ANÁLISE PREDITIVA E AVANÇADA EM MEDICINA DE EMERGÊNCIA - DÉFICITES NEUROLÓGICOS (PAN-EM-NEURO)
A futura modelagem preditiva em medicina de emergência provavelmente combinará o uso de uma ampla gama de pontos de dados, como documentação contínua, monitoramento por meio de wearables, imagens, biomarcadores e dados administrativos em tempo real de todos os prestadores de cuidados de saúde envolvidos. Os extensos conjuntos de dados subsequentes poderiam alimentar algoritmos avançados de aprendizagem profunda e de rede neural para prever com precisão o risco de condições de saúde específicas. Além disso, a análise preditiva orienta-se para o desenvolvimento de percursos clínicos que sejam adaptativos e continuamente atualizados, e nos quais a tomada de decisões em cuidados de saúde seja apoiada por algoritmos sofisticados para fornecer o melhor curso de ação de forma eficaz e segura. O potencial da análise preditiva para revolucionar muitos aspectos dos cuidados de saúde parece claro no horizonte. As informações sobre o uso em medicina de emergência são escassas.
Nosso objetivo é avaliar o desempenho do uso de dados de rotina para prever o uso de recursos em medicina de emergência usando o sintoma comumente encontrado de déficit neurológico agudo. Como perspectiva, isto poderá servir de protótipo para outros projectos semelhantes que utilizem dados médicos de rotina para análises preditivas em medicina de emergência.
Visão geral do estudo
Status
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Contato de estudo
- Nome: Jan Niederdöckl, MD
- Número de telefone: 0042 40 400 19640
- E-mail: jan.niederdoeckl@meduniwien.ac.at
Locais de estudo
-
-
-
Vienna, Áustria, 1090
- Recrutamento
- Emergency Department, Medical University Vienna
-
Contato:
- Jan Niederdöckl, Dr.
- E-mail: jan.niederdoeckl@medunwien.ac.at
-
Contato:
- Alexander Simon, Dr.
- E-mail: alexander.simon@medunwien.ac.at
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Análise retrospectiva de dados coletados rotineiramente. Nosso objetivo é encontrar padrões de dados associados à utilização de recursos hospitalares de pacientes hospitalizados por serviços médicos de emergência por suspeita de déficit neurológico agudo.
Usaremos apenas informações do sistema de documentação médica eletrônica de rotina para este estudo. Nenhuma ligação com outros conjuntos de dados será realizada. Os dados no sistema incluem dados demográficos do paciente, sintomas iniciais, sinais vitais e pontuações pré-hospitalares, suspeita de diagnóstico por serviços médicos de emergência, sinais vitais e pontuações hospitalares, procedimentos de diagnóstico hospitalar (tomografia computadorizada, ressonância magnética, ressonância magnética) e terapêuticos (intervenção com cateter) e diagnóstico final. Veja 'variáveis' para um conjunto completo de variáveis.
Para o propósito deste estudo, apenas um conjunto de dados totalmente pseudonomiado será usado.
Descrição
Critério de inclusão:
- Assuntos femininos e masculinos
- Idade ≥ 18 anos
Critério de exclusão:
- nenhum
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Modelo de previsão
Prazo: 1.1.2025
|
a ser desenvolvido
|
1.1.2025
|
Colaboradores e Investigadores
Patrocinador
Publicações e links úteis
Publicações Gerais
- 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.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
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 (Estimado)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- EK- Nr. 1738/2022
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 .