anesthesie

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Het gebied onder de receiver operating-karakteristiek van deep learning-model en luchtwegevaluaties voor het voorspellen van een moeilijke intubatie.
Tijdsspanne: tijdens inductie van anesthesie
Moeilijke intubatie: Intubation Difficulty Scale (score)
tijdens inductie van anesthesie
Andere Prestaties voor het voorspellen van een moeilijke laryngoscopie van een deep learning-model.
Tijdsspanne: tijdens inductie van anesthesie
sensitiviteit (procent), specificiteit (procent), positieve voorspellende waarde (procent), negatieve voorspellende waarde (procent), F1-score en gebalanceerde nauwkeurigheid.
tijdens inductie van anesthesie

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Seoul National University Hospital

Onderzoekers

  • Studie stoel: Hyung-Chul Lee, Seoul National University Hospital

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Algemene publicaties

Nuttige links

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 december 2021

Primaire voltooiing (Verwacht)

25 november 2022

Studie voltooiing (Verwacht)

25 november 2022

Studieregistratiedata

Eerst ingediend

12 december 2021

Eerst ingediend dat voldeed aan de QC-criteria

3 januari 2022

Eerst geplaatst (Werkelijk)

4 januari 2022

Updates van studierecords

Laatste update geplaatst (Werkelijk)

4 januari 2022

Laatste update ingediend die voldeed aan QC-criteria

3 januari 2022

Laatst geverifieerd

1 december 2021

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Andere studie-ID-nummers

  • 2111-111-1272

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

Nee

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Klinische onderzoeken op Chirurgie

Zoek naar vergelijkbare onderzoeken

Sponsors en medewerkers

Medische omstandigheden

Geneesmiddelinterventies

CROs by country

CROs in China

Voorwaarden

Zeldzame ziekten

Geneesmiddelinterventies

Voedingssupplementen

Sponsor / medewerkers

Locaties

3
Abonneren