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

Impact van op machine learning gebaseerde beslissingsondersteunende algoritmen van clinici in de perioperatieve zorg (IMAGINATIVE)

29 maart 2023 bijgewerkt door: Singapore General Hospital

Impact van op machine learning gebaseerde beslissingsondersteunende algoritmen van clinici in peri-operatieve zorg - een gerandomiseerde controlestudie (IMAGINATIEVE studie)

Het voorspellen van chirurgische risico's is belangrijk voor patiënten en clinici voor een gezamenlijk besluitvormingsproces en beheerplan. Het onderzoeksteam streeft naar een ontwerp van een hybride type 1 effectiviteitsimplementatieonderzoek. Een gerandomiseerd gecontroleerd onderzoek waarbij deelnemers die een operatie ondergaan in het Singapore General Hospital (SGH) in een verhouding van 1:1 worden toegewezen aan door CARES geleide (niet-geblindeerd voor risiconiveau) of ongeleide (geblindeerd voor risiconiveau) groepen. Alle deelnemers die electieve operaties in SGH ondergaan, komen in aanmerking voor deelname aan het onderzoek. Voor electieve operaties zullen de deelnemers voornamelijk worden geworven vanuit het Pre-opnamecentrum. De uitkomst van deze studie zal patiënten en clinici helpen om samen betere beslissingen te nemen. Ten eerste zou de inzet van het CARES-model in een live klinische omgeving mogelijk postoperatieve complicaties kunnen verminderen en de kwaliteit van chirurgische zorgverlening kunnen verbeteren. De bevindingen van deze studie zouden het mogelijk maken om CARES te verfijnen en aanvullende risicomodellen in te zetten voor andere specifieke complicaties dan sterfte en ICU-verblijf. Dit zou zich op zijn beurt vertalen in een betere gezondheid voor de chirurgische populatie en verbeterde kosteneffectiviteit. Dit is belangrijk omdat de chirurgische populatie naar verwachting continu zal groeien als gevolg van verbeterde toegang tot zorg, betere technologieën en de vergrijzing van de bevolking. Ten tweede zal IMAGINTIVE een belangrijke rol spelen bij het verbeteren van ons begrip van de implementatiestrategieën voor voorspellende AI/ML-modellen in de gezondheidszorg. Modellen zoals CARES zouden in de toekomst de zorgstandaard kunnen zijn als bewezen is dat ze de gezondheidsresultaten van patiënten verbeteren. Aangezien modelimplementaties kostbaar zijn en de EMR-processen kunnen verstoren, zou deze studie de eerste aanzet kunnen zijn voor toekomstig implementatie- en gezondheidsonderzoek dat zich richt op het verbeteren van de waarde van deze modelimplementaties.

Studie Overzicht

Toestand

Nog niet aan het werven

Conditie

Interventie / Behandeling

Studietype

Ingrijpend

Inschrijving (Verwacht)

9200

Fase

  • Niet toepasbaar

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 Locaties

  • Singapore
      • Singapore, Singapore
        • Singapore General Hospital
        • Onderonderzoeker:
          • Ecosse Lamoureux, PHD
        • Contact:
        • Hoofdonderzoeker:
          • Hairil Rizal Abdullah, MMED
        • Onderonderzoeker:
          • Elaine Lum, PHD
        • Onderonderzoeker:
          • Nan Liu, PHD
        • Onderonderzoeker:
          • Mengling Feng, PHD
        • Onderonderzoeker:
          • Jacqueline Sim Xiu Ling, MBBS
        • Onderonderzoeker:
          • Brian Goh Kim Poh, MBBS
        • Onderonderzoeker:
          • Gek Hsiang Lim, MSC
        • Onderonderzoeker:
          • Marcus Ong Eng Hock, MPH

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

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Beschrijving

Inclusiecriteria:

  1. Patiënten >=21 jaar oud
  2. Patiënten die een electieve operatie ondergaan

Voor semi-gestructureerd interview:

1. Elke clinicus of verpleegkundige die CARES heeft gebruikt tijdens het onderzoek

Uitsluitingscriteria:

  1. Patiënten met verminderde mentale capaciteit
  2. Patiënten die geen toestemming kunnen geven

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

  • Primair doel: Ander
  • Toewijzing: Gerandomiseerd
  • Interventioneel model: Parallelle opdracht
  • Masker: Geen (open label)

Wapens en interventies

Deelnemersgroep / Arm
Interventie / Behandeling
Actieve vergelijker: CARES-geleide groep
De interventie
Ander: CARES-geleide groep
Van deelnemers die zijn gerandomiseerd naar de CARES-geleide arm, wordt hun CARES-score berekend en ingevoerd in het elektronische formulier Pre-Anesthesia Assessment in het Electronic Medical Records (EMR). Deze score en de relevante adviezen worden prominent weergegeven op dit elektronische formulier. (Deelnemers aan deze arm krijgen deze interventie naast de routinepraktijk).
Geen tussenkomst: Niet-CARES-geleide groep
De controle - Deelnemers gerandomiseerd naar de controle-arm zullen hun routine pre-anesthesiebeoordeling op het elektronische formulier blijven krijgen, zonder de berekeningen van de CARES-calculator, volgens de huidige praktijk

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Verandering in peri-operatieve sterftecijfers
Tijdsspanne: Vijf jaar
Om de effectiviteit van de Machine Learning Clinical Decision Support (ML-CDS) te beoordelen. Hypothese: De door CARES geleide groep zal een relatieve reductie van 30% van het sterftecijfer na één jaar hebben als gevolg van het toegenomen bewustzijn van de clinici van de risico's.
Vijf jaar

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Verandering in mogelijk vermijdbare geplande IC-opname na operatie
Tijdsspanne: Vijf jaar
Om de effectiviteit van het ML-CDS-algoritme te beoordelen bij het optimaliseren van het gebruik van IC-bedden, wat een belangrijk en kostbaar hulpmiddel is in het ziekenhuis. Hypothese: er zal een relatieve vermindering van 25% zijn in de potentieel vermijdbare geplande IC-opname na een operatie in de CARES-begeleide groep
Vijf jaar

Andere uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Verschuiving in acceptatiegraad van de CDS-aanbevelingen van CARES onder anesthesiologen, intensivisten, chirurgen en verpleegkundigen
Tijdsspanne: Vijf jaar
Om acceptatie en aanvaardbaarheid te beoordelen, en om gebruikerservaring en zorgen te begrijpen met betrekking tot een op ML gebaseerde voorspellingstoepassing die is ontworpen om de patiëntveiligheid in een klinische omgeving te verbeteren. Hypothese: Er is een grote acceptatie van de CDS-aanbevelingen van CARES onder respectievelijk anesthesiologen, intensivisten, chirurgen en verpleegkundigen.
Vijf jaar

Medewerkers en onderzoekers

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

Sponsor

Singapore General Hospital

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 (Verwacht)

1 mei 2023

Primaire voltooiing (Verwacht)

1 juli 2027

Studie voltooiing (Verwacht)

1 december 2027

Studieregistratiedata

Eerst ingediend

14 maart 2023

Eerst ingediend dat voldeed aan de QC-criteria

29 maart 2023

Eerst geplaatst (Werkelijk)

12 april 2023

Updates van studierecords

Laatste update geplaatst (Werkelijk)

12 april 2023

Laatste update ingediend die voldeed aan QC-criteria

29 maart 2023

Laatst geverifieerd

1 maart 2023

Meer informatie

Termen gerelateerd aan deze studie

Andere studie-ID-nummers

  • IMAGINATIVE Trial

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 Machinaal leren

Klinische onderzoeken op CARES-geleide groep

Zoek naar vergelijkbare onderzoeken

Sponsors en medewerkers

Medische omstandigheden

Geneesmiddelinterventies

CROs by country

CROs in Nigeria

Voorwaarden

Zeldzame ziekten

Geneesmiddelinterventies

Voedingssupplementen

Sponsor / medewerkers

Locaties

Abonneren