- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT06654388
Å konstruere en prognoseprediksjonsmodell for ECMO-pasienter basert på maskinlæringsalgoritmer
Studieoversikt
Status
Forhold
Detaljert beskrivelse
Ekstrakorporeal membranoksygenering (ECMO) brukes til å gi kontinuerlig ekstrakorporeal respirasjons- og sirkulasjonsstøtte til pasienter med alvorlig kardiopulmonal svikt. Det er den viktigste livsstøttemetoden innen intensivmedisin, og også en av de mest komplekse og kostbare behandlingsmetodene på intensivavdelingen (ICU). Det krever mye ressurser å vedlikeholde. Derfor er det spesielt viktig å nøye forstå indikasjonene til pasienter og nøyaktig forutsi prognosen til pasienter for å hjelpe klinisk beslutningstaking.
Flere tidligere publiserte studier har brukt kliniske skårer for å forutsi prognosen til ECMO-pasienter, men de fleste av dem fokuserte på ECMO-utfall i spesifikke pasientgrupper, slik som respiratorisk distresssyndrom hos voksne (ARDS), respirasjonssvikt, lungetransplantasjon, kardiogent sjokk og så videre. på. I tillegg ble de fleste av disse estimatene beregnet ved bruk av tradisjonelle statistiske metoder og har begrenset tilpasningskraft for datasett med mer karakteristiske variabler.
Artificial Intelligence (AI) og Machine Learning (ML) gir et mer avansert alternativ til tradisjonelle statistiske metoder, og har enestående fordeler når det gjelder å håndtere datasett med høydimensjonale karakteristiske variabler og ikke-lineære data. Og den kan selviterere for å forbedre modellens ytelse. I tillegg har ML, som kan behandle informasjon basert på årsaks- eller statistiske data, avslørt skjulte avhengigheter mellom kliniske indikatorer og sykdomsprognose og støtte klinisk beslutningstaking, fremstått som det beste alternativet. De primære utfallsmålene ble utskrevet i live fra sykehuset og døde sykehusinnleggelse. Totalt 69 kliniske karakteristiske indikatorer ble identifisert basert på relevant litteratur og innsikt fra ECMO-eksperter innen intensivmedisin. Disse indikatorene inkluderte demografiske data som alder, høyde, vekt og sykehistorien til ECMO-pasienter. I tillegg ble infeksjonsindikatorer vurdert innen 24 timer før oppstart av ECMO-støtte og innen 24 timer etter seponering. Videre ble indikatorer knyttet til hjerte-, nyre- og leverfunksjon, samt type sjokk (distributivt sjokk, hypovolemisk sjokk, kardiogent sjokk, obstruktivt sjokk), inkludert. I tillegg ble det gjennomsnittlige daglige væskevolumet innen tre dager etter oppstart av ECMO-støtte, varigheten av ECMO-støtte og ICU-oppholdslengden også vurdert.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- ZhuJiang Hospital of Southern Medical University
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inkluderingskriterier:
- Alle pasienter som gjennomgikk ECMO på sykehuset vårt og ble registrert i CSECLS-registerdatabasen (ClinicalTrials.gov Identifikator:NCT04158479) fra 1. januar 2018 til nå ble samlet inn i etterkant.
Ekskluderingskriterier:
- ECMO ble avbrutt av ikke-medisinske årsaker.
- Under 18 år.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
|---|
|
Død
|
|
Overleve
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
overleve
Tidsramme: Pasienter ble registrert fra 48 timer før oppstart av ecmo til overlevelsesdato til sykehusutskrivning eller død i opptil tre måneder
|
Pasienter ble registrert fra 48 timer før oppstart av ecmo til overlevelsesdato til sykehusutskrivning eller død i opptil tre måneder
|
|
død
Tidsramme: Pasienter ble registrert fra 48 timer før oppstart av ecmo til overlevelsesdato til sykehusutskrivning eller død i opptil tre måneder
|
Pasienter ble registrert fra 48 timer før oppstart av ecmo til overlevelsesdato til sykehusutskrivning eller død i opptil tre måneder
|
Samarbeidspartnere og etterforskere
Sponsor
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Ayers B, Wood K, Gosev I, Prasad S. Predicting Survival After Extracorporeal Membrane Oxygenation by Using Machine Learning. Ann Thorac Surg. 2020 Oct;110(4):1193-1200. doi: 10.1016/j.athoracsur.2020.03.128. Epub 2020 May 23.
- Stephens AF, Seman M, Diehl A, Pilcher D, Barbaro RP, Brodie D, Pellegrino V, Kaye DM, Gregory SD, Hodgson C; Extracorporeal Life Support Organization Member Centres. ECMO PAL: using deep neural networks for survival prediction in venoarterial extracorporeal membrane oxygenation. Intensive Care Med. 2023 Sep;49(9):1090-1099. doi: 10.1007/s00134-023-07157-x. Epub 2023 Aug 7.
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
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
Nøkkelord
Andre studie-ID-numre
- 2022-KY-026-01
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. .