- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05311046
Narzędzie do badań przesiewowych w kierunku sepsy u dzieci oparte na sztucznej inteligencji oparte na biomarkerach
Wzmocnione biomarkerami narzędzie do badań przesiewowych sepsy u dzieci oparte na sztucznej inteligencji w kierunku wczesnego rozpoznawania i spersonalizowanych terapii
Ogólnym celem proponowanych badań jest opracowanie narzędzia do badań przesiewowych w kierunku sepsy u dzieci (PSCT) (oprogramowanie) opartego na biomarkerach, opartego na sztucznej inteligencji (AI), które może być używane w połączeniu ze szpitalnym systemem elektronicznej dokumentacji medycznej (EHR) do monitorowania i oceniać w czasie rzeczywistym dane z elektronicznej dokumentacji medycznej (EHR) oddziałów ratunkowych (SOR) w celu poprawy wczesnego rozpoznawania sepsy u dzieci i rozpoczęcia w odpowiednim czasie agresywnej, spersonalizowanej terapii sepsy, o której wiadomo, że poprawia wyniki pacjentów.
Przypuszcza się, że skuteczność badania przesiewowego (np. dodatnia wartość predykcyjna) przewidywanego narzędzia do badań przesiewowych zostanie znacznie zwiększona dzięki włączeniu wyników testu panelu biomarkerów (PERSEVERE), które okazały się skuteczne w przewidywaniu pogorszenia stanu klinicznego u osób niebędących krytycznie chorych pacjentów pediatrycznych z obniżoną odpornością ocenianych pod kątem infekcji. Postawiono również hipotezę, że udoskonalone fenotypy można uzyskać, łącząc biomarkery PERSEVERE w połączeniu z rutynowo gromadzonymi danymi EHR w celu ulepszenia spersonalizowanej medycyny.
Przegląd badań
Status
Warunki
Szczegółowy opis
Tło i uzasadnienie Istniejące zautomatyzowane narzędzia do badań przesiewowych w kierunku sepsy u dzieci (PSCT) oparte na uzgodnionych kryteriach stosowanych obecnie na oddziałach ratunkowych nie poprawiają wczesnego rozpoznawania i/lub nie dostarczają informacji o spersonalizowanych decyzjach terapeutycznych prowadzących do lepszych wyników. Inicjatywa Improving Pediatric Sepsis Outcomes (IPSO) wykazała, że dzięki włączeniu pacjentów otrzymujących leczenie rozszerzone kryteria obejmowały nie tylko pacjentów, u których rozwinęła się sepsa z dysfunkcją narządu (OD), ale także tych, u których leczono wczesną posocznicę i potencjalnie uniknięto OD.
Celem proponowanych wysiłków jest wyprowadzenie i retrospektywna walidacja narzędzia do badań przesiewowych sepsy u dzieci, opartego na sztucznej inteligencji, opartego na biomarkerach, które można wykorzystać do przeszukiwania danych ED EHR w celu poprawy wczesnego rozpoznawania, stratyfikacji ciężkości i szybkiego rozpoczęcia spersonalizowanej terapii sepsy. CTA i jego 6 partnerów instytucjonalnych wspólnie proponują ustanowienie dwóch rejestrów pacjentów pozbawionych danych identyfikacyjnych: 1) „kohorta zawierająca wyłącznie dane EHR” (N = 2000) oraz 2) „kohorta danych EHR + dane dotyczące biomarkerów” (N = 400) w celu wsparcia tego celu.
Elementy danych o spotkaniach, które należy wyodrębnić z EHR w celu włączenia do tych rejestrów, obejmują zarówno ustrukturyzowane (np. pomiary fizjologiczne ze znacznikiem czasu, leczenie, procedury, wyniki), jak i notatki w formie dowolnego tekstu.
Analiza danych i błędy systemowe Wszystkie dane badawcze, w tym dane fizjologiczne uzyskane z EHR pacjenta i wyniki testów biomarkerów, zostaną przeanalizowane przy użyciu różnych algorytmów i technik uczenia maszynowego w celu stworzenia precyzyjnego modelu predykcyjnego badania przesiewowego sepsy. Metody analityczne obejmują standardową opisową analizę statystyczną skuteczności klasyfikacji predykcyjnej (np. AUC, czułość/swoistość, PPV itp.).
Typ studiów
Zapisy (Oczekiwany)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
District of Columbia
-
Washington, District of Columbia, Stany Zjednoczone, 20010
- Rekrutacyjny
- Children's National Hospital
-
Kontakt:
- Ioannis Koutroulis
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
Pacjenci w wieku od 3 miesięcy do 17 lat włącznie
- Zdiagnozowano sepsę przez lekarza lub wywołano alarm sepsy i zlecono posiew krwi. Kontrolą będą pacjenci fałszywie dodatni.
- W przypadku pacjentów, którzy będą prospektywnie włączeni do pobierania próbek krwi: będą wymagać nakłucia żyły lub umieszczenia wkłucia dożylnego.
Kryteria wyłączenia:
- Pacjenci uczestniczący w programie badawczym z interwencjami wykraczającymi poza rutynową praktykę kliniczną
- Pacjenci, których rodzice lub LAR nie mówią po angielsku lub hiszpańsku
- Ciąża
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kontrola przypadków
- Perspektywy czasowe: Inny
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
---|---|
Retrospektywna grupa zawierająca wyłącznie dane EHR
Członkowie tej grupy to pacjenci pediatryczni w wieku od 3 miesięcy do 17 lat włącznie, którzy zgłosili się do jednego z sześciu oddziałów ratunkowych uczestniczącej instytucji w latach 2016-2021 i uzyskali pozytywny wynik badania przesiewowego pod kątem podejrzenia sepsy przy użyciu istniejącego protokołu badań przesiewowych w kierunku sepsy u dzieci w placówce i otrzymać zlecenie na posiew krwi.
Wiadomo, że obecne pediatryczne narzędzia przesiewowe/ostrzegające są bardzo czułe, ale słabo specyficzne.
„Przypadki” w tej kohorcie będą obejmować te, u których ostatecznie zdiagnozowano posocznicę i/lub które otrzymują leczenie sepsy zgodne z protokołem.
„Kontrolą” w tej kohorcie będą osoby z fałszywie dodatnim alarmem, tj. u których nie zdiagnozowano posocznicy i nie poddano protokołowanemu leczeniu sepsy.
|
Wszystkie uczestniczące instytucje stosują algorytmiczny, ręczny lub kombinowany algorytmiczny/ręczny protokół badań przesiewowych w kierunku sepsy u dzieci zgłaszających się z gorączką i/lub podejrzeniem infekcji.
Chociaż poszczególne parametry testowane w narzędziach przesiewowych różnią się, generalnie składają się one z testów ogólnoustrojowej odpowiedzi zapalnej (np.
SIRS) i/lub dysfunkcja narządów (np.
SOFA) i/lub wysoka podatność (np.
obniżonej odporności).
|
Prospektywna grupa danych EHR i Biomarker
Członkowie tej grupy to pacjenci pediatryczni w wieku od 3 miesięcy do 17 lat włącznie, którzy zgłosili się do jednego z sześciu oddziałów ratunkowych uczestniczącej instytucji w okresie rejestracji do badania, z pozytywnym wynikiem badania przesiewowego pod kątem podejrzenia posocznicy przy użyciu istniejącego protokołu badań przesiewowych w kierunku sepsy u dzieci w placówce, otrzymać zlecenie na posiew krwi i wyrazić świadomą zgodę/zgodę na pobranie próbki krwi o objętości 1-5 ml do oznaczenia biomarkerów PERSEVERE.
Członkowie tej kohorty również wyrazili zgodę na ponowne wykorzystanie ich danych medycznych do celów badawczych.
Wiadomo, że obecne pediatryczne narzędzia przesiewowe/ostrzegające są bardzo czułe, ale słabo specyficzne.
„Przypadki” w tej kohorcie będą obejmować te, u których ostatecznie zdiagnozowano posocznicę i/lub które otrzymują leczenie sepsy zgodne z protokołem.
„Kontrolą” w tej kohorcie będą osoby z fałszywie dodatnim alarmem, tj. u których nie zdiagnozowano posocznicy i nie poddano protokołowanemu leczeniu sepsy.
|
Wszystkie uczestniczące instytucje stosują algorytmiczny, ręczny lub kombinowany algorytmiczny/ręczny protokół badań przesiewowych w kierunku sepsy u dzieci zgłaszających się z gorączką i/lub podejrzeniem infekcji.
Chociaż poszczególne parametry testowane w narzędziach przesiewowych różnią się, generalnie składają się one z testów ogólnoustrojowej odpowiedzi zapalnej (np.
SIRS) i/lub dysfunkcja narządów (np.
SOFA) i/lub wysoka podatność (np.
obniżonej odporności).
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Skuteczne narzędzie do badań przesiewowych w kierunku sepsy u dzieci (PSCT) oparte na systemie eksperckim
Ramy czasowe: Ostatnie 3 miesiące studiów.
|
W okresie testowania użyteczności, poprzez naśladowanie logiki ekspertów w narzędziu do badań przesiewowych, które może być stale ulepszane wraz z doświadczeniem, osiągnięcie wysokiego poziomu użyteczności przepływu pracy na SOR w kierunku lepszego wczesnego rozpoznawania sepsy IPSO, postrzeganego przez praktykujących klinicystów ED zaangażowanych w użyteczność testowanie.
|
Ostatnie 3 miesiące studiów.
|
Wysokowydajne narzędzie do badań przesiewowych w kierunku sepsy u dzieci (PSCT) oparte na systemie eksperckim
Ramy czasowe: Korzystanie z „wczesnych danych” po przedstawieniu na SOR, np. po otrzymaniu danych biomarkerów w ciągu pierwszych 3 godzin od przedstawienia)
|
Aby uzyskać wysokowydajny (np. czułość/swoistość > 90%, PPV > 40%) PSCT w celu identyfikacji pacjentów na SOR spełniających kryteria posocznicy IPSO przy użyciu danych z wczesnego kontaktu (np.
po otrzymaniu danych biomarkerów w ciągu 1-3 godzin od prezentacji).
|
Korzystanie z „wczesnych danych” po przedstawieniu na SOR, np. po otrzymaniu danych biomarkerów w ciągu pierwszych 3 godzin od przedstawienia)
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Skuteczne fenotypowanie sepsy w celu spersonalizowanego leczenia
Ramy czasowe: Funkcje oparte na pierwszych 6 godzinach po wystąpieniu u pacjentów z rozpoznaniem sepsy i rozpoczętym protokole leczenia.
|
Wykazanie, że połączone dane biomarkerów PERSEVERE i EHR jako cechy grupowania (np. przy użyciu analizy latentnych klas) poprawiają wykrywanie klinicznie użytecznych fenotypów prognostycznych.
|
Funkcje oparte na pierwszych 6 godzinach po wystąpieniu u pacjentów z rozpoznaniem sepsy i rozpoczętym protokole leczenia.
|
Współpracownicy i badacze
Publikacje i pomocne linki
Publikacje ogólne
- Hajian-Tilaki K. Sample size estimation in diagnostic test studies of biomedical informatics. J Biomed Inform. 2014 Apr;48:193-204. doi: 10.1016/j.jbi.2014.02.013. Epub 2014 Feb 26.
- Goldstein B, Giroir B, Randolph A; International Consensus Conference on Pediatric Sepsis. International pediatric sepsis consensus conference: definitions for sepsis and organ dysfunction in pediatrics. Pediatr Crit Care Med. 2005 Jan;6(1):2-8. doi: 10.1097/01.PCC.0000149131.72248.E6.
- Eisenberg M, Madden K, Christianson JR, Melendez E, Harper MB. Performance of an Automated Screening Algorithm for Early Detection of Pediatric Severe Sepsis. Pediatr Crit Care Med. 2019 Dec;20(12):e516-e523. doi: 10.1097/PCC.0000000000002101.
- Eisenberg MA, Freiman E, Capraro A, Madden K, Monuteaux MC, Hudgins J, Harper M. Outcomes of Patients with Sepsis in a Pediatric Emergency Department after Automated Sepsis Screening. J Pediatr. 2021 Aug;235:239-245.e4. doi: 10.1016/j.jpeds.2021.03.053. Epub 2021 Mar 30.
- Iwashyna TJ, Odden A, Rohde J, Bonham C, Kuhn L, Malani P, Chen L, Flanders S. Identifying patients with severe sepsis using administrative claims: patient-level validation of the angus implementation of the international consensus conference definition of severe sepsis. Med Care. 2014 Jun;52(6):e39-43. doi: 10.1097/MLR.0b013e318268ac86.
- Mathias B, Mira JC, Larson SD. Pediatric sepsis. Curr Opin Pediatr. 2016 Jun;28(3):380-7. doi: 10.1097/MOP.0000000000000337.
- Weiss SL, Parker B, Bullock ME, Swartz S, Price C, Wainwright MS, Goodman DM. Defining pediatric sepsis by different criteria: discrepancies in populations and implications for clinical practice. Pediatr Crit Care Med. 2012 Jul;13(4):e219-26. doi: 10.1097/PCC.0b013e31823c98da.
- Scott HF, Brilli RJ, Paul R, Macias CG, Niedner M, Depinet H, Richardson T, Riggs R, Gruhler H, Larsen GY, Huskins WC, Balamuth F; Improving Pediatric Sepsis Outcomes (IPSO) Collaborative Investigators.. Evaluating Pediatric Sepsis Definitions Designed for Electronic Health Record Extraction and Multicenter Quality Improvement. Crit Care Med. 2020 Oct;48(10):e916-e926. doi: 10.1097/CCM.0000000000004505.
- Lippi G. Sepsis biomarkers: past, present and future. Clin Chem Lab Med. 2019 Aug 27;57(9):1281-1283. doi: 10.1515/cclm-2018-1347. No abstract available.
- Marshall JC, Reinhart K; International Sepsis Forum. Biomarkers of sepsis. Crit Care Med. 2009 Jul;37(7):2290-8. doi: 10.1097/CCM.0b013e3181a02afc.
- Taneja I, Reddy B, Damhorst G, Dave Zhao S, Hassan U, Price Z, Jensen T, Ghonge T, Patel M, Wachspress S, Winter J, Rappleye M, Smith G, Healey R, Ajmal M, Khan M, Patel J, Rawal H, Sarwar R, Soni S, Anwaruddin S, Davis B, Kumar J, White K, Bashir R, Zhu R. Combining Biomarkers with EMR Data to Identify Patients in Different Phases of Sepsis. Sci Rep. 2017 Sep 7;7(1):10800. doi: 10.1038/s41598-017-09766-1. Erratum In: Sci Rep. 2019 Nov 19;9(1):17419.
- Patel K, McElvania E. Diagnostic Challenges and Laboratory Considerations for Pediatric Sepsis. J Appl Lab Med. 2019 Jan;3(4):587-600. doi: 10.1373/jalm.2017.025908. Epub 2018 Nov 21.
- Lanziotti VS, Povoa P, Soares M, Silva JR, Barbosa AP, Salluh JI. Use of biomarkers in pediatric sepsis: literature review. Rev Bras Ter Intensiva. 2016 Oct-Dec;28(4):472-482. doi: 10.5935/0103-507X.20160080.
- Wong HR, Salisbury S, Xiao Q, Cvijanovich NZ, Hall M, Allen GL, Thomas NJ, Freishtat RJ, Anas N, Meyer K, Checchia PA, Lin R, Shanley TP, Bigham MT, Sen A, Nowak J, Quasney M, Henricksen JW, Chopra A, Banschbach S, Beckman E, Harmon K, Lahni P, Lindsell CJ. The pediatric sepsis biomarker risk model. Crit Care. 2012 Oct 1;16(5):R174. doi: 10.1186/cc11652.
- Jacobs L, Berrens Z, Stenson EK, Zackoff MW, Danziger LA, Lahni P, Wong HR. The Pediatric Sepsis Biomarker Risk Model (PERSEVERE) Biomarkers Predict Clinical Deterioration and Mortality in Immunocompromised Children Evaluated for Infection. Sci Rep. 2019 Jan 23;9(1):424. doi: 10.1038/s41598-018-36743-z.
- Gardlund B, Dmitrieva NO, Pieper CF, Finfer S, Marshall JC, Taylor Thompson B. Six subphenotypes in septic shock: Latent class analysis of the PROWESS Shock study. J Crit Care. 2018 Oct;47:70-79. doi: 10.1016/j.jcrc.2018.06.012. Epub 2018 Jun 8.
- Williams JB, Ghosh D, Wetzel RC. Applying Machine Learning to Pediatric Critical Care Data. Pediatr Crit Care Med. 2018 Jul;19(7):599-608. doi: 10.1097/PCC.0000000000001567.
- Seymour CW, Kennedy JN, Wang S, Chang CH, Elliott CF, Xu Z, Berry S, Clermont G, Cooper G, Gomez H, Huang DT, Kellum JA, Mi Q, Opal SM, Talisa V, van der Poll T, Visweswaran S, Vodovotz Y, Weiss JC, Yealy DM, Yende S, Angus DC. Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019 May 28;321(20):2003-2017. doi: 10.1001/jama.2019.5791.
- Sepanski RJ, Godambe SA, Mangum CD, Bovat CS, Zaritsky AL, Shah SH. Designing a pediatric severe sepsis screening tool. Front Pediatr. 2014 Jun 16;2:56. doi: 10.3389/fped.2014.00056. eCollection 2014.
- Sinha P, Calfee CS, Delucchi KL. Practitioner's Guide to Latent Class Analysis: Methodological Considerations and Common Pitfalls. Crit Care Med. 2021 Jan 1;49(1):e63-e79. doi: 10.1097/CCM.0000000000004710.
- Weiss SL, Fitzgerald JC, Balamuth F, Alpern ER, Lavelle J, Chilutti M, Grundmeier R, Nadkarni VM, Thomas NJ. Delayed antimicrobial therapy increases mortality and organ dysfunction duration in pediatric sepsis. Crit Care Med. 2014 Nov;42(11):2409-17. doi: 10.1097/CCM.0000000000000509.
- C. D. Sutton, "Classification and Regression Trees, Bagging, and Boosting," Handb. Stat., vol. 24, pp. 303-329, 2005, doi: 10.1016/S0169-7161(04)24011-1.
- Sinha P, Delucchi KL, Thompson BT, McAuley DF, Matthay MA, Calfee CS; NHLBI ARDS Network. Latent class analysis of ARDS subphenotypes: a secondary analysis of the statins for acutely injured lungs from sepsis (SAILS) study. Intensive Care Med. 2018 Nov;44(11):1859-1869. doi: 10.1007/s00134-018-5378-3. Epub 2018 Oct 5.
- Wiersema R, Jukarainen S, Vaara ST, Poukkanen M, Lakkisto P, Wong H, Linder A, van der Horst ICC, Pettila V. Two subphenotypes of septic acute kidney injury are associated with different 90-day mortality and renal recovery. Crit Care. 2020 Apr 15;24(1):150. doi: 10.1186/s13054-020-02866-x.
- Delucchi K, Famous KR, Ware LB, Parsons PE, Thompson BT, Calfee CS; ARDS Network. Stability of ARDS subphenotypes over time in two randomised controlled trials. Thorax. 2018 May;73(5):439-445. doi: 10.1136/thoraxjnl-2017-211090. Epub 2018 Feb 24.
- Feuillet F, Bellanger L, Hardouin JB, Victorri-Vigneau C, Sebille V. On Comparison of Clustering Methods for Pharmacoepidemiological Data. J Biopharm Stat. 2015;25(4):843-56. doi: 10.1080/10543406.2014.920855.
- Kent P, Jensen RK, Kongsted A. A comparison of three clustering methods for finding subgroups in MRI, SMS or clinical data: SPSS TwoStep Cluster analysis, Latent Gold and SNOB. BMC Med Res Methodol. 2014 Oct 2;14:113. doi: 10.1186/1471-2288-14-113.
- R. Lachman, "Expert systems: A cognitive science perspective," Behav. Res. Methods, Instruments, Comput., 1989, doi: 10.3758/BF03205582.
- L. Medsker, M. Tan, and E. Turban, "Knowledge acquisition from multiple experts: Problems and issues," Expert Syst. Appl., vol. 9, no. 1, pp. 35-40, Jan. 1995, doi: 10.1016/0957-4174(94)00046-X.
- Brewer A, Helfgott MA, Novak J, Schanhals R. An application of cmaps in the description of clinical information structure and logic in electronic health records. Glob Adv Health Med. 2012 Sep;1(4):16-31. doi: 10.7453/gahmj.2012.1.4.003.
- Beglinger B, Rohacek M, Ackermann S, Hertwig R, Karakoumis-Ilsemann J, Boutellier S, Geigy N, Nickel C, Bingisser R. Physician's first clinical impression of emergency department patients with nonspecific complaints is associated with morbidity and mortality. Medicine (Baltimore). 2015 Feb;94(7):e374. doi: 10.1097/MD.0000000000000374.
- R. R. Starr and J. M. Parente De Oliveira, "Concept maps as the first step in an ontology construction method," Inf. Syst., 2013, doi: 10.1016/j.is.2012.05.010.
- R. Matkar and A. Parab, "Ontology based expert systems - replication of human learning," Thinkquest~2010, pp. 43-47, 2011, doi: 10.1007/978-81-8489-989-4_7.
- Yamagata Y, Kozaki K, Imai T, Ohe K, Mizoguchi R. An ontological modeling approach for abnormal states and its application in the medical domain. J Biomed Semantics. 2014 May 21;5:23. doi: 10.1186/2041-1480-5-23. eCollection 2014.
- R. M. RJ Rovetto, "Causality and the ontology of disease," Appl Ontol, vol. 10, no. 2, pp. 79-105, Sep. 2015, doi: 10.3233/ao-150147.
- Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004 Jan 1;32(Database issue):D267-70. doi: 10.1093/nar/gkh061.
- Ghassemi M, Naumann T, Schulam P, Beam AL, Chen IY, Ranganath R. A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Jt Summits Transl Sci Proc. 2020 May 30;2020:191-200. eCollection 2020.
- Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nat Mach Intell. 2019 May;1(5):206-215. doi: 10.1038/s42256-019-0048-x. Epub 2019 May 13.
- Wong A, Otles E, Donnelly JP, Krumm A, McCullough J, DeTroyer-Cooley O, Pestrue J, Phillips M, Konye J, Penoza C, Ghous M, Singh K. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients. JAMA Intern Med. 2021 Aug 1;181(8):1065-1070. doi: 10.1001/jamainternmed.2021.2626. Erratum In: JAMA Intern Med. 2021 Aug 1;181(8):1144.
- Wong HR, Caldwell JT, Cvijanovich NZ, Weiss SL, Fitzgerald JC, Bigham MT, Jain PN, Schwarz A, Lutfi R, Nowak J, Allen GL, Thomas NJ, Grunwell JR, Baines T, Quasney M, Haileselassie B, Lindsell CJ. Prospective clinical testing and experimental validation of the Pediatric Sepsis Biomarker Risk Model. Sci Transl Med. 2019 Nov 13;11(518):eaax9000. doi: 10.1126/scitranslmed.aax9000.
- Bujang MA, Adnan TH. Requirements for Minimum Sample Size for Sensitivity and Specificity Analysis. J Clin Diagn Res. 2016 Oct;10(10):YE01-YE06. doi: 10.7860/JCDR/2016/18129.8744. Epub 2016 Oct 1.
- Paxton C, Niculescu-Mizil A, Saria S. Developing predictive models using electronic medical records: challenges and pitfalls. AMIA Annu Symp Proc. 2013 Nov 16;2013:1109-15. eCollection 2013.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (RZECZYWISTY)
Zakończenie podstawowe (OCZEKIWANY)
Ukończenie studiów (OCZEKIWANY)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (RZECZYWISTY)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (RZECZYWISTY)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- NIAID 1R41AI167224-01
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .
Badania kliniczne na Posocznica
-
Drugs for Neglected DiseasesUniversiteit Antwerpen; PENTA Foundation; St George's, University of LondonZakończonySEPSIS noworodkówBangladesz, Uganda, Tajlandia, Afryka Południowa, Włochy, Grecja, Indie, Brazylia, Chiny, Kenia, Wietnam
-
Assiut UniversityNieznany
-
Assiut UniversityNieznany
-
Ahmed Mahmoud Ali Ali YoussefZakończony
-
Assiut UniversityNieznany
-
London School of Hygiene and Tropical MedicineZakończonySEPSIS noworodkówBurkina Faso, Gambia
-
Stephanie BjerrumRigshospitalet, Denmark; University of Copenhagen; University of Ghana; Korle-Bu...Zakończony
-
Drugs for Neglected DiseasesUniversity of Oxford; KEMRI-Wellcome Trust Collaborative Research ProgramZakończonySEPSIS noworodkówKenia
-
Gehad AbdelnaserAssiut UniversityNieznany
-
Franciscus GasthuisErasmus Medical CenterZakończonyZakażenie noworodków | SEPSIS noworodkówHolandia