Machine Learning Abortbehandling Studie av klinisk beslutningsstøtteverktøy (MLMM)
Maskinlæring brukes til å utvikle en algoritme for å bestemme sjansen for suksess med forventningsfull eller medisinsk behandling for en individuell pasient. Ta hensyn til følgende objektive tiltak:
- Demografi: Mors alder, paritet
- Historikk: Tidligere CS, Forrige SMM/MVA, Tidligere myomektomi
- Svangerskap ved LMP
- Presenterende symptomer: Blødningsscore, Smertescore
- USS-mål: CRL, GS, RPOC 3 dimensjoner, Vascularity
- Avvik mellom svangerskap ved CRL og LMP
Revisjon for å samle 1000 saker og identifisere funksjoner som bidrar til en algoritme som kan forutsi resultatet av spontanaborthåndtering for individualisert saksbehandling.
Studieoversikt
Status
Forhold
Detaljert beskrivelse
- Oppdagelsesvitenskap om kunstig intelligens: Algoritmeutvikling basert på en retrospektiv revisjon av omtrent 1000 tilfeller av spontanabort
- For å bestemme påliteligheten til verktøyet med testdatasett
- Å øke sensitiviteten og spesifisiteten til beslutningshjelpen ved å utvide datainnsamlingen til flere nettsteder og teste algoritmen med potensielle data
Studien vil bli utført ved Queen Charlotte's og Chelsea Hospital ved Imperial College Healthcare NHS Trusts (studiens primære senter).
Dette er en multisenter retrospektiv kohortobservasjonsstudie.
Studien vil bli utført over minimum tre år for å gi tilstrekkelig tid til å gå gjennom de retrospektive dataene og samle testdatasett.
Retrospektive annonymiserte tilfeller av ubesvarte spontanabort og ufullstendige spontanaborter administrert ved Imperial College Healthcare NHS Trust vil bli analysert:
For hvert tilfelle vil følgende kliniske egenskaper bli samlet og utfall:
- Demografi: Mors alder, paritet
- Historikk: Tidligere CS, Forrige SMM/MVA, Tidligere myomektomi
- Svangerskap ved LMP
- Presenterende symptomer: Blødningsscore, Smertescore
- USS-mål: CRL, GS, RPOC 3 dimensjoner, Vascularity
- Avvik mellom svangerskap ved CRL og LMP
Alle data vil bli samlet inn retrospektivt og anonymisert.
Etter datainnsamling vil maskinlæringsmodeller og funksjonsreduksjonsmetoder bli brukt for å bestemme den modellen som gir best resultater for å forutsi suksess eller fiasko i henholdsvis forventet eller medisinsk behandling av spontanabort.
Den neste fasen vil inkludere en prospektiv revisjon for å samle inn data og teste prediksjonskraften til MLM-verktøyet for klinisk beslutningsstøtte.
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiesteder
-
-
-
London, Storbritannia, W12 0HS
- Rekruttering
- Imperial College Heatlhcare NHS Trust
-
Ta kontakt med:
- Sughashini Murugesu
- Telefonnummer: 07988390772
- E-post: sughashini.murugesu@nhs.net
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Besvart spontanabort og ufullstendig spontanabort mindre enn 14 ukers svangerskap
- Oppfølging registrert ved 2 uker
Ekskluderingskriterier:
- Sluttresultatdata er utilgjengelige
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Forventet behandling av spontanabort
Kohort som valgte å forfølge forventningsfull behandling av spontanabort, endelig resultat suksess eller fiasko innen dag 14 fra ledelsens valg
|
Forventet behandling: Konservativ behandling hvis spontanabort med oppfølging booket om 2 uker for å avgjøre om fullstendig spontanabort har skjedd.
|
|
Medisinsk behandling av spontanabort
Kohort som valgte å forfølge medisinsk behandling av spontanabort, endelig resultat suksess eller fiasko innen dag 14 fra ledelsens valg
|
Medisinsk behandling: Misoprostol tatt for å håndtere spontanabort i første trimester, med oppfølging booket om 2 uker for å avgjøre om fullstendig spontanabort har skjedd.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Utvikling av prediktiv modell for maskinlæring for utfall av aborthåndtering.
Tidsramme: Januar 2023 – juni 2024
|
Utvikling av prediktiv modell for maskinlæring basert på en retrospektiv revisjon av omtrent 1000 tilfeller av spontanabort.
|
Januar 2023 – juni 2024
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Prospektiv revisjon for å teste og validere prediktiv modell
Tidsramme: Juli 2024–juni 2025
|
For å øke følsomheten og spesifisiteten til beslutningshjelpen ved å utvide datainnsamlingen til flere nettsteder og teste maskinlæringsmodellen med potensielle data.
|
Juli 2024–juni 2025
|
Samarbeidspartnere og etterforskere
Sponsor
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
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 (Faktiske)
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
- 23QC8155
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. .
Kliniske studier på Abort i første trimester
-
University Hospital, GrenobleSociété Française d'Anesthésie et de RéanimationFullførteFast Diagnosis Performance in Guiding First Aid Resuscitation and HemostasisFrankrike
-
Gliknik Inc.RekrutteringFirst in Man-studie for å evaluere innledende sikkerhetStorbritannia