Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Prediction of Post-Spinal Hypotension During Cesarean Delivery Using Machine Learning Algorithms

15 de novembro de 2026 atualizado por: İlke Dolgun, Istinye University

Prediction of Hypotension Following Spinal Anesthesia During Cesarean Delivery Using Machine Learning Algorithms: A Retrospective Training and Prospective Validation Study

This study aims to develop and prospectively validate machine learning models for predicting hypotension following spinal anesthesia in pregnant women undergoing elective cesarean delivery. The study consists of two cohorts: a retrospective training cohort including at least 200 patients and an independent prospective validation cohort including 50 patients.

Three machine learning algorithms (Random Forest, XGBoost, and Logistic Regression) will be trained using preoperative demographic, anthropometric, and baseline hemodynamic variables, including age, body mass index, parity, gestational age, baseline systolic blood pressure, and baseline heart rate.

The primary outcome is post-spinal hypotension, defined as a decrease in systolic blood pressure of at least 20% from baseline and/or the requirement for vasopressor administration within the first 15 minutes after spinal anesthesia.

The best-performing model will be evaluated in the independent prospective cohort to assess its predictive performance in a real clinical setting.

Visão geral do estudo

Status

Ainda não está recrutando

Tipo de estudo

Observacional

Inscrição (Estimado)

250

Contactos e Locais

Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.

Contato de estudo

Locais de estudo

    • Merkez Mahallesi
      • Istanbul, Merkez Mahallesi, Turquia (Türkiye), 34250
        • Istinye Üniversity

Critérios de participação

Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.

Critérios de elegibilidade

Idades elegíveis para estudo

18 anos a 45 anos (Adulto)

Aceita Voluntários Saudáveis

Não

Gêneros Elegíveis para o Estudo

Fêmea

Método de amostragem

Amostra Não Probabilística

População do estudo

The study population will consist of pregnant women aged 18-45 years with ASA physical status I-II, singleton pregnancies, and scheduled for elective cesarean delivery under spinal anesthesia. The study will include two cohorts: a retrospective training cohort of at least 200 eligible patients identified from hospital records between January 1, 2025, and October 1, 2026, and an independent prospective validation cohort of 50 eligible pregnant women. Participants will be assessed according to predefined inclusion and exclusion criteria. The study population will include women with no history of chronic hypertension or preeclampsia/eclampsia and without contraindications to neuraxial anesthesia.

Descrição

Inclusion Criteria:

  • Age between 18 and 45 years.
  • ASA physical status I-II.
  • Singleton pregnancy.
  • Scheduled for elective cesarean delivery under spinal anesthesia.

Exclusion Criteria:

  • Multiple pregnancy.
  • Emergency cesarean delivery, including cases of fetal distress.
  • Chronic hypertension.
  • History of preeclampsia or eclampsia.
  • Contraindications to neuraxial anesthesia.

Plano de estudo

Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.

Como o estudo é projetado?

Detalhes do projeto

  • Modelos de observação: COHORT
  • Perspectivas de Tempo: OTHER

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Predictive Performance of Machine Learning Models for Post-Spinal Hypotension
Prazo: Within the first 15 minutes following spinal anesthesia.

The predictive performance of machine learning models (Random Forest, XGBoost, and Logistic Regression) for identifying post-spinal hypotension will be evaluated using the area under the receiver operating characteristic curve (AUC-ROC). Post-spinal hypotension is defined as a decrease in systolic blood pressure of at least 20% from baseline and/or the requirement for vasopressor administration within the first 15 minutes following spinal anesthesia. Models will be developed using the retrospective training cohort and evaluated in the independent prospective validation cohort.

Within the first 15 minutes following spinal anesthesia.

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Patrocinador

Publicações e links úteis

A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.

Datas de registro do estudo

Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados ​​pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.

Datas Principais do Estudo

Início do estudo (Estimado)

21 de novembro de 2026

Conclusão Primária (Estimado)

21 de janeiro de 2027

Conclusão do estudo (Estimado)

1 de fevereiro de 2027

Datas de inscrição no estudo

Enviado pela primeira vez

15 de novembro de 2026

Enviado pela primeira vez que atendeu aos critérios de CQ

15 de novembro de 2026

Primeira postagem (Real)

19 de novembro de 2026

Atualizações de registro de estudo

Última Atualização Postada (Real)

19 de novembro de 2026

Última atualização enviada que atendeu aos critérios de controle de qualidade

15 de novembro de 2026

Última verificação

1 de novembro de 2026

Mais Informações

Termos relacionados a este estudo

Outros números de identificação do estudo

  • HASEKI-CS-ML-2026

Informações sobre medicamentos e dispositivos, documentos de estudo

Estuda um medicamento regulamentado pela FDA dos EUA

Não

Estuda um produto de dispositivo regulamentado pela FDA dos EUA

Não

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 .

Se inscrever