Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Effekten av maskinlæringsbaserte algoritmer for beslutningsstøtte for klinikere i perioperativ omsorg (IMAGINATIVE)

29. mars 2023 oppdatert av: Singapore General Hospital

Effekten av maskinlæringsbaserte klinikerbeslutningsstøttealgoritmer i perioperativ omsorg – en randomisert kontrollforsøk (IMAGINATIVE Trial)

Å forutsi kirurgiske risikoer er viktig for pasienter og klinikere for felles beslutningsprosess og styringsplan. Studieteamet tar sikte på å gjennomføre en hybrid type 1-effektivitetsimplementeringsstudiedesign. En randomisert kontrollert studie hvor deltakere som gjennomgår kirurgi i Singapore General Hospital (SGH) vil bli tildelt i forholdet 1:1 til CARES-veiledede (ublindet til risikonivå) eller til uveiledet (blindet til risikonivå). Alle deltakere som gjennomgår elektive operasjoner i SGH vil bli ansett som kvalifisert for påmelding til studien. Ved elektive operasjoner vil deltakerne i hovedsak rekrutteres fra Føropptakssenteret. Resultatet av denne studien vil hjelpe pasienter og klinikere til å ta bedre beslutninger sammen. For det første kan utplasseringen av CARES-modellen i et levende klinisk miljø potensielt redusere postoperative komplikasjoner og forbedre kvaliteten på kirurgisk behandling. Funnene fra denne studien ville tillate finjustering av CARES samt videre distribusjon av ytterligere risikomodeller for spesifikke komplikasjoner andre enn dødelighet og opphold på intensivavdelingen. Dette vil igjen føre til bedre helse for den kirurgiske befolkningen og forbedret kostnadseffektivitet. Dette er betydelig ettersom den kirurgiske befolkningen forventes å vokse kontinuerlig på grunn av forbedret tilgang til omsorg, bedre teknologier og den aldrende befolkningen. For det andre vil IMAGINATIVE være medvirkende til å forbedre vår forståelse av distribusjonsstrategiene for AI/ML-prediktive modeller i helsevesenet. Modeller som CARES kan være standarden for omsorg i fremtiden hvis de viser seg å forbedre helseresultatene til pasienter. Ettersom modelldistribusjoner er kostbare og kan være forstyrrende for EMR-prosessene, vil denne studien være den første gnisten for fremtidig distribusjon og helsetjenesteforskning med fokus på å forbedre verdien av disse modelldistribusjonene.

Studieoversikt

Status

Har ikke rekruttert ennå

Forhold

Intervensjon / Behandling

Studietype

Intervensjonell

Registrering (Forventet)

9200

Fase

  • Ikke aktuelt

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studiesteder

  • Singapore
      • Singapore, Singapore
        • Singapore General Hospital
        • Underetterforsker:
          • Ecosse Lamoureux, PHD
        • Ta kontakt med:
        • Hovedetterforsker:
          • Hairil Rizal Abdullah, MMED
        • Underetterforsker:
          • Elaine Lum, PHD
        • Underetterforsker:
          • Nan Liu, PHD
        • Underetterforsker:
          • Mengling Feng, PHD
        • Underetterforsker:
          • Jacqueline Sim Xiu Ling, MBBS
        • Underetterforsker:
          • Brian Goh Kim Poh, MBBS
        • Underetterforsker:
          • Gek Hsiang Lim, MSC
        • Underetterforsker:
          • Marcus Ong Eng Hock, MPH

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

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Beskrivelse

Inklusjonskriterier:

  1. Pasienter >=21 år
  2. Pasienter som skal til elektiv kirurgi

For semistrukturert intervju:

1. Enhver kliniker eller sykepleier som brukte CARES under forskningsutprøvingen

Ekskluderingskriterier:

  1. Pasienter med nedsatt mental kapasitet
  2. Pasienter som ikke kan gi samtykke

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

  • Primært formål: Annen
  • Tildeling: Randomisert
  • Intervensjonsmodell: Parallell tildeling
  • Masking: Ingen (Open Label)

Våpen og intervensjoner

Deltakergruppe / Arm
Intervensjon / Behandling
Aktiv komparator: CARES-veiledet gruppe
Intervensjonen
Annen: CARES-veiledet gruppe
Deltakere som er randomisert til den CARES-veiledede armen vil få sin CARES-score beregnet og lagt inn i det elektroniske skjemaet for vurdering før anestesi i elektronisk medisinsk journal (EMR). Denne poengsummen og dens relevante råd vil vises tydelig på dette elektroniske skjemaet. (Deltakere på denne armen vil motta denne intervensjonen i tillegg til den rutinemessige praksisen).
Ingen inngripen: Ikke CARES-veiledet gruppe
Kontrollen - Deltakere randomisert til kontrollarmen vil fortsette å ha sin rutinemessige pre-anestesivurdering på det elektroniske skjemaet, uten CARES-kalkulatorberegningene, i henhold til gjeldende praksis

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Endring i perioperativ dødelighet
Tidsramme: Fem år
For å vurdere effektiviteten til Machine Learning Clinical Decision Support (ML-CDS). Hypotese: Den CARES-veiledede gruppen vil ha en relativ reduksjon på 30 % i ett års dødelighet på grunn av den økte klinikerens bevissthet om risikoene.
Fem år

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Endring i potensielt unngåelig planlagt ICU-innleggelse etter operasjon
Tidsramme: Fem år
For å vurdere effektiviteten til ML-CDS-algoritmen for å optimalisere bruken av ICU-senger, som er en viktig og kostbar sykehusressurs. Hypotese: Det vil være en relativ reduksjon på 25 % i den potensielt unngåelige planlagte ICU-innleggelsen etter operasjon i den CARES-veiledede gruppen
Fem år

Andre resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Skift i adopsjonsrate for CARES sine CDS-anbefalinger blant anestesileger, intensivister, kirurger og sykepleiere
Tidsramme: Fem år
For å vurdere adopsjon og aksept, og for å forstå brukeropplevelse og bekymringer angående en ML-basert prediksjonsapplikasjon designet for å forbedre pasientsikkerheten i en klinisk setting. Hypotese: Det er høy adopsjon av CARES sine CDS-anbefalinger blant henholdsvis anestesileger, intensivister, kirurger og sykepleiere.
Fem år

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Singapore General Hospital

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 (Forventet)

1. mai 2023

Primær fullføring (Forventet)

1. juli 2027

Studiet fullført (Forventet)

1. desember 2027

Datoer for studieregistrering

Først innsendt

14. mars 2023

Først innsendt som oppfylte QC-kriteriene

29. mars 2023

Først lagt ut (Faktiske)

12. april 2023

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

12. april 2023

Siste oppdatering sendt inn som oppfylte QC-kriteriene

29. mars 2023

Sist bekreftet

1. mars 2023

Mer informasjon

Begreper knyttet til denne studien

Andre studie-ID-numre

  • IMAGINATIVE Trial

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

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. .

Kliniske studier på Maskinlæring

Kliniske studier på CARES-veiledet gruppe

Søk i lignende forsøk

Sponsorer og samarbeidspartnere

Medisinsk tilstand

Legemiddelintervensjoner

CROs by country

CROs in Togo

Forhold

Sjeldne sykdommer

Legemiddelintervensjoner

Kosttilskudd

Sponsor / samarbeidspartnere

Steder

Abonnere