- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT06174519
Avaliação do software de suporte à prescrição baseado em inteligência artificial iAST® para a escolha de tratamento antibiótico empírico e semi-direcionado (EVIAST)
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Fundo:
As infecções são uma das principais causas de consulta na atenção básica e nos serviços de emergência. Além disso, uma elevada percentagem de pacientes internados em hospitais sofre de uma infecção durante a sua internação. De acordo com dados do Centro Europeu de Prevenção e Controlo das Doenças (ECDC), aproximadamente 11% dos pacientes internados em hospitais europeus sofrem de uma infeção associada aos cuidados de saúde (ECDC, 2013). Além disso, segundo esta organização, 35% dos pacientes internados em hospitais europeus estão sob terapêutica antibiótica, variando esta percentagem entre 21,4% e 54,7% dependendo do hospital e do país (ECDC, 2013).
O tratamento inadequado das infecções muitas vezes leva a complicações associadas ao prolongamento dos períodos de hospitalização ou ao desenvolvimento de sepse, o que pode finalmente causar a morte dos pacientes afetados (Kollef et al., 1999; Kollef et al., 2000). Além disso, os tratamentos ineficazes devido a uma seleção inadequada de antibióticos têm um enorme custo e impacto nos sistemas de saúde (Zilberberg et al., 2017). Por outro lado, existem extensas evidências científicas de que o início precoce do tratamento antibiótico adequado reduz grandemente a morbilidade e a mortalidade das infeções e reduz significativamente o tempo de internamento dos pacientes (van den Bosch et al., 2017). Estudos anteriores relataram que 20-30% das prescrições de antibióticos são inadequadas, levando a complicações de saúde, especialmente infecções associadas aos cuidados de saúde (Fleming-Dutra et al., 2016; Lambregts et al., 2020; Tumbarello et al., 2007). Além disso, uma seleção adequada de tratamento antibiótico evita a propagação de cepas de bactérias resistentes, o que se tornou um problema crescente nos últimos anos (Andersson et al., 2010; Gandra et al., 2014).
Como observado anteriormente, a mortalidade infecciosa aumenta enormemente ao longo do tempo se um tratamento antibiótico adequado não for iniciado (Kumar et al., 2006). Assim, obter resultados microbiológicos e identificar a cepa bacteriana causadora da infecção é fundamental para fornecer tratamentos eficazes aos sujeitos (D'Onofrio, 2020). A descrição do perfil microbiológico normalmente é realizada por laboratórios de microbiologia, que auxiliam os médicos na seleção do tratamento antibiótico. No entanto, embora sejam gerados resultados confiáveis, eles geralmente são obtidos 48 horas após a avaliação inicial do paciente (Jorgensen et al. 2009).
Justificativa:
Dados cumulativos de antibiogramas de múltiplos microrganismos e pacientes têm grande valor epidemiológico e clínico, pois permitem monitorar e detectar variações nas tendências de suscetibilidade antimicrobiana. Além disso, estes dados também podem ajudar a selecionar as melhores terapias empíricas das diferentes síndromes infecciosas (CLSI, 2014). Os microbiologistas clínicos tradicionalmente realizam relatórios cumulativos de antibiogramas com uma certa frequência (na maioria das vezes anualmente). Esses relatórios são feitos selecionando os dados disponíveis para cada antibiótico e cada microrganismo, contando as bactérias suscetíveis e resistentes e calculando o percentual de sensibilidade para cada uma delas (Larrosa et al., 2022). No entanto, estes antibiogramas cumulativos raramente são consultados na vida real pelos médicos prescritores e podem ser tendenciosos (Mohering et al, 2015). Por exemplo, a sensibilidade varia dependendo das características dos pacientes, da enfermaria onde são tratados, de culturas bacterianas anteriores, etc... (Larrosa et al., 2022).
Devido à tecnologia disponível na microbiologia atual, muitas vezes há um intervalo de 24 horas entre a identificação de um microrganismo a partir de uma amostra clínica e o resultado do seu perfil de suscetibilidade aos antibióticos. Assim que a identificação bacteriana estiver disponível, pode-se estabelecer um tratamento "semi-direcionado" orientado para o patógeno específico, o que, com a ajuda dos relatórios de antibiogramas acumulados, permite iniciar um tratamento rápido e preciso até que o antibiograma definitivo seja conhecido, reduzindo significativamente o grau de empirismo com que trata as doenças infecciosas (Fernández & Vázquez, 2019).
Os dados cumulativos de antibiogramas podem ser analisados para extrair padrões comportamentais usando técnicas de aprendizado de máquina (García-Martínez et al., 2021). O aprendizado de máquina é uma parte da inteligência artificial focada no desenvolvimento de modelos baseados em dados, aplicando técnicas que permitem aos computadores aprender automaticamente o conhecimento implícito nos dados, detectar padrões, transformar dados em modelos preditivos, que auxiliam na tomada de decisões (Rowe et al. , 2019). Nos últimos anos, alguns pesquisadores publicaram trabalhos nos quais avaliaram o uso de técnicas de aprendizado de máquina para previsão empírica de suscetibilidade/resistência. No entanto, esses trabalhos foram avaliados em ambiente de pesquisa e foram reduzidos a casos específicos de algumas infecções e agentes etiológicos (Mancini et al., 2020; Lewin-Epstein et al., 2021; Anahtar et al., 2021; Kim et al., 2021; Kim et al., 2021; Kim et al., 2021; ., 2022).
Visão geral do dispositivo médico:
Nos últimos três anos, a Pragmatech AI Solutions concentrou a sua investigação na utilização de inteligência artificial e técnicas de aprendizagem automática para analisar antibiogramas cumulativos e prever quais são as melhores terapias empíricas e semi-direcionadas para pacientes específicos. Isso se materializou em um produto que está em fase de pré-comercialização denominado iAST®. O software iAST® é classificado como um dispositivo médico Classe IIa de acordo com o regulamento da UE 2017/745.
Objetivo do estudo:
A ferramenta iAST® demonstrou matematicamente que pode aumentar a probabilidade de cobertura bacteriana no tratamento antibiótico precoce de infecções em pacientes tratados em hospitais.
Nesse sentido, o objetivo principal do presente estudo retrospectivo e observacional é a avaliação da acurácia do software iAST® para a escolha precoce e adequada da terapia empírica e semi-direcionada de doenças infecciosas comuns em ambiente clínico real.
Projeto de Investigação Clínica:
A investigação clínica foi desenhada como um estudo de centro único, retrospectivo e observacional. Antibiogramas e registros hospitalares serão revisados retrospectivamente para identificar os pacientes que atendem aos critérios de inclusão para analisar os desfechos primários e secundários do estudo. Os antibiogramas usados para configurar o modelo de inteligência artificial não serão considerados para avaliar a precisão do software iAST®. Serão incluídos apenas casos a partir de fevereiro de 2023. Para cada caso, os investigadores registrarão a terapia empírica e semi-direcionada que o médico prescreveu (se aplicável). A comparação da taxa de sucesso do software iAST® e dos médicos em relação ao antibiograma será realizada de duas formas:
- Para os indivíduos elegíveis, os investigadores usarão a ferramenta iAST® para prever quais antibióticos teriam sido recomendados como as três principais opções para terapia empírica e semi-direcionada e registrarão esses dados com a porcentagem de cobertura prevista (os três primeiros antibióticos em será escolhido o ranking iAST® que tenha sido testado no antibiograma do centro onde o estudo for realizado). Os investigadores verificarão os relatórios microbiológicos finais e registrarão se as bactérias recuperadas eram suscetíveis ao medicamento prescrito pelos médicos e simulado pela ferramenta iAST® de acordo com os resultados finais do antibiograma. A taxa de sucesso da prescrição médica será comparada estatisticamente com a taxa de sucesso dos três principais antibióticos recomendados pelo iAST® de forma independente. Nos casos em que os médicos não prescreveram uma terapia semi-direcionada, o medicamento recomendado pelo iAST® como terapia semi-direcionada será comparado com o tratamento empírico do médico.
- Os investigadores também registrarão a taxa de probabilidade de sucesso que o iAST® previu para o medicamento prescrito pelo médico. A média das probabilidades previstas pelo iAST® para o antibiótico prescrito pelo médico será comparada entre dois grupos: os casos em que a bactéria foi suscetível e os casos em que foi resistente, de acordo com os resultados do antibiograma. Será analisado se esta diferença é estatisticamente significativa.
A adequação da prescrição de antibióticos pelos médicos e a previsão do iAST® serão comparadas tomando o relatório do antibiograma como referência. Uma análise de subgrupo será desenvolvida para cada tipo de infecção. De acordo com isso, a precisão do iAST® para a hipotética previsão de tratamento empírico e semi-direcionado em comparação com as prescrições médicas será avaliada através de:
- Dados de pacientes que compareceram ao Pronto Atendimento com diagnóstico de ITU e/ou sepse urinária.
- Dados de pacientes que sofreram bacteremia ou sepse, quando o agente causal foi definitivamente identificado ou quando as características da coloração de Gram estavam disponíveis.
- Dados de pacientes que sofreram traqueobronquite ou pneumonia associada à ventilação mecânica, nos quais o agente causal foi definitivamente identificado ou quando as características de sua coloração de Gram estavam disponíveis.
- Dados de pacientes que sofreram alguma outra infecção cujo agente causal tenha sido identificado, mas para os quais ainda não houve resultado de antibiograma.
Os investigadores registrarão se os antibióticos prescritos pelos médicos ou iAST® previstos em cada caso pertenciam aos grupos de acesso, observação ou reserva da classificação WHO AWARE (https://www.who.int/publications/i/item/2021- classificação consciente). Desta forma, será calculada a taxa de uso/recomendação de cada um desses antibióticos em cada braço (prescrição do médico vs previsão do iAST®).
Todos os dados do estudo serão registrados pelos investigadores em um Formulário de Relato de Caso eletrônico (eCRF).
Definições
- Terapia empírica: Terapias prescritas quando há suspeita de infecção, mas o microrganismo que a produz e sua suscetibilidade aos antibióticos ainda são desconhecidos.
- Terapia semi-direcionada: Aquela terapia prescrita quando há suspeita de infecção, cuja etiologia é conhecida, mas ainda não há suscetibilidade aos antibióticos.
- Antibiótico adequado de acordo com resultados microbiológicos: Um tratamento antibiótico será considerado correto se a bactéria identificada na amostra clínica do paciente a quem se dirige for suscetível de acordo com o resultado do antibiograma ou sua extrapolação.
- Antibiótico inadequado segundo resultados microbiológicos: Pelo contrário, um tratamento será considerado incorreto se a bactéria contra a qual se dirige for resistente segundo os resultados do antibiograma ou a sua resistência intrínseca.
Limitações:
As limitações do estudo são aquelas decorrentes do seu desenho, visto que se trata de um estudo retrospectivo e não intervencionista. No entanto, o estudo foi desenhado de forma a reduzir possíveis vieses. Algumas das medidas destinadas à minimização de vieses são:
- os mesmos casos serão utilizados para comparar a prescrição médica com a recomendação do iAST®, para que não haja desequilíbrio de dados.
- os investigadores são altamente qualificados em doenças infecciosas, portanto interpretarão perfeitamente os dados dos antibiogramas e dos registros clínicos dos casos incluídos no estudo, reduzindo assim o viés de interpretação.
- os dados dos pacientes serão anonimizados. Os dados a serem coletados geralmente estão disponíveis nos prontuários e prontuários dos pacientes e no banco de dados do Departamento de Microbiologia. Porém, não se pode garantir que os prontuários ou prontuários estejam completos, o que pode dificultar a coleta de todas as variáveis de interesse especificadas no protocolo do estudo. Em caso de dados faltantes, os valores faltantes não serão considerados para o cálculo dos percentuais da análise.
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
-
Madrid, Espanha, 28015
- Grupo HM Hospitales
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Os dados para análise deverão provir de indivíduos maiores de 18 anos que foram internados nos Hospitais HM a partir de 01 de fevereiro de 2023.
Sujeitos que:
- ter comparecido ao Pronto Atendimento do hospital com suspeita de infecção do trato urinário (ITU) ou;
- ter apresentado episódio de bacteremia/sepse na/durante a internação hospitalar ou;
- ter sido internado na UTI do hospital e apresentar traqueobronquite ou pneumonia associada à ventilação mecânica ou;
- apresentaram outro tipo de infecção, foram tratados e possuem bactéria identificada com resultado de antibiograma.
Critério de exclusão:
- Pacientes com infecções concomitantes.
- Dados de indivíduos que sofreram de infecções sem etiologia bacteriana: infecções fúngicas ou virais.
- Dados de indivíduos com infecções sem documentação microbiológica (incluindo resultados de antibiograma).
- Dados de indivíduos prescritos com mais de um antibiótico.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
---|---|
Grupo de Estudos
Para esta investigação clínica, os dados clínicos de 325 indivíduos foram utilizados para demonstrar a não inferioridade da aplicação do iAST® em comparação com a prescrição médica.
De qualquer forma, os dados analisados retrospectivamente para esses 325 sujeitos foram simulados utilizando o aplicativo iAST®, de forma que os mesmos sujeitos fossem considerados caso e controle ao mesmo tempo.
|
Para os indivíduos incluídos, os investigadores usaram a ferramenta iAST® para prever quais antibióticos teriam sido recomendados como as três principais opções tanto para terapia empírica quanto semi-direcionada e registraram esses dados com a porcentagem de cobertura prevista (os três primeiros antibióticos no iAST ® que foram testados no antibiograma do centro onde o estudo foi realizado).
Os investigadores verificaram os relatórios microbiológicos finais e registaram se as bactérias recuperadas eram susceptíveis ao medicamento prescrito pelos médicos e simulado pela ferramenta iAST® de acordo com os resultados finais do antibiograma.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Demonstrar a não inferioridade do iAST® em comparação aos médicos para a prescrição de antibioticoterapia empírica e semi-direcionada em pacientes com doenças infecciosas comuns.
Prazo: 4 meses
|
A adequação da prescrição de antibióticos e a previsão do iAST® serão comparadas com os resultados do relatório do antibiograma como padrão. Intervalos de confiança (ICs) bilaterais de 95% para a diferença entre os tratamentos serão calculados usando o método não estratificado de Miettinen e Nurminen.
A demonstração da não inferioridade do iAST® em relação à prescrição médica para parâmetros de eficácia primários e secundários será estabelecida se o limite inferior do IC bilateral de 95% para a diferença de tratamento exceder 5%.
Além disso, um valor p será calculado para o teste de hipótese de não inferioridade unilateral correspondente.
|
4 meses
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Avaliar a precisão da prescrição de antibióticos pelos médicos e as previsões do software iAST® (para terapia empírica e semi-direcionada) em comparação com o relatório do antibiograma, respectivamente.
Prazo: 4 meses
|
A taxa de sucesso de cada braço será medida, em relação ao antibiograma.
|
4 meses
|
Comparar a taxa de antibióticos usados/recomendados da lista de antibióticos Access, Watch and Reserve (da classificação WHO Aware), entre as prescrições dos médicos e as previsões do software iAST®.
Prazo: 4 meses
|
Serão medidos o uso de cada antibiótico no grupo de classificação Aware e o impacto do software em termos de administração de antibióticos.
|
4 meses
|
Coletar informações relacionadas à experiência do usuário por meio do preenchimento de um questionário de usabilidade por médicos ao trabalhar com o software iAST®.
Prazo: 4 meses
|
Serão coletados dados sobre a usabilidade do software para obter feedback sobre o mesmo.
|
4 meses
|
Avaliar a precisão do software iAST® na predição de antibióticos dos 4 subgrupos populacionais do estudo em comparação com o relatório do antibiograma como padrão.
Prazo: 4 meses
|
Os subgrupos são: ITU, bacteremia/sepse, pneumonia/traqueobronquite e outras infecções
|
4 meses
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: José Barberán, MD, PhD, Grupo HM Hospitales
Publicações e links úteis
Publicações Gerais
- Fleming-Dutra KE, Hersh AL, Shapiro DJ, Bartoces M, Enns EA, File TM Jr, Finkelstein JA, Gerber JS, Hyun DY, Linder JA, Lynfield R, Margolis DJ, May LS, Merenstein D, Metlay JP, Newland JG, Piccirillo JF, Roberts RM, Sanchez GV, Suda KJ, Thomas A, Woo TM, Zetts RM, Hicks LA. Prevalence of Inappropriate Antibiotic Prescriptions Among US Ambulatory Care Visits, 2010-2011. JAMA. 2016 May 3;315(17):1864-73. doi: 10.1001/jama.2016.4151.
- Kumar A, Roberts D, Wood KE, Light B, Parrillo JE, Sharma S, Suppes R, Feinstein D, Zanotti S, Taiberg L, Gurka D, Kumar A, Cheang M. Duration of hypotension before initiation of effective antimicrobial therapy is the critical determinant of survival in human septic shock. Crit Care Med. 2006 Jun;34(6):1589-96. doi: 10.1097/01.CCM.0000217961.75225.E9.
- Kollef MH, Sherman G, Ward S, Fraser VJ. Inadequate antimicrobial treatment of infections: a risk factor for hospital mortality among critically ill patients. Chest. 1999 Feb;115(2):462-74. doi: 10.1378/chest.115.2.462.
- Zilberberg MD, Nathanson BH, Sulham K, Fan W, Shorr AF. 30-day readmission, antibiotics costs and costs of delay to adequate treatment of Enterobacteriaceae UTI, pneumonia, and sepsis: a retrospective cohort study. Antimicrob Resist Infect Control. 2017 Dec 6;6:124. doi: 10.1186/s13756-017-0286-9. eCollection 2017.
- Anahtar MN, Yang JH, Kanjilal S. Applications of Machine Learning to the Problem of Antimicrobial Resistance: an Emerging Model for Translational Research. J Clin Microbiol. 2021 Jun 18;59(7):e0126020. doi: 10.1128/JCM.01260-20. Epub 2021 Jun 18.
- Andersson DI, Hughes D. Antibiotic resistance and its cost: is it possible to reverse resistance? Nat Rev Microbiol. 2010 Apr;8(4):260-71. doi: 10.1038/nrmicro2319. Epub 2010 Mar 8.
- D'Onofrio V, Salimans L, Bedenic B, Cartuyvels R, Barisic I, Gyssens IC. The Clinical Impact of Rapid Molecular Microbiological Diagnostics for Pathogen and Resistance Gene Identification in Patients With Sepsis: A Systematic Review. Open Forum Infect Dis. 2020 Aug 13;7(10):ofaa352. doi: 10.1093/ofid/ofaa352. eCollection 2020 Oct.
- Fernandez J, Vazquez F. The Importance of Cumulative Antibiograms in Diagnostic Stewardship. Clin Infect Dis. 2019 Aug 30;69(6):1086-1087. doi: 10.1093/cid/ciz082. No abstract available.
- Gandra S, Barter DM, Laxminarayan R. Economic burden of antibiotic resistance: how much do we really know? Clin Microbiol Infect. 2014 Oct;20(10):973-80. doi: 10.1111/1469-0691.12798. Epub 2014 Nov 7.
- Jorgensen JH, Ferraro MJ. Antimicrobial susceptibility testing: a review of general principles and contemporary practices. Clin Infect Dis. 2009 Dec 1;49(11):1749-55. doi: 10.1086/647952.
- Larrosa MN, Canut-Blasco A, Benito N, Canton R, Cercenado E, Docobo-Perez F, Fernandez-Cuenca F, Fernandez-Dominguez J, Guinea J, Lopez-Navas A, Moreno MA, Morosini MI, Navarro F, Martinez-Martinez L, Oliver A. Spanish Antibiogram Committee (COESANT) recommendations for cumulative antibiogram reports. Enferm Infecc Microbiol Clin (Engl Ed). 2023 Aug-Sep;41(7):430-435. doi: 10.1016/j.eimce.2022.09.002. Epub 2022 Sep 26.
- Leekha S, Terrell CL, Edson RS. General principles of antimicrobial therapy. Mayo Clin Proc. 2011 Feb;86(2):156-67. doi: 10.4065/mcp.2010.0639.
- Lewin-Epstein O, Baruch S, Hadany L, Stein GY, Obolski U. Predicting Antibiotic Resistance in Hospitalized Patients by Applying Machine Learning to Electronic Medical Records. Clin Infect Dis. 2021 Jun 1;72(11):e848-e855. doi: 10.1093/cid/ciaa1576.
- Livermore DM. Minimising antibiotic resistance. Lancet Infect Dis. 2005 Jul;5(7):450-9. doi: 10.1016/S1473-3099(05)70166-3.
- Mancini A, Vito L, Marcelli E, Piangerelli M, De Leone R, Pucciarelli S, Merelli E. Machine learning models predicting multidrug resistant urinary tract infections using "DsaaS". BMC Bioinformatics. 2020 Aug 21;21(Suppl 10):347. doi: 10.1186/s12859-020-03566-7.
- Moehring RW, Hazen KC, Hawkins MR, Drew RH, Sexton DJ, Anderson DJ. Challenges in Preparation of Cumulative Antibiogram Reports for Community Hospitals. J Clin Microbiol. 2015 Sep;53(9):2977-82. doi: 10.1128/JCM.01077-15. Epub 2015 Jul 15.
- Rowe M. An Introduction to Machine Learning for Clinicians. Acad Med. 2019 Oct;94(10):1433-1436. doi: 10.1097/ACM.0000000000002792.
- van den Bosch CM, Hulscher ME, Akkermans RP, Wille J, Geerlings SE, Prins JM. Appropriate antibiotic use reduces length of hospital stay. J Antimicrob Chemother. 2017 Mar 1;72(3):923-932. doi: 10.1093/jac/dkw469.
- Tumbarello M, Sanguinetti M, Montuori E, Trecarichi EM, Posteraro B, Fiori B, Citton R, D'Inzeo T, Fadda G, Cauda R, Spanu T. Predictors of mortality in patients with bloodstream infections caused by extended-spectrum-beta-lactamase-producing Enterobacteriaceae: importance of inadequate initial antimicrobial treatment. Antimicrob Agents Chemother. 2007 Jun;51(6):1987-94. doi: 10.1128/AAC.01509-06. Epub 2007 Mar 26. Erratum In: Antimicrob Agents Chemother. 2007 Sep;51(9):3469.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- EVIAST
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
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 Simulação de dispositivos médicos
-
Soterix MedicalGeorgetown University; National Institute of Neurological Disorders and Stroke... e outros colaboradoresConcluído
-
Soterix MedicalNYU Langone HealthConcluídoDepressão resistente ao tratamento | Depressão UnipolarEstados Unidos
-
Abbott Medical DevicesConcluído
-
Abbott Medical DevicesRescindido
-
Baylor College of MedicineAtivo, não recrutandoDefeitos do tubo neuralEstados Unidos
-
Cordio MedicalConcluído
-
Baylor College of MedicineMaterna MedicalConcluídoLágrima, Órgão Pélvico, Trauma ObstétricoEstados Unidos
-
Idiag AGConcluídoSíndrome da Apneia Obstrutiva do SonoAlemanha
-
Columbia UniversityConcluídoEstenose da Artéria Coronária Descendente Anterior EsquerdaEstados Unidos
-
Hospital San PaoloDesconhecidoPancreatite pós-CPREItália