Deep Learning-modeller for prediksjon av intraoperativ hypotensjon ved bruk av ikke-invasive parametere
25. mars 2025 oppdatert av: Hyun Joo Ahn, Samsung Medical Center
Prediksjon av intraoperativ hypotensjon ved bruk av ikke-invasive overvåkingsenheter: Utvikling av dyp læringsmodell
Etterforskerne hadde som mål å undersøke dyplæringsmodellen for å forutsi intraoperativ hypotensjon ved bruk av ikke-invasive overvåkingsparametere.
Studieoversikt
Status
Fullført
Detaljert beskrivelse
Intraoperativ hypotensjon er assosiert med ulike postoperative komplikasjoner som akutt nyreskade.
Derfor er presis prediksjon og rask behandling av intraoperativ hypotensjon viktig.
Det er imidlertid vanskelig å presist forutsi intraoperativ hypotensjon basert på anestesilegenes erfaring og intuisjon.
Nylig viste dyplæringsalgoritmer ved bruk av invasiv arteriell trykkovervåking den gode prediksjonsevnen til intraoperativ hypotensjon.
Det kan hjelpe klinikerens beslutninger.
Imidlertid overvåkes de fleste pasienter som gjennomgår generell kirurgi av ikke-invasive parametere.
Derfor undersøker etterforskerne prediksjonsmodellen for intraoperativ hypotensjon ved bruk av ikke-invasiv overvåking.
Studietype
Observasjonsmessig
Registrering (Faktiske)
5175
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
-
Seoul, Korea, Republikken, 06351
- Samsung Medical Center
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Nei
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
Studiepopulasjonen inkluderte pasienter som gjennomgikk inhalert generell anestesi for ikke-hjertekirurgi mellom juni 2016 og august 2017 ved Seoul National University Hospital, Seoul, Sør-Korea.
Beskrivelse
Inklusjonskriterier:
- Pasientene som inngår i den åpne databasen, VtialDB.
- Pasientene som gjennomgikk inhalert generell anestesi for ikke-hjertekirurgi.
- Pasientene som har ikke-invasive overvåkingsdata inkludert blodtrykk, elektrokardiografi, pulsoksymetri, bispektral indeks, kapnografi og minimum alveolær konsentrasjon av inhalasjonsmiddel.
Ekskluderingskriterier:
- Pasienten med manglende data.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
|---|
|
Gruppe
I open source-databasen (VitalDB, https://vitaldb.net), pasientene som gjennomgikk generell anestesi med ikke-invasiv overvåking inkludert blodtrykk, elektrokardiografi, pulsoksymetri, bispektral indeks, kapnografi og minimal alveolær konsentrasjon av inhalasjonsmiddel.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Dyplæringsmodellens prediksjonsevne på intraoperativ hypotensjonshendelse
Tidsramme: gjennom studiegjennomføring, gjennomsnittlig 3 timer
|
Areal under kurven mottakerdriftskarakteristikken (AUROC) kurven for dyplæringsmodellen for å forutsi intraoperativ hypotensjon.
|
gjennom studiegjennomføring, gjennomsnittlig 3 timer
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Etterforskere
- Hovedetterforsker: Hyun Joo Ahn, MD, PhD, Samsung Medical Center
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- Lee HC, Jung CW. Vital Recorder-a free research tool for automatic recording of high-resolution time-synchronised physiological data from multiple anaesthesia devices. Sci Rep. 2018 Jan 24;8(1):1527. doi: 10.1038/s41598-018-20062-4.
- Lee S, Lee HC, Chu YS, Song SW, Ahn GJ, Lee H, Yang S, Koh SB. Deep learning models for the prediction of intraoperative hypotension. Br J Anaesth. 2021 Apr;126(4):808-817. doi: 10.1016/j.bja.2020.12.035. Epub 2021 Feb 6.
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
1. april 2023
Primær fullføring (Faktiske)
1. mai 2024
Studiet fullført (Faktiske)
1. mai 2024
Datoer for studieregistrering
Først innsendt
13. februar 2023
Først innsendt som oppfylte QC-kriteriene
7. mars 2023
Først lagt ut (Faktiske)
9. mars 2023
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
30. mars 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
25. mars 2025
Sist bekreftet
1. mai 2024
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- SMC 2022-09-096
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
UBESLUTTE
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
produkt produsert i og eksportert fra USA
Nei
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. .