ANALITYKA PREDYKCYJNA I ZAAWANSOWANA W MEDYCYNIE RATOWNEJ - DEFICYTY NEUROLOGICZNE (PAN-EM-NEURO)
Przyszłe modelowanie predykcyjne w medycynie ratunkowej prawdopodobnie połączy wykorzystanie szerokiego zakresu punktów danych, takich jak ciągła dokumentacja, monitorowanie za pomocą urządzeń do noszenia, obrazowanie, biomarkery i dane administracyjne w czasie rzeczywistym od wszystkich zaangażowanych podmiotów świadczących opiekę zdrowotną. Kolejne obszerne zbiory danych mogą posłużyć zaawansowanym algorytmom głębokiego uczenia się i sieci neuronowych do dokładnego przewidywania ryzyka określonych schorzeń. Co więcej, analityka predykcyjna kieruje się w stronę rozwoju ścieżek klinicznych, które są adaptacyjne i stale aktualizowane, i w których podejmowanie decyzji dotyczących opieki zdrowotnej jest wspierane przez wyrafinowane algorytmy, aby zapewnić najlepszy sposób działania, skutecznie i bezpiecznie. Potencjał analiz predykcyjnych w zakresie zrewolucjonizowania wielu aspektów opieki zdrowotnej wydaje się wyraźny na horyzoncie. Informacje na temat stosowania w medycynie ratunkowej są skąpe.
Naszym celem jest ocena skuteczności wykorzystania rutynowych danych do przewidywania wykorzystania zasobów w medycynie ratunkowej na podstawie powszechnie spotykanych objawów ostrego deficytu neurologicznego. W perspektywie może to służyć jako prototyp dla innych, podobnych projektów wykorzystujących rutynowe dane medyczne do analiz predykcyjnych w medycynie ratunkowej.
Przegląd badań
Status
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Jan Niederdöckl, MD
- Numer telefonu: 0042 40 400 19640
- E-mail: jan.niederdoeckl@meduniwien.ac.at
Lokalizacje studiów
-
-
-
Vienna, Austria, 1090
- Rekrutacyjny
- Emergency Department, Medical University Vienna
-
Kontakt:
- Jan Niederdöckl, Dr.
- E-mail: jan.niederdoeckl@medunwien.ac.at
-
Kontakt:
- Alexander Simon, Dr.
- E-mail: alexander.simon@medunwien.ac.at
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Retrospektywna analiza rutynowo zbieranych danych. Naszym celem jest znalezienie wzorców danych związanych z wykorzystaniem zasobów wewnątrzszpitalnych pacjentów hospitalizowanych przez pogotowie ratunkowe z powodu podejrzenia ostrego deficytu neurologicznego.
W tym badaniu wykorzystamy wyłącznie informacje z rutynowego systemu elektronicznej dokumentacji medycznej. Nie będzie wykonywane żadne powiązanie z innymi zbiorami danych. Dane w systemie obejmują dane demograficzne pacjentów, objawy początkowe, przedszpitalne parametry życiowe i punktację, podejrzenia rozpoznania przez pogotowie ratunkowe, szpitalne parametry życiowe i punktację, szpitalną diagnostykę (tomografia komputerowa CT, rezonans magnetyczny MRI) i procedury terapeutyczne (interwencja cewnikowa) oraz ostateczna diagnoza. Zobacz „zmienne”, aby zapoznać się z pełnym zestawem zmiennych.
Na potrzeby tego badania wykorzystany zostanie jedynie w pełni spseudonimizowany zbiór danych.
Opis
Kryteria przyjęcia:
- Tematyka żeńska i męska
- Wiek ≥ 18 lat
Kryteria wyłączenia:
- nic
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Model prognostyczny
Ramy czasowe: 1.1.2025
|
być rozwiniętym
|
1.1.2025
|
Współpracownicy i badacze
Sponsor
Publikacje i pomocne linki
Publikacje ogólne
- Goyal M, Menon BK, van Zwam WH, Dippel DW, Mitchell PJ, Demchuk AM, Davalos A, Majoie CB, van der Lugt A, de Miquel MA, Donnan GA, Roos YB, Bonafe A, Jahan R, Diener HC, van den Berg LA, Levy EI, Berkhemer OA, Pereira VM, Rempel J, Millan M, Davis SM, Roy D, Thornton J, Roman LS, Ribo M, Beumer D, Stouch B, Brown S, Campbell BC, van Oostenbrugge RJ, Saver JL, Hill MD, Jovin TG; HERMES collaborators. Endovascular thrombectomy after large-vessel ischaemic stroke: a meta-analysis of individual patient data from five randomised trials. Lancet. 2016 Apr 23;387(10029):1723-31. doi: 10.1016/S0140-6736(16)00163-X. Epub 2016 Feb 18.
- Desautels T, Calvert J, Hoffman J, Jay M, Kerem Y, Shieh L, Shimabukuro D, Chettipally U, Feldman MD, Barton C, Wales DJ, Das R. Prediction of Sepsis in the Intensive Care Unit With Minimal Electronic Health Record Data: A Machine Learning Approach. JMIR Med Inform. 2016 Sep 30;4(3):e28. doi: 10.2196/medinform.5909.
- Saber H, Somai M, Rajah GB, Scalzo F, Liebeskind DS. Predictive analytics and machine learning in stroke and neurovascular medicine. Neurol Res. 2019 Aug;41(8):681-690. doi: 10.1080/01616412.2019.1609159. Epub 2019 Apr 30.
- Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017 Jun 21;2(4):230-243. doi: 10.1136/svn-2017-000101. eCollection 2017 Dec.
- Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep Learning for Health Informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. doi: 10.1109/JBHI.2016.2636665. Epub 2016 Dec 29.
- Avasarala J. Letter by Avasarala Regarding Article, "2015 AHA/ASA Focused Update of the 2013 Guidelines for the Early Management of Patients With Acute Ischemic Stroke Regarding Endovascular Treatment: A Guideline for Healthcare Professionals From the American Heart Association/American Stroke Association". Stroke. 2015 Nov;46(11):e234. doi: 10.1161/STROKEAHA.115.010716. Epub 2015 Oct 6. No abstract available.
- Badhiwala JH, Nassiri F, Alhazzani W, Selim MH, Farrokhyar F, Spears J, Kulkarni AV, Singh S, Alqahtani A, Rochwerg B, Alshahrani M, Murty NK, Alhazzani A, Yarascavitch B, Reddy K, Zaidat OO, Almenawer SA. Endovascular Thrombectomy for Acute Ischemic Stroke: A Meta-analysis. JAMA. 2015 Nov 3;314(17):1832-43. doi: 10.1001/jama.2015.13767.
- Bauchner H, Golub RM, Fontanarosa PB. Data Sharing: An Ethical and Scientific Imperative. JAMA. 2016 Mar 22-29;315(12):1237-9. doi: 10.1001/jama.2016.2420. No abstract available.
- Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care - Addressing Ethical Challenges. N Engl J Med. 2018 Mar 15;378(11):981-983. doi: 10.1056/NEJMp1714229. No abstract available.
- Chaudhary K, Poirion OB, Lu L, Garmire LX. Deep Learning-Based Multi-Omics Integration Robustly Predicts Survival in Liver Cancer. Clin Cancer Res. 2018 Mar 15;24(6):1248-1259. doi: 10.1158/1078-0432.CCR-17-0853. Epub 2017 Oct 5.
- Christiansen EM, Yang SJ, Ando DM, Javaherian A, Skibinski G, Lipnick S, Mount E, O'Neil A, Shah K, Lee AK, Goyal P, Fedus W, Poplin R, Esteva A, Berndl M, Rubin LL, Nelson P, Finkbeiner S. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell. 2018 Apr 19;173(3):792-803.e19. doi: 10.1016/j.cell.2018.03.040. Epub 2018 Apr 12.
- Cohen IG, Amarasingham R, Shah A, Xie B, Lo B. The legal and ethical concerns that arise from using complex predictive analytics in health care. Health Aff (Millwood). 2014 Jul;33(7):1139-47. doi: 10.1377/hlthaff.2014.0048.
- Heeley E, Anderson CS, Huang Y, Jan S, Li Y, Liu M, Sun J, Xu E, Wu Y, Yang Q, Zhang J, Zhang S, Wang J; ChinaQUEST Investigators. Role of health insurance in averting economic hardship in families after acute stroke in China. Stroke. 2009 Jun;40(6):2149-56. doi: 10.1161/STROKEAHA.108.540054. Epub 2009 Apr 9.
- Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Crit Care Med. 2018 Apr;46(4):547-553. doi: 10.1097/CCM.0000000000002936.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Szacowany)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- EK- Nr. 1738/2022
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 .