- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT06158542
UTVIKLING AV EN KUNSTIG INTELLIGENS-ALGORITME FOR Å FORutsi HYPOTENSJONSRISIKO ETTER INDUKSJON I KEISERsnitt MED SPINALANESTESI
Keisersnittet, medisinsk nødvendig for både mor og baby i visse tilfeller, er en livreddende operasjon. Behovet for anestesi under et keisersnitt er en realitet. Keisersnitt anestesi gir ulike utfordringer for anestesileger på grunn av fysiologiske endringer hos mor under svangerskap og fødsel, samt at fosteret, som skal være nyfødt, fortsatt er avhengig av mors sirkulasjon. Den mest brukte anestesimetoden over hele verden er spinalbedøvelse. Mens spinal anestesi har mange fordeler, har den også ulemper. En av de vanligste ulempene er utviklingen av hypotensjon på grunn av den umotsatte parasympatiske responsen etter induksjon.
Tallrike studier er utført for å identifisere faktorer som disponerer for hypotensjon etter keisersnitt, og mange prediktive faktorer er identifisert. Å bestemme hvilken pasient som vil utvikle hypotensjon og hvilken pasient som ikke vil, er imidlertid fortsatt et viktig spørsmål for anestesileger før operasjonen. Å identifisere høyrisikopasienter for hypotensjon før du starter spinalbedøvelse og til og med å vite prosentandelen av pasienter som vil utvikle hypotensjon sparer utvilsomt tid i problemløsning. Fra dette perspektivet dukket ideen for denne studien opp: å identifisere parametere med potensial for bruk i prediksjon basert på litteraturen, samle inn data, deretter teste forholdet mellom dem ved hjelp av maskinlæringsmetoder, og utvikle en algoritme som er i stand til prediktiv analyse.
En av parameterne som skal brukes i prediksjon er nivået av Syndecan-1-molekylet i serumet. Dette molekylet blir kastet inn i serumet med nedbrytning eller skade av det vaskulære endoteliale glykokalyxlaget. I utviklingsfasen av algoritmen vil også nivået av dette molekylet i serumet bli utnyttet. På slutten av studien vil en kunstig intelligensalgoritme for å forutsi hypotensjon etter induksjon bli utviklet, og ytelsen vil bli testet.
Hovedmålene med studien:
i) Opprett et datasett som inkluderer de kliniske egenskapene, demografiske data og blodprøveresultater for pasienter som utvikler og ikke utvikler hypotensjon etter spinal anestesi.
ii) Utvikle en kunstig intelligensalgoritme ved å bruke datasettet og bestemme den mest nøyaktige algoritmen for å forutsi hypotensjon.
iii) For å teste nøyaktigheten til den utviklede algoritmen, lag et testdatasett, mål og optimer algoritmens ytelse. Nøyaktighet, sensitivitet, spesifisitet og Receiver Operating Characteristic (ROC) kurver vil bli brukt for ytelsesmåling.
iv) Lag et passende grensesnitt (en overflate for interaksjon med programvaren) for å gjøre den utviklede algoritmen brukbar i klinisk praksis.
Studien er en ikke-intervensjonell, enkeltsenter, prospektiv kohortstudie. Antall pasienter er konvensjonelt bestemt til 280 i kraftanalysen; denne studien har imidlertid også karakteristikken til et datavitenskapelig prosjekt. I datavitenskapelige prosjekter øker ytelsesverdiene til modeller etter hvert som antall pasienter øker. Derfor er det målrettet maksimalt antall pasienter som kan oppnås mellom november 2023 og mars 2024. Tatt i betraktning de månedlige dataene fra Hacettepe University Department Delivery Room Operating Room, er dette tallet estimert til å være 370. Mellom november 2023 og mars 2024 vil pasientdata bli observert, karakteristika vil bli registrert, og deretter vil en modell som skal brukes i prediksjon bli utviklet.
Studieoversikt
Status
Intervensjon / Behandling
Detaljert beskrivelse
Begrunnelse: Keisersnitt, når det er riktig indikert, er en fødselsmetode som bevarer helsen til både mor og baby. Antall fødsler ved keisersnitt har økt over hele verden i årevis. Mellom 2010 og 2018 ble 21,1 % av globalt sporede fødsler utført ved keisersnitt. I følge Verdens helseorganisasjon (WHO) er det forventet at denne frekvensen vil øke og nå 29 % innen år 2030.
Anestesi for keisersnitt er fundamentalt påvirket av både fysiologiske og patologiske forandringer indusert av graviditet i mors kropp. Endringer som skjer under graviditet og fødsel, og de resulterende forskjellene, kan by på utfordringer for anestesileger.
I utviklede land har 78 % av elektive keisersnitt blitt utført under spinalbedøvelse, noe som gjør det til den mest brukte teknikken av anestesileger. Spinal anestesi induserer iatrogen sympatisk blokade, reduserer systemisk vaskulær motstand sammen med arteriell og venøs vasodilatasjon, noe som fører til hypotensjon. Forekomsten av hypotensjon etter spinal anestesi hos gravide kvinner varierer fra 7,4 % til 74 %, som rapportert av Klöhr et al. Hyppigheten av hypotensjon er høyere hos gravide kvinner på grunn av faktorer som liggende hypotensjonssyndrom forårsaket av føtal inferior vena cava kompresjon og utvikling av kollateral venøs plexus i epiduralområdet, noe som fører til oppstigning av intratekal lokalbedøvelse i cerebrospinalvæsken. Utdyping av hypotensjon og bradykardi hos pasienten kan resultere i hjertekollaps, føtal hypoksi og acidose, noe som utgjør en uforutsigbar risiko for både mors og fosterhelse. Rollen til anestesileger er å forhindre eller håndtere denne risikofylte tilstanden effektivt.
Nylige fremskritt innen dyp læring og kunstig intelligens (AI) har funnet sin plass innen anestesi. AI-applikasjoner i anestesi kan kategoriseres i fem hovedområder: 1) Overvåking av dybden av anestesi (f.eks. teknikker som analyserer EEG-data under anestesi), 2) Kontroll av anestesitilførsel basert på anestesidybde, 3) Hendelsesprediksjon, 4) Ultralydveiledning, og 5) Smertebehandling.
Blant disse applikasjonene er hendelsesforutsigelse spesielt kritisk for anestesileger. Å vite om en hendelse før den inntreffer bidrar til å forebygge eller muliggjøre mer nøyaktig håndtering. Det har vært 53 studier i litteraturen som bruker AI for hendelsesforutsigelse, inkludert studier som utvikler algoritmer for å forutsi hypotensjon under kirurgi og validerer disse algoritmene. Det som skiller dette prosjektet fra eksisterende studier er:
Disse studiene er ikke spesielt utviklet for å forutsi spinal anestesi-indusert hypotensjon under keisersnitt.
Disse studiene har for det meste brukt bølgeanalyse (ikke-invasiv eller invasiv) for å forutsi hypotensjon. I dette prosjektet vil ikke denne tilnærmingen bli benyttet. Preoperative vurderinger vil bli utført, og pasientkarakteristikker vil bli registrert. Derfor vil den resulterende algoritmen ikke være en dynamisk/sanntidsdatainndataalgoritme.
Det enkle å registrere preoperative karakteristikker, fraværet av behov for invasiv arteriell overvåking og potensialet for anvendelighet gjør utviklingen av algoritmen mer praktisk. Den utviklede algoritmen vil være praktisk å bruke.
Algoritmen som skal trenes vil, i likhet med studien til Hatib et al., rapportere risikoen for hypotensjon i prosent.
AI og dets undergruppe, maskinlæringsalgoritmer, påvirker alle aspekter av livene våre. Innen det medisinske feltet har det blitt en metode, spesielt for å redusere menneskelige feil i klinisk beslutningstaking.
I denne studien vil demografisk informasjon, vitale tegn, spesifikke blodparametre og visse egenskaper knyttet til administrering av spinalbedøvelse bli systematisk registrert for gravide kvinner som gjennomgår spinalanestesi. Blodparametre inkluderer fullstendig blodtelling, serumelektrolytter, leverenzymnivåer (ALT/AST) og Syndecan-1. Alle blodparametere er oppført i den originale studieprotokollen. Syndecan-1 er et molekyl som kastes inn i serumet med nedbrytning eller skade av det vaskulære endoteliale glykokalyx-laget. Spesielt stiger den under volumbelastning, sepsis eller inflammatoriske prosesser. Serum Syndecan-1-nivåer øker ettersom ukene av svangerskapet utvikler seg, med den mest signifikante økningen som skjer mellom 20. og 30. uke. Hvis svangerskapsforgiftning utvikler seg i de senere stadier av svangerskapet, synker Syndecan-1-nivåene.
Syndecan-1-nivåer i hypertensive svangerskap endres ikke signifikant sammenlignet med normale svangerskap, men forskjeller er observert i Syndecan-1-nivåer ved preeklampsi. Derfor, som nevnt i metodedelen, vil hypertensive og preeklamtiske gravide ikke inkluderes i studien.
I en studie som undersøkte preoperative og postoperative nivåer av Syndecan-1 hos pasienter med keisersnitt som gjennomgikk spinalbedøvelse, ble det funnet en signifikant forskjell. Studien konkluderte med at preoperativ profylaktisk væskebolusadministrasjon påvirket nedbrytning av endotelglykokalyx. Basert på denne studien har Syndecan-1 det teoretiske potensialet til å være en ny markør for å forutsi hypotensjon. Selv om Syndecan-1 er studert hos gravide kvinner tidligere, er det ingen studie i litteraturen som undersøker sammenhengen mellom preoperative Syndecan-1-nivåer og hypotensjon under spinalbedøvelse hos pasienter med keisersnitt. Denne studien vil både undersøke forholdet mellom Syndecan-1 og hypotensjon og evaluere dens plass i den utviklede algoritmen.
Etter registrering av de første dataene for hver pasient, vil utviklingen av hypotensjon bli observert og dokumentert. De innsamlede dataene vil bli analysert for å undersøke sammenhengen mellom forekomst eller ikke-forekomst av hypotensjon etter induksjon. I tillegg vil en kunstig intelligens-algoritme bli utviklet ved hjelp av disse dataene. Hovedmålet er å utvikle algoritmen. I løpet av studien vil det ikke være noen endringer i anestesibehandlingen for de gravide.
I denne sammenhengen har den utviklede algoritmen som mål å tidlig identifisere hypotensjon forårsaket av spinalbedøvelse (forutsi risikoen for hypotensjon før operasjonen starter) og muliggjøre tidlig behandlingsstart.
Metode:
Tidspunkt for prosjektet: Den etiske godkjenningen for prosjektet er gitt av Hacettepe University Non-Interventional Clinical Research Ethics Board. Prosjektet er planlagt gjennomført mellom november 2023 og april 2024.
Metodikk og datainnsamlingsverktøy for prosjektet:
Data fra pasienter som oppfyller inklusjonskriteriene i operasjonsrommet vil bli hentet fra rutinemessige testresultater sendt etter sykehusinnleggelse for keisersnitt, observasjonsskjemaer for preoperativ sykepleier og registreringer av vitale tegn overvåket med anestesi under operasjonen. Etter at pasienten er ført til operasjonsstuen, vil informasjonen i Datainnsamlingsskjemaet fylles ut av anestesilege. Varigheten av hypotensjon etter spinal anestesi begynner umiddelbart etter narkoseadministrasjon hos gravide kvinner, og når sitt laveste nivå innen ca. 10-15 minutter. Det er kjent å gå tilbake til det normale innen 20-30 minutter. Imidlertid kan varigheten av hypotensjon variere avhengig av faktorer som svangerskapsalder, anestesidose, pasientens generelle helsetilstand og andre faktorer. Spesielt hos gravide kvinner med høye anestesidoser eller hypertensjon kan varigheten av hypotensjon være lengre. Derfor må varigheten av hypotensjon evalueres individuelt for hver pasient. I denne studien foretrekkes imidlertid observasjon de første 15 minuttene. Denne preferansen er gjort fordi algoritmen forutsier spinal-indusert hypotensjon basert på preoperative egenskaper. Med den utvidede observasjonsperioden, forekomsten av fødsel, økningen i hjertevolum og initiering av oksytocininfusjon under operasjonen gjør hemodynamikken til en kompleks situasjon påvirket av flere uavhengige faktorer. Datainnsamlingen vil avsluttes etter de første 15 minuttene, og hypotensjon som oppstår etter det 15. minuttet vil ikke bli registrert for studien; observasjonen vil bli avsluttet.
Innsamling av prosjektdata:
Før pasienter tas til operasjonsstuen, vil en tilstrekkelig mengde blod bli tatt fra de rutinemessige blodprøvene før levering tatt fra pasienten for blodparametrene. Bortsett fra Syndecan-1, er de andre parametrene i blodparametrene rutinetester som rutinemessig utføres i Hacettepe University Hospital Biochemistry-laboratorier.
Ved måling av syndekan-1, vil absorbansavlesninger bli utført ved hjelp av SpectraMax-M2 (Molecular Devices, USA) enheten plassert i Institutt for biokjemi ved Hacettepe University. Deretter vil serumsyndekan-1-nivåer beregnes ved å bruke GraphPad Prism-programmet basert på standardgrafen. Anskaffelsen av nødvendige ELISA-sett for syndecan-1-måling vil bli utført gjennom finansiering fra Hacettepe Universitys Scientific Research and Project Office.
Dataanalyse:
Gjennom trinnene i algoritmeutviklingen vil programmeringsspråket Python bli brukt. Utviklingsprosessen til algoritmen for kunstig intelligens vil følge retningslinjene for utvikling og rapportering av prediktive modeller for maskinlæring i biomedisinsk forskning: En flerfaglig visning. Trinnene er som følger:
- Datainnsamling: Data vil bli registrert ved å fylle ut datainnsamlingsskjemaet.
- Databehandling: Etter datainnsamlingen vil dataene bli behandlet, og de deles tilfeldig inn i treningsdata og interne valideringsdata. Dataene vil bli renset for artefakter og feillesninger.
- Merknad: Data vil bli merket for klassifisering av kunstig intelligens, og definisjonen av hypotensjon vil bli kommentert. Studier vil bli utført for å bestemme potensialet for å oppdage hypotensjon med kunstig intelligens.
- Funksjonsvalg: Funksjoner som forutsier kommenterte hendelser i størst grad vil bli valgt. En eller flere funksjonsvalgalgoritmer vil bli brukt for denne prosessen, og funksjoner vil bli valgt basert på suksessen oppnådd i modellene.
- Modelloppretting: De mest relevante funksjonene i dataene vil bli valgt, og en modell vil bli utviklet. Grunnleggende klassifiseringsalgoritmer som K-Nearest Neighbors, Support Vector Machines (SVM), Decision Trees, Random Forest, som vanligvis brukes for klassifiseringsprosesser i litteraturen, vil bli brukt for å oppnå grunnleggende ytelsesforhold. Deretter vil en dyplæringsmetode utvikles, og ytelsesforskjellen mellom den foreslåtte metoden og de grunnleggende metodene vil bli undersøkt.
Kryssvalidering: Ytelsen til den første versjonen av modellen vil gjentatte ganger bli gjentatt kryssvalidering med undergrupper av data som modellen aldri har sett før. Dette vil bestemme modellens ytelse ved å undersøke ytelsesendringer ettersom dataene varierer. Avhengig av datastørrelsen, vil enten 10-gangers kryssvalidering eller 5-gangers kryssvalidering brukes.
Intern validering: Den prediktive ytelsen til algoritmen trent med treningsdataene vil bli vurdert ved hjelp av interne valideringsdata som den aldri har møtt.
I tillegg til algoritmeutviklingsprosessen, hvis variablene som sammenlignes er normalfordelte, statistiske tester som ANOVA; Students t-test og Mann-Whitney U-test vil bli brukt basert på antall sammenlignede grupper og normalfordelingsanalysen av variabler. Pearson Korrelasjonsanalyse og Spearman Korrelasjonsanalyse vil bli brukt til å analysere sammenhengen mellom hypotensjonsverdier og andre kontinuerlige parametere basert på normalfordelingsanalysen av variabler. Dessuten vil forutsigbarheten til systemet bli testet ved hjelp av sensitivitet, spesifisitet, positiv prediktiv verdi (PPV), negativ prediktiv verdi (NPV), oddsratio (OR), risikoforhold (RR), mottakerdriftskarakteristikkkurve og areal under kurven (AUROC), og Pearson korrelasjonskoeffisient (r) tester. Et statistisk signifikansnivå på p<0,05 vil bli akseptert. For statistisk analyse vil programvaren Statistical Packages for the Social Sciences v26.0 (SPSS Inc., Chicago, IL) bli brukt.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Samet Yavuzel, MD
- Telefonnummer: +90 312 305 12 50
- E-post: yavuzelsamet@gmail.com
Studer Kontakt Backup
- Navn: Banu Kılıçaslan, Professor, MD
- E-post: banuk9oct@gmail.com
Studiesteder
-
-
Altındağ
-
Ankara, Altındağ, Tyrkia, 06230
- Rekruttering
- Hacettepe University Hospitals
-
Ta kontakt med:
- Samet Yavuzel, MD
- Telefonnummer: +90 312 305 12 50
- E-post: yavuzelsamet@gmail.com
-
Hovedetterforsker:
- Banu Kılıçaslan, MD
-
Underetterforsker:
- Okan Bilge Ozdemir, PhD
-
Underetterforsker:
- Yesim Er Oztas, MD, PhD
-
Underetterforsker:
- Esin Oz, Research Ass.
-
Underetterforsker:
- Basak Akca, MD
-
Underetterforsker:
- Murat Cagan, MD
-
Hovedetterforsker:
- Samet Yavuzel, MD
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Å være 18 år eller eldre
- Å ha et American Society of Anesthesiologists (ASA) fysisk status I, II eller III
- Svangerskapsalder på 37 uker eller mer
- Etter å ha gjennomgått spinal eller kombinert spinal-epidural anestesi
Ekskluderingskriterier:
- Pasientens manglende vilje til å delta i studien
- Flergangssvangerskap
- Akutt keisersnitt
- Svangerskapsforgiftning
- Preoperativt målt systolisk blodtrykk lik eller større enn 140 mmHg (hypertensiv gravid kvinne)
- Å ha en kontraindikasjon for spinalbedøvelse eller opplever spinalbedøvelsessvikt
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
---|---|
Kvinnene som oppfyller inklusjonskriteriene, gjennomgår keisersnitt
Kvinner som oppfyller inklusjonskriteriene og har gjennomgått spinalbedøvelse for keisersnitt mellom november 2023 og mars 2024
|
Etter standard overvåking settes pasienten i sittende stilling for stedsmerking og administrering av anestesi.
Linjen som forbinder den øvre grensen til høyre og venstre hoftekammen gjennom konvensjonell palpasjon av anatomiske landemerker (Tuffier-linjen) er identifisert som inngangspunktet ved L3-L4 interspinous space eller L2-L3 interspace.
For pasienter der spinalinntreden er vellykket, gis spinalanestesi med passende dose og typer lokalbedøvelse (intratekal 10-12 mg bupivakain med tillegg av 15-25 mcg fentanyl).
Etter å ha fullført prosedyren og plassert pasienten i liggende stilling, bestemmes blokknivået 10 minutter etter prosedyren ved hjelp av istesten/nålestikktesten.
Blokker som når T4-T6-nivået anses som vellykkede.
Preoperativt vil syndekan-1 serumnivåer bli undersøkt fra blodprøven tatt før keisersnitt.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Det lave blodtrykket målt med ikke-invasive metoder
Tidsramme: De første 15 minuttene etter administrering av spinal anestesi
|
Gjennomsnittlig arterielt trykk faller under 65 mmHg • Systolisk blodtrykk faller under 80 mmHg • Systolisk blodtrykk faller under 75 % av baseline • Begynnende hypotensjonssymptomer som svimmelhet, økt salivasjon, kortpustethet, kvalme og oppkast.
|
De første 15 minuttene etter administrering av spinal anestesi
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
---|---|---|
Dosene av vasopressorer som brukes til behandling av hypotensjon
Tidsramme: De første 15 minuttene etter administrering av spinal anestesi.
|
Dosene av vasopressorer som brukes til behandling av hypotensjon
|
De første 15 minuttene etter administrering av spinal anestesi.
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Etterforskere
- Studieleder: Banu Kilicaslan, Professor, MD, Hacettepe University
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Traynor AJ, Aragon M, Ghosh D, Choi RS, Dingmann C, Vu Tran Z, Bucklin BA. Obstetric Anesthesia Workforce Survey: A 30-Year Update. Anesth Analg. 2016 Jun;122(6):1939-46. doi: 10.1213/ANE.0000000000001204.
- Fitzgerald JP, Fedoruk KA, Jadin SM, Carvalho B, Halpern SH. Prevention of hypotension after spinal anaesthesia for caesarean section: a systematic review and network meta-analysis of randomised controlled trials. Anaesthesia. 2020 Jan;75(1):109-121. doi: 10.1111/anae.14841. Epub 2019 Sep 18.
- Klohr S, Roth R, Hofmann T, Rossaint R, Heesen M. Definitions of hypotension after spinal anaesthesia for caesarean section: literature search and application to parturients. Acta Anaesthesiol Scand. 2010 Sep;54(8):909-21. doi: 10.1111/j.1399-6576.2010.02239.x. Epub 2010 Apr 23.
- Hatib F, Jian Z, Buddi S, Lee C, Settels J, Sibert K, Rinehart J, Cannesson M. Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis. Anesthesiology. 2018 Oct;129(4):663-674. doi: 10.1097/ALN.0000000000002300.
- Wijnberge M, Geerts BF, Hol L, Lemmers N, Mulder MP, Berge P, Schenk J, Terwindt LE, Hollmann MW, Vlaar AP, Veelo DP. Effect of a Machine Learning-Derived Early Warning System for Intraoperative Hypotension vs Standard Care on Depth and Duration of Intraoperative Hypotension During Elective Noncardiac Surgery: The HYPE Randomized Clinical Trial. JAMA. 2020 Mar 17;323(11):1052-1060. doi: 10.1001/jama.2020.0592.
- Betran AP, Ye J, Moller AB, Souza JP, Zhang J. Trends and projections of caesarean section rates: global and regional estimates. BMJ Glob Health. 2021 Jun;6(6):e005671. doi: 10.1136/bmjgh-2021-005671.
- Shitemaw T, Jemal B, Mamo T, Akalu L. Incidence and associated factors for hypotension after spinal anesthesia during cesarean section at Gandhi Memorial Hospital Addis Ababa, Ethiopia. PLoS One. 2020 Aug 13;15(8):e0236755. doi: 10.1371/journal.pone.0236755. eCollection 2020.
- Luo W, Phung D, Tran T, Gupta S, Rana S, Karmakar C, Shilton A, Yearwood J, Dimitrova N, Ho TB, Venkatesh S, Berk M. Guidelines for Developing and Reporting Machine Learning Predictive Models in Biomedical Research: A Multidisciplinary View. J Med Internet Res. 2016 Dec 16;18(12):e323. doi: 10.2196/jmir.5870.
- 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.
- van der Ven WH, Veelo DP, Wijnberge M, van der Ster BJP, Vlaar APJ, Geerts BF. One of the first validations of an artificial intelligence algorithm for clinical use: The impact on intraoperative hypotension prediction and clinical decision-making. Surgery. 2021 Jun;169(6):1300-1303. doi: 10.1016/j.surg.2020.09.041. Epub 2020 Dec 11.
- who. Available from: https://www.who.int/news/item/16-06-2021-caesarean-section-rates-continue-to-rise-amid-growing-inequalities-in-access#:~:text=According%20to%20new%20research%20from,21%25)%20of%20all%20childbirths.
- Bedson, R. and A. Riccoboni, Physiology of pregnancy: clinical anaesthetic implications. Continuing Education in Anaesthesia Critical Care & Pain, 2013. 14(2): p. 69-72.
- Yu C, Gu J, Liao Z, Feng S. Prediction of spinal anesthesia-induced hypotension during elective cesarean section: a systematic review of prospective observational studies. Int J Obstet Anesth. 2021 Aug;47:103175. doi: 10.1016/j.ijoa.2021.103175. Epub 2021 May 1.
- Massoth C, Topel L, Wenk M. Hypotension after spinal anesthesia for cesarean section: how to approach the iatrogenic sympathectomy. Curr Opin Anaesthesiol. 2020 Jun;33(3):291-298. doi: 10.1097/ACO.0000000000000848.
- Hashimoto DA, Witkowski E, Gao L, Meireles O, Rosman G. Artificial Intelligence in Anesthesiology: Current Techniques, Clinical Applications, and Limitations. Anesthesiology. 2020 Feb;132(2):379-394. doi: 10.1097/ALN.0000000000002960.
- Kang AR, Lee J, Jung W, Lee M, Park SY, Woo J, Kim SH. Development of a prediction model for hypotension after induction of anesthesia using machine learning. PLoS One. 2020 Apr 16;15(4):e0231172. doi: 10.1371/journal.pone.0231172. eCollection 2020.
- Choe S, Park E, Shin W, Koo B, Shin D, Jung C, Lee H, Kim J. Short-Term Event Prediction in the Operating Room (STEP-OP) of Five-Minute Intraoperative Hypotension Using Hybrid Deep Learning: Retrospective Observational Study and Model Development. JMIR Med Inform. 2021 Sep 30;9(9):e31311. doi: 10.2196/31311.
- Hahn RG, Patel V, Dull RO. Human glycocalyx shedding: Systematic review and critical appraisal. Acta Anaesthesiol Scand. 2021 May;65(5):590-606. doi: 10.1111/aas.13797. Epub 2021 Mar 7.
- George K, Poudel P, Chalasani R, Goonathilake MR, Waqar S, George S, Jean-Baptiste W, Yusuf Ali A, Inyang B, Koshy FS, Mohammed L. A Systematic Review of Maternal Serum Syndecan-1 and Preeclampsia. Cureus. 2022 Jun 9;14(6):e25794. doi: 10.7759/cureus.25794. eCollection 2022 Jun.
- Powell MF, Mathru M, Brandon A, Patel R, Frolich MA. Assessment of endothelial glycocalyx disruption in term parturients receiving a fluid bolus before spinal anesthesia: a prospective observational study. Int J Obstet Anesth. 2014 Nov;23(4):330-4. doi: 10.1016/j.ijoa.2014.06.001. Epub 2014 Jun 7. Erratum In: Int J Obstet Anesth. 2016 Dec;28:100. Powell, M [corrected to Powell, M F]; Frolich, M [corrected to Frolich, M A].
- Gratz I, Baruch M, Takla M, Seaman J, Allen I, McEniry B, Deal E. The application of a neural network to predict hypotension and vasopressor requirements non-invasively in obstetric patients having spinal anesthesia for elective cesarean section (C/S). BMC Anesthesiol. 2020 May 1;20(1):98. doi: 10.1186/s12871-020-01015-9.
- Lin CS, Chiu JS, Hsieh MH, Mok MS, Li YC, Chiu HW. Predicting hypotensive episodes during spinal anesthesia with the application of artificial neural networks. Comput Methods Programs Biomed. 2008 Nov;92(2):193-7. doi: 10.1016/j.cmpb.2008.06.013.
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
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
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- GO 22/1285
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
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. .
Kliniske studier på Spinal anestesi
-
University Health Network, TorontoAktiv, ikke rekrutterendeSpinal stenose | SpondylolisteseCanada
-
University of ManitobaRekrutteringRyggmargsskader | Ryggmargsskade på C5-C7 nivå | Paraplegi, spinal | Paraplegi, ufullstendigCanada
-
Olympus Biotech CorporationFullført
-
Université du Québec à Trois-RivièresFoundation for Chiropractic Education and Research (FCER)Fullført
-
Ignacio Alejandro Astudillo GanoraFullførtRyggsmerte | Lumbal smertesyndrom | Ryggsmerter, lavSpania
-
University of FloridaFullført
-
Balgrist University HospitalUniversité du Québec à Trois-RivièresRekruttering
-
Loma Linda UniversityFullførtNakkesmerterForente stater
-
Istanbul Medipol University HospitalFullførtSkoliose | Skoliose; Ungdomstiden | Trykkområde | OrteseTyrkia
-
Université du Québec à Trois-RivièresCanadian Institutes of Health Research (CIHR); Fonds de la Recherche en... og andre samarbeidspartnereAvsluttet