Deep Learning-modellen voor de voorspelling van intra-operatieve hypotensie met behulp van niet-invasieve parameters
25 maart 2025 bijgewerkt door: Hyun Joo Ahn, Samsung Medical Center
Voorspelling van intraoperatieve hypotensie met behulp van niet-invasieve bewakingsapparatuur: ontwikkeling van een deep learning-model
De onderzoekers wilden het deep learning-model onderzoeken om intraoperatieve hypotensie te voorspellen met behulp van niet-invasieve monitoringparameters.
Studie Overzicht
Toestand
Voltooid
Conditie
Gedetailleerde beschrijving
Intraoperatieve hypotensie wordt in verband gebracht met verschillende postoperatieve complicaties, zoals acuut nierletsel.
Daarom zijn nauwkeurige voorspelling en snelle behandeling van intraoperatieve hypotensie belangrijk.
Het is echter moeilijk om intraoperatieve hypotensie nauwkeurig te voorspellen op basis van de ervaring en intuïtie van de anesthesist.
Onlangs hebben deep learning-algoritmen die gebruik maken van invasieve arteriële drukmonitoring het goede voorspellende vermogen van intraoperatieve hypotensie aangetoond.
Het kan de arts helpen bij het nemen van beslissingen.
De meeste patiënten die algemene chirurgie ondergaan, worden echter gecontroleerd door niet-invasieve parameters.
Daarom onderzoeken de onderzoekers het voorspellingsmodel voor intraoperatieve hypotensie met behulp van niet-invasieve monitoring.
Studietype
Observationeel
Inschrijving (Werkelijk)
5175
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
-
Seoul, Korea, republiek van, 06351
- Samsung Medical Center
-
-
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
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Nee
Bemonsteringsmethode
Kanssteekproef
Studie Bevolking
De onderzoekspopulatie omvatte patiënten die tussen juni 2016 en augustus 2017 algemene anesthesie via inhalatie ondergingen voor niet-cardiale chirurgie in het Seoul National University Hospital, Seoul, Zuid-Korea.
Beschrijving
Inclusiecriteria:
- De patiënten die zijn opgenomen in de open database, VtialDB.
- De patiënten die algehele narcose ondergingen voor niet-cardiale chirurgie.
- De patiënten die niet-invasieve monitoringgegevens hebben, waaronder bloeddruk, elektrocardiografie, pulsoximetrie, bispectrale index, capnografie en minimale alveolaire concentratie van inhalatiemiddel.
Uitsluitingscriteria:
- De patiënt met ontbrekende gegevens.
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
Cohorten en interventies
Groep / Cohort |
|---|
|
Groep
In de open source-database (VitalDB, https://vitaldb.net), de patiënten die algemene anesthesie ondergingen met niet-invasieve monitoring, waaronder bloeddruk, elektrocardiografie, pulsoximetrie, bispectrale index, capnografie en minimale alveolaire concentratie van inhalatiemiddel.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Het voorspellingsvermogen van het deep learning-model bij intraoperatieve hypotensie
Tijdsspanne: tot en met afronding van de studie, gemiddeld 3 uur
|
Gebied onder de curve de AUROC-curve (receiver operating Characteristic) voor het deep learning-model om intraoperatieve hypotensie te voorspellen.
|
tot en met afronding van de studie, gemiddeld 3 uur
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Onderzoekers
- Hoofdonderzoeker: Hyun Joo Ahn, MD, PhD, Samsung Medical Center
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
- Lee HC, Jung CW. Vital Recorder-a free research tool for automatic recording of high-resolution time-synchronised physiological data from multiple anaesthesia devices. Sci Rep. 2018 Jan 24;8(1):1527. doi: 10.1038/s41598-018-20062-4.
- Lee S, Lee HC, Chu YS, Song SW, Ahn GJ, Lee H, Yang S, Koh SB. Deep learning models for the prediction of intraoperative hypotension. Br J Anaesth. 2021 Apr;126(4):808-817. doi: 10.1016/j.bja.2020.12.035. Epub 2021 Feb 6.
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 april 2023
Primaire voltooiing (Werkelijk)
1 mei 2024
Studie voltooiing (Werkelijk)
1 mei 2024
Studieregistratiedata
Eerst ingediend
13 februari 2023
Eerst ingediend dat voldeed aan de QC-criteria
7 maart 2023
Eerst geplaatst (Werkelijk)
9 maart 2023
Updates van studierecords
Laatste update geplaatst (Werkelijk)
30 maart 2025
Laatste update ingediend die voldeed aan QC-criteria
25 maart 2025
Laatst geverifieerd
1 mei 2024
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- SMC 2022-09-096
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
ONBESLIST
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
product vervaardigd in en geëxporteerd uit de V.S.
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 .