- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT06411496
Creatie, implementatie en validatie van intra- en postoperatieve risicovoorspellingsmodellen
Dit project heeft als doel het creëren en valideren van modellen voor het voorspellen van chirurgische risico's voor het voorspellen van complicaties bij patiënten die een operatie ondergaan tijdens de operatie, in de onmiddellijke postoperatieve periode en tot één maand na ontslag.
Momenteel bestaat er geen risicobeoordelingssysteem, behalve de ASA-schaal die voornamelijk gebaseerd is op de subjectieve indruk van de faculteit, die deze beoordeelt in de universele preoperatieve consultaties die we in het systeem hebben gepland. In dit project willen we robuuste modellen leveren, gebaseerd op de analyse van gegevens van patiënten in 4/5 Baskische ziekenhuizen, d.w.z. gegenereerd in onze populatie.
Studie Overzicht
Toestand
Gedetailleerde beschrijving
Er is een onderzoek in drie fasen ontworpen:
- e fase: Afleiding en interne validatie van het voorspellende model door middel van een reprospectieve cohortstudie waarbij patiënten werden geopereerd in het Galdakao-Usansolo Hospital (HGU), Urduliz Hospital (HU), Basurto University Hospital (HUB), Donostia University Hospital ( HUD) en het Araba Universitair Ziekenhuis (HUA) zullen worden aangeworven. Hospital universitario de Donostia (HUD) en Hospital universitario de Araba (HUA) over XXX jaar en gegevens worden verkregen vanaf de preoperatieve periode tot de maand van ontslag uit de operatie. Voor de identificatie en creatie van deze modellen zullen machine learning-technieken worden gebruikt met als hoofddoel het identificeren van variabelen die niet in de literatuur worden beschreven. Machine learning is de belangrijkste tak van kunstmatige intelligentie. Binnen Machine Learning is begeleid leren het meest gebruikte gebied. Met begeleid leren kunnen computers leren taken uit te voeren door complexe patronen in grote hoeveelheden gegevens te ontdekken en te exploiteren. In het specifieke geval van gegevens uit elektronische medische dossiers stellen Machine Learning-algoritmen ons in staat de historische gegevens van elke patiënt te gebruiken, zodat de computer op een gepersonaliseerde manier leert anticiperen op toekomstige gebeurtenissen.
- e fase: Externe validatie van de modellen gecreëerd in de eerste fase in een cohort patiënten die in 2020 in dezelfde centra werden geopereerd. De methodologie voorgesteld door Debray et al. zal toegepast worden.
- e fase: Evaluatie van de resultaten na de implementatie van de modellen in het EPD van het Galdakao-Usansolo Ziekenhuis in de vorm van een 'Actiegids'. Op basis van de risicostratificatie die in de voorgaande fasen is uitgevoerd, zal de afdeling anesthesie aanbevelingen voor actie opstellen op basis van het risiconiveau. De percentages mortaliteit en intra- en postoperatieve complicaties zullen worden vergeleken door middel van een quasi-experimenteel interventieonderzoek, waarbij de resultaten van het HGU-ziekenhuis waar de risicoschaal wordt geïmplementeerd en de daaruit voortvloeiende aanbevelingen worden vergeleken, voor en na de implementatie ervan, en ook door ze te vergelijken met de percentages patiënten die gecompliceerd raken en/of overlijden in HU, HUB, HUD en HUA, waar de gebruikelijke klinische praktijk zal worden gevolgd, op basis van de ASA-schaal. Dit prospectieve cohort zal, zodra de risicoschaal is geïmplementeerd, ook worden gebruikt voor externe validatie (2020-2021).
Sociaal-demografische en klinische variabelen (hoofddiagnose, comorbiditeiten, behandelingen, eerdere interventies, intraoperatieve gegevens, postoperatieve gegevens, procedures uitgevoerd tijdens ziekenhuisopname en complicaties tot één maand na ontslag uit het ziekenhuis) en laboratoriumparameters zullen worden verzameld.
Deze informatie zal worden gehaald uit het wereldwijde data-exploitatiesysteem van Osabide, Oracle Business Intelligence, en de laboratoriumgegevens zullen worden gehaald uit de informatiesystemen van de klinische laboratoria van de betrokken centra.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Bizkaia
-
Galdakao, Bizkaia, Spanje, 48960
- Hospital Galdakao Usansolo
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Patiënten ouder dan 18 jaar die in afwachting zijn van een geplande of urgente operatie bij niet-cardiale chirurgie.
Uitsluitingscriteria:
- Operatie uitgevoerd onder plaatselijke verdoving
- Pediatrische chirurgie
- Verloskundige patiënt
- Hartoperatie
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
|---|
|
Geplande of dringende operatie
Dit is een retrospectieve cohortstudie waarbij tussen 2019 en 2022 chirurgische patiënten in het Galdakao-Usansolo-ziekenhuis werden gerekruteerd.
We gebruikten geanonimiseerde gegevens op patiëntniveau van patiënten op de wachtlijst voor interventie in vier openbare ziekenhuizen in Baskenland.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Overlijden tijdens de operatie en tot één maand na de operatie
Tijdsspanne: Een maand
|
Ja niet
|
Een maand
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Opname op de intensive care
Tijdsspanne: Een maand
|
Ja niet
|
Een maand
|
|
intra-operatieve complicaties
Tijdsspanne: Complicaties tijdens de interventie
|
Categorische variabele
|
Complicaties tijdens de interventie
|
|
overname
Tijdsspanne: Een maand
|
Ja niet
|
Een maand
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Hoofdonderzoeker: Francisco Mendoza, MD, Galdakao-Usansolo Hospital
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- PI2023/029
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
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 .