Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

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

15 ноября 2026 г. обновлено: 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.

Обзор исследования

Статус

Еще не набирают

Условия

Тип исследования

Наблюдательный

Регистрация (Оцененный)

250

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Контакты исследования

  • Имя: ilke dolğun
  • Номер телефона: +905555485632
  • Электронная почта: ilkeser2004@gmail.com

Места учебы

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

От 18 лет до 45 лет (Взрослый)

Принимает здоровых добровольцев

Нет

Полы, имеющие право на обучение

Женский

Метод выборки

Невероятностная выборка

Исследуемая популяция

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.

Описание

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.

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

  • Наблюдательные модели: COHORT
  • Временные перспективы: OTHER

Что измеряет исследование?

Первичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
Predictive Performance of Machine Learning Models for Post-Spinal Hypotension
Временное ограничение: 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.

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Публикации и полезные ссылки

Лицо, ответственное за внесение сведений об исследовании, добровольно предоставляет эти публикации. Это может быть что угодно, связанное с исследованием.

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Оцененный)

21 ноября 2026 г.

Первичное завершение (Оцененный)

21 января 2027 г.

Завершение исследования (Оцененный)

1 февраля 2027 г.

Даты регистрации исследования

Первый отправленный

15 ноября 2026 г.

Впервые представлено, что соответствует критериям контроля качества

15 ноября 2026 г.

Первый опубликованный (Действительный)

19 ноября 2026 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

19 ноября 2026 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

15 ноября 2026 г.

Последняя проверка

1 ноября 2026 г.

Дополнительная информация

Термины, связанные с этим исследованием

Другие идентификационные номера исследования

  • HASEKI-CS-ML-2026

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .

Подписаться