AlgoRitmo Preditivo para Avaliação e Intervenção em SEpsis (PREVISE)
Previsão de sepse grave usando um algoritmo de aprendizado de máquina
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
-
-
West Virginia
-
Huntington, West Virginia, Estados Unidos, 25701
- Cabell Huntington 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:
- Todos os pacientes adultos que visitam o departamento de emergência ou internados nas unidades de terapia intensiva (UTI) participantes do Cabell Huntington Hospital serão elegíveis.
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: Diagnóstico
- Alocação: Não 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 do CHH.
|
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 do CHH, o profissional de saúde segue as práticas padrão para avaliar possível sepse (grave) e intervir de acordo.
|
|
Comparador Ativo: Sem Visão
O profissional de saúde não recebe nenhum alerta do InSight.
O profissional de saúde recebe informações do detector de sepse grave no prontuário eletrônico do CHH.
|
Ao receber informações do detector de sepse grave no registro eletrônico de saúde do CHH, 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 |
|---|---|
|
Mortalidade hospitalar
Prazo: Até a conclusão do estudo, uma média de 30 dias
|
Até a conclusão do estudo, uma média de 30 dias
|
Medidas de resultados secundários
Medidas de resultados secundários
Medida de resultado |
Prazo |
|---|---|
|
Tempo de internação
Prazo: Até a conclusão do estudo, uma média de 30 dias
|
Até a conclusão do estudo, uma média de 30 dias
|
Outras medidas de resultado
Outras medidas de resultado
Medida de resultado |
Prazo |
|---|---|
|
Readmissão hospitalar
Prazo: Até a conclusão do estudo, uma média de 30 dias
|
Até a conclusão do estudo, uma média de 30 dias
|
|
Tempo de permanência na UTI
Prazo: Até a conclusão do estudo, uma média de 30 dias
|
Até a conclusão do estudo, uma média de 30 dias
|
Colaboradores e Investigadores
Patrocinador
Patrocinador
Colaboradores
Colaboradores
Investigadores
Investigadores
- Investigador principal: Hoyt Burdick, Cabell Huntington Hospital
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.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Início do estudo
Conclusão Primária (Real)
Conclusão Primária
Conclusão do estudo (Real)
Conclusão do estudo
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 (Real)
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
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
Outros números de identificação do estudo
- 1097090-1
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
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