Badanie narzędzia wspomagającego podejmowanie decyzji klinicznych w zakresie zarządzania poronieniami w oparciu o uczenie maszynowe (MLMM)
Uczenie maszynowe wykorzystano do opracowania algorytmu określającego szanse powodzenia leczenia oczekującego lub leczenia indywidualnego dla konkretnego pacjenta. Biorąc pod uwagę następujące obiektywne mierniki:
- Dane demograficzne: wiek matki, liczba par
- Historia: poprzednie CS, poprzednie SMM/MVA, poprzednie miomektomie
- Ciąża według LMP
- Objawy: stopień krwawienia, stopień bólu
- Pomiary USS: CRL, GS, RPOC 3 wymiary, unaczynienie
- Rozbieżność między ciążą według CRL i LMP
Audyt mający na celu zebranie 1000 przypadków i identyfikację cech składających się na algorytm, który może przewidzieć wynik leczenia poronień w celu zindywidualizowanego zarządzania przypadkami.
Przegląd badań
Status
Szczegółowy opis
- Nauka o odkrywaniu sztucznej inteligencji: rozwój algorytmu w oparciu o retrospektywny audyt około 1000 przypadków poronień
- Aby określić niezawodność narzędzia na podstawie testowych zbiorów danych
- Zwiększenie czułości i specyficzności pomocy decyzyjnej poprzez poszerzenie gromadzenia danych na wiele ośrodków i przetestowanie algorytmu na danych prospektywnych
Badanie zostanie przeprowadzone w szpitalach Queen Charlotte's i Chelsea w Imperial College Healthcare NHS Trusts (głównym ośrodku badania).
Jest to wieloośrodkowe, retrospektywne, kohortowe badanie obserwacyjne.
Badanie będzie prowadzone przez co najmniej trzy lata, aby zapewnić wystarczającą ilość czasu na przejrzenie danych retrospektywnych i zestawienie zestawów danych testowych.
Retrospektywne, zanonimizowane przypadki poronienia nieodebranego i poronienia niecałkowitego leczone w Imperial College Healthcare NHS Trust zostaną przeanalizowane:
Dla każdego przypadku zostaną zebrane następujące cechy kliniczne i wyniki:
- Dane demograficzne: wiek matki, liczba par
- Historia: poprzednie CS, poprzednie SMM/MVA, poprzednie miomektomie
- Ciąża według LMP
- Objawy: stopień krwawienia, stopień bólu
- Pomiary USS: CRL, GS, RPOC 3 wymiary, unaczynienie
- Rozbieżność między ciążą według CRL i LMP
Wszystkie dane będą gromadzone retrospektywnie i anonimizowane.
Po zebraniu danych zastosowane zostaną modele uczenia maszynowego i metody redukcji cech, aby określić najskuteczniejszy model umożliwiający przewidywanie powodzenia lub niepowodzenia odpowiednio leczenia oczekującego lub leczenia poronienia.
Następna faza obejmie audyt prospektywny mający na celu zebranie danych i sprawdzenie mocy predykcyjnej narzędzia wspomagającego podejmowanie decyzji klinicznych MLM.
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
London, Zjednoczone Królestwo, W12 0HS
- Rekrutacyjny
- Imperial College Heatlhcare NHS Trust
-
Kontakt:
- Sughashini Murugesu
- Numer telefonu: 07988390772
- E-mail: sughashini.murugesu@nhs.net
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Poronienie nieodebrane i poronienie niepełne przed 14. tygodniem ciąży
- Kontynuacja zarejestrowana po 2 tygodniach
Kryteria wyłączenia:
- Dane dotyczące wyników końcowych są niedostępne
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Oczekiwane postępowanie w przypadku poronienia
Kohorta, która zdecydowała się na wyczekujące leczenie poronienia, a ostateczny wynik był sukcesem lub porażką do 14. dnia od wyboru kierownictwa
|
Postępowanie wyczekujące: Postępowanie zachowawcze w przypadku poronienia z zarezerwowaną wizytą kontrolną za 2 tygodnie w celu ustalenia, czy doszło do poronienia całkowitego.
|
|
Medyczne postępowanie w przypadku poronienia
Kohorta, która zdecydowała się na leczenie farmakologiczne poronienia, a ostateczny wynik zakończył się sukcesem lub niepowodzeniem do 14. dnia od wyboru kierownictwa
|
Postępowanie medyczne: Mizoprostol przyjmowano w celu opanowania poronienia w pierwszym trymestrze ciąży, z wizytą kontrolną za 2 tygodnie w celu ustalenia, czy doszło do poronienia całkowitego.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Opracowanie modelu predykcyjnego uczenia maszynowego na potrzeby leczenia poronień.
Ramy czasowe: Styczeń 2023 - czerwiec 2024
|
Opracowanie modelu predykcyjnego uczenia maszynowego w oparciu o retrospektywny audyt około 1000 przypadków poronień.
|
Styczeń 2023 - czerwiec 2024
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Audyt prospektywny w celu przetestowania i walidacji modelu predykcyjnego
Ramy czasowe: Lipiec 2024 r. – czerwiec 2025 r
|
Zwiększenie czułości i specyficzności wspomagania decyzji poprzez rozszerzenie gromadzenia danych na wiele ośrodków i przetestowanie modelu uczenia maszynowego z danymi perspektywicznymi.
|
Lipiec 2024 r. – czerwiec 2025 r
|
Współpracownicy i badacze
Sponsor
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 (Rzeczywisty)
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
- 23QC8155
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 .