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

Creatie, implementatie en validatie van intra- en postoperatieve risicovoorspellingsmodellen

9 mei 2024 bijgewerkt door: Susana García Gutiérrez, Hospital Galdakao-Usansolo

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

Voltooid

Gedetailleerde beschrijving

Er is een onderzoek in drie fasen ontworpen:

  1. 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.
  2. 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.
  3. 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

Observationeel

Inschrijving (Werkelijk)

112745

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

    • Bizkaia
      • Galdakao, Bizkaia, Spanje, 48960
        • Hospital Galdakao Usansolo

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

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Chirurgische patiënten in het Galdakao-Usansolo-ziekenhuis tussen 2019 en 2022. We gebruikten geanonimiseerde gegevens op patiëntniveau van patiënten op de wachtlijst voor interventie in vier openbare ziekenhuizen in Baskenland. De deelnemende ziekenhuizen bedienen een bevolking van ongeveer 1,2 miljoen mensen en bieden tertiaire verwijzingsdiensten naar de omliggende regio.

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

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
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

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

Onderzoekers

  • Hoofdonderzoeker: Francisco Mendoza, MD, Galdakao-Usansolo 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 (Werkelijk)

1 juni 2018

Primaire voltooiing (Werkelijk)

1 januari 2019

Studie voltooiing (Werkelijk)

1 juni 2023

Studieregistratiedata

Eerst ingediend

2 mei 2024

Eerst ingediend dat voldeed aan de QC-criteria

9 mei 2024

Eerst geplaatst (Werkelijk)

13 mei 2024

Updates van studierecords

Laatste update geplaatst (Werkelijk)

13 mei 2024

Laatste update ingediend die voldeed aan QC-criteria

9 mei 2024

Laatst geverifieerd

1 mei 2024

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?

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

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 .

Abonneren