Deep Learning Framework voor Continue Diepte van Anesthesie Voorspelling
Validatie van een Deep Learning Framework voor Continue Voorspelling van Farmacodynamische Responsen en Fysiologische Trajecten Tijdens Algemene Anesthesie
De integratie van Kunstmatige Intelligentie (AI) in de anesthesiologie biedt het potentieel om patiëntenmonitoring van reactief naar voorspellend te verschuiven. Deep learning-architecturen, specifiek Long Short-Term Memory (LSTM)-netwerken, blinken uit in het verwerken van complexe, tijdreeksgegevens om toekomstige klinische toestanden te voorspellen.
Hoewel standaard PK/PD-modellen (zoals het state-of-the-art Eleveld-model voor Propofol en Remifentanil) doelsite-geneesmiddelconcentraties (Ce) schatten, houden ze geen rekening met realtime, patiëntspecifieke dynamische responsen. Deze studie heeft tot doel een AI-raamwerk te implementeren dat is ontworpen om toekomstige fysiologische toestanden te voorspellen.
Studie Overzicht
Toestand
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: Hugo Carvalho, MD, PhD
- Telefoonnummer: +32 50 45 24 19
- E-mail: hugo.nogueiracarvalho@azsintjan.be
Studie Locaties
-
-
-
Bruges, België, 8000
- AZ Sint-Jan AV
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Patiënten gepland voor electieve chirurgie die algemene anesthesie vereist.
- Procedures die continue bewaking van de anesthesiediepte (BIS) vereisen.
Exclusiecriteria:
- Procedures waarbij het primaire anesthesieplan geen continue elektronische gegevensregistratie omvat.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
|---|
|
Prospectief
Prospectieve Cohort
|
|
Retrospectief
Retrospectieve Cohort
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Kalibratiefout van de voorspellende onzekerheidskegel
Tijdsspanne: Continu - Perioperatief
|
Calibratiefout van de voorspellende onzekerheidskegel - Calibratiefout van de voorspellende onzekerheidskegel is het verschil tussen het door een model opgegeven betrouwbaarheidsniveau (bijvoorbeeld de voorspelling dat 95% van de toekomstige waarden binnen een specifiek bereik zal vallen) en de werkelijke frequentie waarmee de echte waarden daadwerkelijk binnen die voorspelde grens terechtkomen.
|
Continu - Perioperatief
|
|
Gemiddelde absolute fout (MAE)
Tijdsspanne: Continu - perioperatief
|
Mean Absolute Error (MAE)
|
Continu - perioperatief
|
|
Trendnauwkeurigheid
Tijdsspanne: Continu - perioperatief
|
Trendnauwkeurigheid meet het vermogen van een voorspellend model om de toekomstige richting en veranderingssnelheid van een variabele (zoals of de anesthesiediepte van een patiënt actief lichter of dieper wordt) correct te voorspellen, onafhankelijk van de absolute numerieke fout op elk enkel tijdstip.
|
Continu - perioperatief
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Root Mean Square Error (RMSE)
Tijdsspanne: Continu - perioperatief
|
Root Mean Square Error (RMSE)
|
Continu - perioperatief
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Studie record data
Bestudeer belangrijke data
Studie start (Geschat)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
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
- AIBIS
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 .