Estudo de ferramenta de apoio à decisão clínica de gerenciamento de aborto espontâneo com aprendizado de máquina (MLMM)
Aprendizado de máquina usado para desenvolver um algoritmo para determinar a chance de sucesso com o manejo médico ou expectante para um paciente individual. Tendo em conta as seguintes medidas objetivas:
- Demografia: Idade Materna, Paridade
- História: CS anterior, SMM/MVA anterior, miomectomia anterior
- Gestação por DUM
- Sintomas apresentados: Pontuação de sangramento, Pontuação de dor
- Medições USS: CRL, GS, RPOC 3 dimensões, Vascularidade
- Discrepância entre gestação por CRL e DUM
Auditoria para agrupar 1.000 casos e identificar recursos que contribuem para um algoritmo que pode prever o resultado do manejo do aborto espontâneo para o manejo individualizado de casos.
Visão geral do estudo
Status
Condições
Descrição detalhada
- Ciência da descoberta da inteligência artificial: desenvolvimento de algoritmos com base em uma auditoria retrospectiva de aproximadamente 1.000 casos de aborto espontâneo
- Para determinar a confiabilidade da ferramenta com conjuntos de dados de teste
- Aumentar a sensibilidade e a especificidade do auxílio à decisão, ampliando a coleta de dados para vários locais e testando o algoritmo com dados prospectivos
O estudo será realizado no Queen Charlotte's e Chelsea Hospital no Imperial College Healthcare NHS Trusts (Centro Primário do estudo).
Este é um estudo observacional de coorte retrospectivo multicêntrico.
O estudo será conduzido durante um período mínimo de três anos para permitir tempo suficiente para analisar os dados retrospectivos e agrupar conjuntos de dados de teste.
Casos retrospectivos anonimizados de aborto retido e aborto incompleto gerenciados no Imperial College Healthcare NHS Trust serão analisados:
Para cada caso, as seguintes características clínicas serão coletadas e resultados:
- Demografia: Idade Materna, Paridade
- História: CS anterior, SMM/MVA anterior, miomectomia anterior
- Gestação por DUM
- Sintomas apresentados: Pontuação de sangramento, Pontuação de dor
- Medições USS: CRL, GS, RPOC 3 dimensões, Vascularidade
- Discrepância entre gestação por CRL e DUM
Todos os dados serão coletados retrospectivamente e anonimizados.
Após a coleta de dados, modelos de aprendizado de máquina e métodos de redução de recursos serão aplicados para determinar o modelo de melhor desempenho para prever o sucesso ou o fracasso do manejo médico ou expectante do aborto, respectivamente.
A próxima fase incluirá uma auditoria prospectiva para coletar dados e testar o poder preditivo da ferramenta de apoio à decisão clínica MLM.
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Locais de estudo
-
-
-
London, Reino Unido, W12 0HS
- Recrutamento
- Imperial College Heatlhcare NHS Trust
-
Contato:
- Sughashini Murugesu
- Número de telefone: 07988390772
- E-mail: sughashini.murugesu@nhs.net
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Aborto retido e aborto incompleto com menos de 14 semanas de gestação
- Acompanhamento registrado em 2 semanas
Critério de exclusão:
- Dados do resultado final indisponíveis
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Gestão expectante do aborto
Coorte que optou por seguir o manejo expectante do aborto espontâneo, resultado final sucesso ou fracasso até o 14º dia da escolha do manejo
|
Manejo expectante: Manejo conservador em caso de aborto espontâneo com acompanhamento agendado em 2 semanas para determinar se ocorreu um aborto espontâneo completo.
|
|
Tratamento Médico do Aborto Espontâneo
Coorte que optou por prosseguir o tratamento médico do aborto espontâneo, resultado final sucesso ou fracasso até o 14º dia da escolha do tratamento
|
Tratamento médico: Misoprostol tomado para tratar o aborto espontâneo no primeiro trimestre, com acompanhamento agendado em 2 semanas para determinar se ocorreu um aborto espontâneo completo.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Desenvolvimento de modelo preditivo de aprendizado de máquina para resultados de gerenciamento de aborto espontâneo.
Prazo: Janeiro de 2023 a junho de 2024
|
Desenvolvimento de modelo preditivo de aprendizado de máquina baseado em uma auditoria retrospectiva de aproximadamente 1.000 casos de aborto espontâneo.
|
Janeiro de 2023 a junho de 2024
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Auditoria prospectiva para testar e validar modelo preditivo
Prazo: Julho de 2024 a junho de 2025
|
Aumentar a sensibilidade e a especificidade do auxílio à decisão, ampliando a coleta de dados para vários locais e testando o modelo de aprendizado de máquina com dados prospectivos.
|
Julho de 2024 a junho de 2025
|
Colaboradores e Investigadores
Patrocinador
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 (Real)
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
- 23QC8155
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 .