Um biomarcador de previsão de sepse orientado por algoritmo
Um ensaio clínico controlado randomizado de um biomarcador de previsão de sepse orientado por algoritmo
Visão geral do estudo
Status
Status
Condições
Condições
Intervenção / Tratamento
Intervenção / Tratamento
Tipo de estudo
Tipo de estudo
Inscrição (Real)
Inscrição
Estágio
Estágio
- Não aplicável
Contactos e Locais
Locais de estudo
-
-
California
-
San Francisco, California, Estados Unidos, 94143
- UCSF Moffit-Long Hospital
-
-
Critérios de participação
Critérios de elegibilidade
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Descrição
Critério de inclusão:
- Serão elegíveis todos os pacientes adultos internados nas unidades participantes.
Critério de exclusão:
- Todos os pacientes com menos de 18 anos de idade serão excluídos.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Triagem
- Alocação: Randomizado
- Modelo Intervencional: Atribuição fatorial
- Mascaramento: Nenhum (rótulo aberto)
Número de braços
Armas e Intervenções
Grupo de Participantes / BraçoGrupo de Participantes / Braço |
Intervenção / TratamentoIntervenção / Tratamento |
|---|---|
|
Experimental: À vista
O profissional de saúde recebe um alerta do InSight para pacientes com tendência à sepse grave.
O profissional de saúde também recebe informações do detector de sepse grave no prontuário eletrônico da UCSF.
|
Ao receber um alerta do InSight, o profissional de saúde segue as práticas padrão para avaliar uma possível sepse (grave) e intervir de acordo.
Ao receber informações do detector de sepse grave no registro eletrônico de saúde da UCSF, o profissional de saúde segue as práticas padrão para avaliar possível sepse (grave) e intervir de acordo.
|
|
Comparador Ativo: Sem InSight
O profissional de saúde não recebe nenhum alerta do InSight.
O profissional de saúde recebe informações do detector de sepse grave no registro eletrônico de saúde da UCSF.
|
Ao receber informações do detector de sepse grave no registro eletrônico de saúde da UCSF, o profissional de saúde segue as práticas padrão para avaliar possível sepse (grave) e intervir de acordo.
|
O que o estudo está medindo?
Medidas de resultados primários
Medidas de resultados primários
Medida de resultado |
Prazo |
|---|---|
|
Tempo de internação
Prazo: Até a conclusão do estudo, uma média de 45 dias
|
Até a conclusão do estudo, uma média de 45 dias
|
Medidas de resultados secundários
Medidas de resultados secundários
Medida de resultado |
Prazo |
|---|---|
|
Mortalidade hospitalar
Prazo: Até a conclusão do estudo, uma média de 45 dias
|
Até a conclusão do estudo, uma média de 45 dias
|
Outras medidas de resultado
Outras medidas de resultado
Medida de resultado |
Prazo |
|---|---|
|
Tempo de permanência na UTI
Prazo: Até a conclusão do estudo, uma média de 45 dias
|
Até a conclusão do estudo, uma média de 45 dias
|
Colaboradores e Investigadores
Patrocinador
Patrocinador
Colaboradores
Colaboradores
Investigadores
Investigadores
- Investigador principal: Ritankar Das, Dascena
Publicações e links úteis
Publicações Gerais
- Calvert J, Desautels T, Chettipally U, Barton C, Hoffman J, Jay M, Mao Q, Mohamadlou H, Das R. High-performance detection and early prediction of septic shock for alcohol-use disorder patients. Ann Med Surg (Lond). 2016 May 10;8:50-5. doi: 10.1016/j.amsu.2016.04.023. eCollection 2016 Jun.
- Calvert JS, Price DA, Chettipally UK, Barton CW, Feldman MD, Hoffman JL, Jay M, Das R. A computational approach to early sepsis detection. Comput Biol Med. 2016 Jul 1;74:69-73. doi: 10.1016/j.compbiomed.2016.05.003. Epub 2016 May 12.
- 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.
- Calvert JS, Price DA, Barton CW, Chettipally UK, Das R. Discharge recommendation based on a novel technique of homeostatic analysis. J Am Med Inform Assoc. 2017 Jan;24(1):24-29. doi: 10.1093/jamia/ocw014. Epub 2016 Mar 28.
- Shimabukuro DW, Barton CW, Feldman MD, Mataraso SJ, Das R. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res. 2017 Nov 9;4(1):e000234. doi: 10.1136/bmjresp-2017-000234. eCollection 2017.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo
Início do estudo
Conclusão Primária (Real)
Conclusão Primária
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Estimativa)
Primeira postagem
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última Atualização Postada
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
Outros números de identificação do estudo
- 16-19647
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .
Ensaios clínicos em Previsão de Sepse Grave
-
NCT05558826RecrutamentoAnestesia | Instabilidade Hemodinâmica | Desequilíbrio de fluidos e eletrólitos
-
NCT07301307Recrutamento