- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05311046
Biomarkør-forbedret kunstig intelligensbasert screeningverktøy for pediatrisk sepsis
Biomarkør-forbedret kunstig intelligens-basert pediatrisk sepsis-screeningsverktøy mot tidlig gjenkjennelse og personlig terapi
Det overordnede målet med denne foreslåtte forskningen er å utlede et biomarkør-forbedret kunstig intelligens (AI)-basert pediatrisk sepsis screening-verktøy (PSCT) (programvare) som kan brukes i kombinasjon med sykehusets elektroniske helsejournal (EPJ)-system for å overvåke og vurdere sanntids akuttmottak (ED) elektronisk helsejournal (EPJ) data for å forbedre tidlig pediatrisk sepsisgjenkjenning og igangsetting av rettidig, aggressiv personlig sepsisterapi kjent for å forbedre pasientresultatene.
Det antas at screeningsytelsen (f.eks. positiv prediktiv verdi) til det forutsatte screeningsverktøyet vil bli betydelig forbedret ved inkludering av testresultater fra et biomarkørpanel (PERSEVERE) som har vist seg å være effektive i prediksjon av klinisk forverring i ikke- kritisk syke immunkompromitterte pediatriske pasienter evaluert for infeksjon. Det er også en hypotese om at forbedrede fenotyper kan utledes ved å gruppere PERSEVERE biomarkører kombinert med rutinemessig innsamlede EPJ-data mot forbedret personlig medisin.
Studieoversikt
Status
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Bakgrunn og begrunnelse Eksisterende automatiserte verktøy for pediatrisk sepsisscreening (PSCT) basert på konsensuskriterier som for tiden brukes i akuttmottak, forbedrer ikke tidlig gjenkjennelse og/eller informerer personlig tilpassede terapeutiske beslutninger som fører til forbedrede resultater. Initiativet Improving Pediatric Sepsis Outcomes (IPSO) fant at ved å inkludere pasienter som mottar behandling, fanget de utvidede kriteriene ikke bare pasienter som utviklet sepsis med organdysfunksjon (OD), men også de der tidlig sepsis ble behandlet med OD potensielt avverget.
Målet med den foreslåtte innsatsen er å utlede og retrospektivt validere et biomarkørforbedret AI-basert pediatrisk sepsisscreeningsverktøy som kan brukes til å screene ED EHR-data for å forbedre tidlig gjenkjennelse, alvorlighetsgradsstratifisering og rettidig oppstart av personlig sepsisbehandling. CTA og dets 6 institusjonelle partnere foreslår i fellesskap å etablere to avidentifiserte pasientregistre: 1) "EPJ-datakohorten" (N = 2000) og 2) "EPJ + biomarkørdatakohorten" (N = 400) til støtte av dette målet.
Encounter-dataelementer som skal abstraheres fra EPJer for inkludering i disse registrene inkluderer både strukturerte (f.eks. tidsstemplede fysiologiske målinger, behandlinger, prosedyrer, utfall) så vel som fritekstnotater.
Dataanalyse og skjevheter Alle studiedata, inkludert fysiologiske data hentet fra pasient-EPJ og resultater av biomarkøranalyser vil bli analysert ved hjelp av en rekke maskinlæringsalgoritmer og teknikker for å produsere en prediktiv modell for sepsisscreening med høy presisjon. Analysemetoder involverer standard deskriptiv statistisk analyse av prediktiv klassifiseringsytelse (f.eks. AUC, sensitivitet/spesifisitet, PPV, etc.).
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Ioannis Koutroulis, MD
- Telefonnummer: 202-476-4177
- E-post: IKOUTROULI@childrensnational.org
Studer Kontakt Backup
- Navn: Carmelo "Tom" E Velez, PhD
- Telefonnummer: 19495005883
- E-post: tom.velez@cta.com
Studiesteder
-
-
District of Columbia
-
Washington D.C., District of Columbia, Forente stater, 20010
- Children's National Hospital
-
Ta kontakt med:
- Ioannis Koutroulis
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
Pasienter 3 måneder -17 år, inklusive
- Diagnostisert med sepsis av en kliniker eller utløser et sepsisvarsel og en blodkultur er bestilt. Kontroller vil være falskt positive pasienter.
- For de pasientene som prospektivt vil bli registrert for blodprøvetaking: vil kreve venepunktur eller intravenøs linjeplassering.
Ekskluderingskriterier:
- Pasienter som deltar i et undersøkelsesprogram med intervensjoner utenfor rutinemessig klinisk praksis
- Pasienter med foreldre eller LARer som ikke snakker engelsk eller spansk
- Svangerskap
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Case-Control
- Tidsperspektiver: Annen
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Retrospektiv EHR-data bare gruppe
Medlemmer av denne gruppen er pediatriske pasienter mellom 3 måneder til 45 år inkludert, som ble presentert for en av de seks deltakende institusjonens akuttmottak mellom årene 2016-2021 og screenet positivt for mistanke om sepsis ved å bruke institusjonens eksisterende pediatriske sepsis screening protokoll og motta en blodkulturrekkefølge.
Gjeldende verktøy for screening/varslingsverktøy er kjent for å være svært følsomme, men dårlig spesifikke.
"Tilfeller" i denne årskullet vil bestå av de som til slutt får diagnosen sepsis og/eller motta protokolisert sepsisbehandling.
"Kontroller" i denne kohorten vil være de med en falsk positiv varsel, dvs. ikke diagnostiseres med sepsis og får ikke protokolisert sepsisbehandling.
|
Alle deltakende institusjoner bruker enten en algoritmisk, manuell eller kombinert algoritmisk/manuell screeningprotokoll for pediatrisk sepsis for pasienter som har feber og/eller er bekymret for infeksjon.
Mens de spesifikke parametrene som testes i screeningsverktøy er forskjellige, består de vanligvis av tester for en systemisk inflammatorisk respons (f.
SIRS) og/eller organdysfunksjon (f.eks.
SOFA) og/eller høy følsomhet (f.eks.
immunkompromitterte) faktorer.
|
|
Potensielle EHR- og biomarkørdatagruppe
Medlemmer av denne gruppen er pediatriske pasienter mellom 3 måneder til 45 år, som ble presentert for en av de seks deltakende institusjonens akuttmottak i løpet av studien påmeldingsperiode, skjermpositiv for mistanke om sepsis ved å bruke institusjonens eksisterende pediatic sepsis-screening-protokoll, motta en blodkultur og gi informert samtykke/taxent for samlingen av en 1 1-1-1-1-1-1-1-1-1-en-en-en-en-akt-en-1-en-en-en-en-en-en-akt-
Medlemmer av denne årskullet vil også ha samtykket til gjenbruk av sine medisinske journaldata for forskningen.
Gjeldende verktøy for screening/varslingsverktøy er kjent for å være svært følsomme, men dårlig spesifikke.
"Tilfeller" i denne årskullet vil bestå av de som til slutt får diagnosen sepsis og/eller motta protokolisert sepsisbehandling.
"Kontroller" i denne kohorten vil være de med en falsk positiv varsel, dvs. ikke diagnostiseres med sepsis og får ikke protokolisert sepsisbehandling.
|
Alle deltakende institusjoner bruker enten en algoritmisk, manuell eller kombinert algoritmisk/manuell screeningprotokoll for pediatrisk sepsis for pasienter som har feber og/eller er bekymret for infeksjon.
Mens de spesifikke parametrene som testes i screeningsverktøy er forskjellige, består de vanligvis av tester for en systemisk inflammatorisk respons (f.
SIRS) og/eller organdysfunksjon (f.eks.
SOFA) og/eller høy følsomhet (f.eks.
immunkompromitterte) faktorer.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Effektivt ekspertsystembasert verktøy for screening av sepsis for barn (PSCT)
Tidsramme: Siste 3 måneders studietid.
|
I løpet av en brukbarhetstestperiode, ved å emulere logikken til eksperter i et screeningsverktøy som kontinuerlig kan forbedres med erfaring, oppnå et høyt nivå av ED-arbeidsflytbrukerbarhet mot forbedret tidlig gjenkjennelse av IPSO-sepsis, slik det oppfattes av praktiserende ED-klinikere som er engasjert i brukervennlighet testing.
|
Siste 3 måneders studietid.
|
|
Høyytelses Expert System-basert Pediatric Sepsis Screening Tool (PSCT)
Tidsramme: Bruk av "tidlige data" etter presentasjon til ED, for eksempel ved mottak av biomarkørdata innen 1. 3 timer etter presentasjon)
|
For å utlede en høyytende (f.eks. sensitivitet/spesifisitet > 90 %, PPV > 40 %) PSCT for å identifisere pasienter i ED som oppfyller IPSO-sepsiskriteriene ved å bruke tidlige møtedata (f.eks.
ved mottak av biomarkørdata innen 1-3 timer etter presentasjon).
|
Bruk av "tidlige data" etter presentasjon til ED, for eksempel ved mottak av biomarkørdata innen 1. 3 timer etter presentasjon)
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Effektiv sepsis-fenotyping for personlig tilpasset behandling
Tidsramme: Funksjoner basert på 1. 6 timer etter presentasjon hos pasienter diagnostisert med sepsis og behandlingsprotokoll igangsatt.
|
Å vise at kombinerte PERSEVERE biomarkør- og EPJ-data som klyngefunksjoner (f.eks. ved bruk av latent klasseanalyse) forbedrer påvisningen av klinisk nyttige prognostiske fenotyper.
|
Funksjoner basert på 1. 6 timer etter presentasjon hos pasienter diagnostisert med sepsis og behandlingsprotokoll igangsatt.
|
Samarbeidspartnere og etterforskere
Samarbeidspartnere
Etterforskere
- Studieleder: Carmelo "Tom" E Velez, PhD, CTA
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Goldstein B, Giroir B, Randolph A; International Consensus Conference on Pediatric Sepsis. International pediatric sepsis consensus conference: definitions for sepsis and organ dysfunction in pediatrics. Pediatr Crit Care Med. 2005 Jan;6(1):2-8. doi: 10.1097/01.PCC.0000149131.72248.E6.
- Hajian-Tilaki K. Sample size estimation in diagnostic test studies of biomedical informatics. J Biomed Inform. 2014 Apr;48:193-204. doi: 10.1016/j.jbi.2014.02.013. Epub 2014 Feb 26.
- Bujang MA, Adnan TH. Requirements for Minimum Sample Size for Sensitivity and Specificity Analysis. J Clin Diagn Res. 2016 Oct;10(10):YE01-YE06. doi: 10.7860/JCDR/2016/18129.8744. Epub 2016 Oct 1.
- Eisenberg M, Madden K, Christianson JR, Melendez E, Harper MB. Performance of an Automated Screening Algorithm for Early Detection of Pediatric Severe Sepsis. Pediatr Crit Care Med. 2019 Dec;20(12):e516-e523. doi: 10.1097/PCC.0000000000002101.
- Eisenberg MA, Freiman E, Capraro A, Madden K, Monuteaux MC, Hudgins J, Harper M. Outcomes of Patients with Sepsis in a Pediatric Emergency Department after Automated Sepsis Screening. J Pediatr. 2021 Aug;235:239-245.e4. doi: 10.1016/j.jpeds.2021.03.053. Epub 2021 Mar 30.
- Iwashyna TJ, Odden A, Rohde J, Bonham C, Kuhn L, Malani P, Chen L, Flanders S. Identifying patients with severe sepsis using administrative claims: patient-level validation of the angus implementation of the international consensus conference definition of severe sepsis. Med Care. 2014 Jun;52(6):e39-43. doi: 10.1097/MLR.0b013e318268ac86.
- Mathias B, Mira JC, Larson SD. Pediatric sepsis. Curr Opin Pediatr. 2016 Jun;28(3):380-7. doi: 10.1097/MOP.0000000000000337.
- Weiss SL, Parker B, Bullock ME, Swartz S, Price C, Wainwright MS, Goodman DM. Defining pediatric sepsis by different criteria: discrepancies in populations and implications for clinical practice. Pediatr Crit Care Med. 2012 Jul;13(4):e219-26. doi: 10.1097/PCC.0b013e31823c98da.
- Scott HF, Brilli RJ, Paul R, Macias CG, Niedner M, Depinet H, Richardson T, Riggs R, Gruhler H, Larsen GY, Huskins WC, Balamuth F; Improving Pediatric Sepsis Outcomes (IPSO) Collaborative Investigators.. Evaluating Pediatric Sepsis Definitions Designed for Electronic Health Record Extraction and Multicenter Quality Improvement. Crit Care Med. 2020 Oct;48(10):e916-e926. doi: 10.1097/CCM.0000000000004505.
- Lippi G. Sepsis biomarkers: past, present and future. Clin Chem Lab Med. 2019 Aug 27;57(9):1281-1283. doi: 10.1515/cclm-2018-1347. No abstract available.
- Marshall JC, Reinhart K; International Sepsis Forum. Biomarkers of sepsis. Crit Care Med. 2009 Jul;37(7):2290-8. doi: 10.1097/CCM.0b013e3181a02afc.
- Patel K, McElvania E. Diagnostic Challenges and Laboratory Considerations for Pediatric Sepsis. J Appl Lab Med. 2019 Jan;3(4):587-600. doi: 10.1373/jalm.2017.025908. Epub 2018 Nov 21.
- Lanziotti VS, Povoa P, Soares M, Silva JR, Barbosa AP, Salluh JI. Use of biomarkers in pediatric sepsis: literature review. Rev Bras Ter Intensiva. 2016 Oct-Dec;28(4):472-482. doi: 10.5935/0103-507X.20160080.
- Wong HR, Salisbury S, Xiao Q, Cvijanovich NZ, Hall M, Allen GL, Thomas NJ, Freishtat RJ, Anas N, Meyer K, Checchia PA, Lin R, Shanley TP, Bigham MT, Sen A, Nowak J, Quasney M, Henricksen JW, Chopra A, Banschbach S, Beckman E, Harmon K, Lahni P, Lindsell CJ. The pediatric sepsis biomarker risk model. Crit Care. 2012 Oct 1;16(5):R174. doi: 10.1186/cc11652.
- Jacobs L, Berrens Z, Stenson EK, Zackoff MW, Danziger LA, Lahni P, Wong HR. The Pediatric Sepsis Biomarker Risk Model (PERSEVERE) Biomarkers Predict Clinical Deterioration and Mortality in Immunocompromised Children Evaluated for Infection. Sci Rep. 2019 Jan 23;9(1):424. doi: 10.1038/s41598-018-36743-z.
- Gardlund B, Dmitrieva NO, Pieper CF, Finfer S, Marshall JC, Taylor Thompson B. Six subphenotypes in septic shock: Latent class analysis of the PROWESS Shock study. J Crit Care. 2018 Oct;47:70-79. doi: 10.1016/j.jcrc.2018.06.012. Epub 2018 Jun 8.
- Williams JB, Ghosh D, Wetzel RC. Applying Machine Learning to Pediatric Critical Care Data. Pediatr Crit Care Med. 2018 Jul;19(7):599-608. doi: 10.1097/PCC.0000000000001567.
- Seymour CW, Kennedy JN, Wang S, Chang CH, Elliott CF, Xu Z, Berry S, Clermont G, Cooper G, Gomez H, Huang DT, Kellum JA, Mi Q, Opal SM, Talisa V, van der Poll T, Visweswaran S, Vodovotz Y, Weiss JC, Yealy DM, Yende S, Angus DC. Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019 May 28;321(20):2003-2017. doi: 10.1001/jama.2019.5791.
- Sepanski RJ, Godambe SA, Mangum CD, Bovat CS, Zaritsky AL, Shah SH. Designing a pediatric severe sepsis screening tool. Front Pediatr. 2014 Jun 16;2:56. doi: 10.3389/fped.2014.00056. eCollection 2014.
- Sinha P, Calfee CS, Delucchi KL. Practitioner's Guide to Latent Class Analysis: Methodological Considerations and Common Pitfalls. Crit Care Med. 2021 Jan 1;49(1):e63-e79. doi: 10.1097/CCM.0000000000004710.
- Weiss SL, Fitzgerald JC, Balamuth F, Alpern ER, Lavelle J, Chilutti M, Grundmeier R, Nadkarni VM, Thomas NJ. Delayed antimicrobial therapy increases mortality and organ dysfunction duration in pediatric sepsis. Crit Care Med. 2014 Nov;42(11):2409-17. doi: 10.1097/CCM.0000000000000509.
- C. D. Sutton, "Classification and Regression Trees, Bagging, and Boosting," Handb. Stat., vol. 24, pp. 303-329, 2005, doi: 10.1016/S0169-7161(04)24011-1.
- Sinha P, Delucchi KL, Thompson BT, McAuley DF, Matthay MA, Calfee CS; NHLBI ARDS Network. Latent class analysis of ARDS subphenotypes: a secondary analysis of the statins for acutely injured lungs from sepsis (SAILS) study. Intensive Care Med. 2018 Nov;44(11):1859-1869. doi: 10.1007/s00134-018-5378-3. Epub 2018 Oct 5.
- Wiersema R, Jukarainen S, Vaara ST, Poukkanen M, Lakkisto P, Wong H, Linder A, van der Horst ICC, Pettila V. Two subphenotypes of septic acute kidney injury are associated with different 90-day mortality and renal recovery. Crit Care. 2020 Apr 15;24(1):150. doi: 10.1186/s13054-020-02866-x.
- Delucchi K, Famous KR, Ware LB, Parsons PE, Thompson BT, Calfee CS; ARDS Network. Stability of ARDS subphenotypes over time in two randomised controlled trials. Thorax. 2018 May;73(5):439-445. doi: 10.1136/thoraxjnl-2017-211090. Epub 2018 Feb 24.
- Feuillet F, Bellanger L, Hardouin JB, Victorri-Vigneau C, Sebille V. On Comparison of Clustering Methods for Pharmacoepidemiological Data. J Biopharm Stat. 2015;25(4):843-56. doi: 10.1080/10543406.2014.920855.
- Kent P, Jensen RK, Kongsted A. A comparison of three clustering methods for finding subgroups in MRI, SMS or clinical data: SPSS TwoStep Cluster analysis, Latent Gold and SNOB. BMC Med Res Methodol. 2014 Oct 2;14:113. doi: 10.1186/1471-2288-14-113.
- R. Lachman, "Expert systems: A cognitive science perspective," Behav. Res. Methods, Instruments, Comput., 1989, doi: 10.3758/BF03205582.
- L. Medsker, M. Tan, and E. Turban, "Knowledge acquisition from multiple experts: Problems and issues," Expert Syst. Appl., vol. 9, no. 1, pp. 35-40, Jan. 1995, doi: 10.1016/0957-4174(94)00046-X.
- Brewer A, Helfgott MA, Novak J, Schanhals R. An application of cmaps in the description of clinical information structure and logic in electronic health records. Glob Adv Health Med. 2012 Sep;1(4):16-31. doi: 10.7453/gahmj.2012.1.4.003.
- Beglinger B, Rohacek M, Ackermann S, Hertwig R, Karakoumis-Ilsemann J, Boutellier S, Geigy N, Nickel C, Bingisser R. Physician's first clinical impression of emergency department patients with nonspecific complaints is associated with morbidity and mortality. Medicine (Baltimore). 2015 Feb;94(7):e374. doi: 10.1097/MD.0000000000000374.
- R. R. Starr and J. M. Parente De Oliveira, "Concept maps as the first step in an ontology construction method," Inf. Syst., 2013, doi: 10.1016/j.is.2012.05.010.
- R. Matkar and A. Parab, "Ontology based expert systems - replication of human learning," Thinkquest~2010, pp. 43-47, 2011, doi: 10.1007/978-81-8489-989-4_7.
- Yamagata Y, Kozaki K, Imai T, Ohe K, Mizoguchi R. An ontological modeling approach for abnormal states and its application in the medical domain. J Biomed Semantics. 2014 May 21;5:23. doi: 10.1186/2041-1480-5-23. eCollection 2014.
- R. M. RJ Rovetto, "Causality and the ontology of disease," Appl Ontol, vol. 10, no. 2, pp. 79-105, Sep. 2015, doi: 10.3233/ao-150147.
- Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004 Jan 1;32(Database issue):D267-70. doi: 10.1093/nar/gkh061.
- Ghassemi M, Naumann T, Schulam P, Beam AL, Chen IY, Ranganath R. A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Jt Summits Transl Sci Proc. 2020 May 30;2020:191-200. eCollection 2020.
- Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nat Mach Intell. 2019 May;1(5):206-215. doi: 10.1038/s42256-019-0048-x. Epub 2019 May 13.
- Wong HR, Caldwell JT, Cvijanovich NZ, Weiss SL, Fitzgerald JC, Bigham MT, Jain PN, Schwarz A, Lutfi R, Nowak J, Allen GL, Thomas NJ, Grunwell JR, Baines T, Quasney M, Haileselassie B, Lindsell CJ. Prospective clinical testing and experimental validation of the Pediatric Sepsis Biomarker Risk Model. Sci Transl Med. 2019 Nov 13;11(518):eaax9000. doi: 10.1126/scitranslmed.aax9000.
- Paxton C, Niculescu-Mizil A, Saria S. Developing predictive models using electronic medical records: challenges and pitfalls. AMIA Annu Symp Proc. 2013 Nov 16;2013:1109-15. eCollection 2013.
- Taneja I, Reddy B, Damhorst G, Dave Zhao S, Hassan U, Price Z, Jensen T, Ghonge T, Patel M, Wachspress S, Winter J, Rappleye M, Smith G, Healey R, Ajmal M, Khan M, Patel J, Rawal H, Sarwar R, Soni S, Anwaruddin S, Davis B, Kumar J, White K, Bashir R, Zhu R. Combining Biomarkers with EMR Data to Identify Patients in Different Phases of Sepsis. Sci Rep. 2017 Sep 7;7(1):10800. doi: 10.1038/s41598-017-09766-1.
- Wong A, Otles E, Donnelly JP, Krumm A, McCullough J, DeTroyer-Cooley O, Pestrue J, Phillips M, Konye J, Penoza C, Ghous M, Singh K. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021 Aug 1;181(8):1065-1070. doi: 10.1001/jamainternmed.2021.2626.
Studierekorddatoer
Studer hoveddatoer
Studiestart (Antatt)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- NIAID 1R41AI167224-01
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .