- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT04462380
AiCR: Artificiell intelligens vid hjärtstopp (AiCR)
AiCR: Artificiell intelligens vid hjärtstillestånd Tillämpning av en algoritm i prognosen för återställda hjärtstopp
Den totala förekomsten av hjärtstillestånd i Europa uppskattas till 350 000 till 700 000 fall per år. Överlevnadsgraden uppskattas till 10,7 % för alla rytmrubbningar tillsammans.
Det finns flera exempel på AI-applikationer inom det medicinska området. Ting et al har utvecklat ett datorverktyg som kan diagnostisera förekomsten av diabetisk retinopati med utmärkt kraft. Vid återupplivning föreslog Celi et al ett verktyg som kan förutsäga behovet av kristalloid vaskulär fyllning under ett systemiskt inflammatoriskt tillstånd. I Nature 2018 demonstrerade Komorowski effektiviteten av AI i hemodynamisk behandling av sepsis. I en studie av njursvaret på vätskeutmaning visade Zhang et al. visa inlärningsmaskinens effektivitet.
Mål: Bestämning av en algoritm som kan förutsäga dödligheten för patienter inlagda på intensivvårdsavdelningar (ICU) för ACR från sjukhusinläggningsrapporter (CRH). Också användning av algoritmen för att förutsäga risken för återfall av arresteringen, varaktigheten av mekanisk ventilation, uppkomsten av sepsis, utvecklingen av organsvikt, förutsägelse av CPC (Cerebral Performance Category), tid för att få katekolaminabstinens, utseendet av akut njursvikt med eller utan behov av extrarenal rening (EER) och varaktighet under EER, den genomsnittliga vistelsetiden.
Detta projekt är en del av ett större, rikstäckande projekt med större kraft, och omfattar all data som genereras under sjukhusvistelse på intensivvård.
Metod: ett uppskattat totalt antal patienter som ingår i denna studie är mellan 300 och 500. Befolkningen kommer från intensivvårdsavdelningarna i Nice, Antibes, Cannes, Grasse.
Inklusionen kommer att vara retrospektiv, på CRH, CR av CT-avbildning (hjärn- och toraco-abdomino-bäcken), MRT, EEG och dagliga uppföljningsord, från 2014 till slutet av 2020.
Efter anonymisering, tillämpning av semantisering med naturliga språkbehandlingsmetoder (NLP). Uppgifterna som ska extraheras förs in i ett dokument skrivet av intensivvårdsläkare. Dessa data kommer sedan att lagras i en databas. För att uppfylla huvudmålet kommer vi att utveckla en datoralgoritm som kan förutsäga dödlighet i studiepopulationen. Denna algoritm, baserad på en stor databas, kan designas med hjälp av maskininlärning eller till och med tekniker för djupinlärning beroende på mängden data som ska bearbetas.
Studieöversikt
Status
Betingelser
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: Jean DELLAMONICA
- Telefonnummer: 33 4 920 35 510
- E-post: dellamonica.j@chu-nice.fr
Studera Kontakt Backup
- Namn: romain LOMBARDI
- E-post: lombardi.r@chu-nice.fr
Studieorter
-
-
-
Nice, Frankrike, 06200
- Rekrytering
- Nice Hospital
-
Kontakt:
- Jean DELLAMONICA
- E-post: dellamonica.j@chu-nice.fr
-
Kontakt:
- romain LOMBARDI
- E-post: lombardi.r@chu-nice.fr
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- OCA återhämtat sig från: hypoxisk, ischemisk, lungemboli, tamponad, rytm- eller överledningsstörning, chockbar eller ej, intra- eller extrasjukhus.
- CR datoriserad, maskinskriven i PDF-format
Exklusions kriterier:
-
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Endast fall
- Tidsperspektiv: Retrospektiv
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Förutsägelse av dödlighet på intensivvårdsavdelningen
Tidsram: 1 dag
|
Definition av ett semantiskt rapporteringsverktyg, automatiserat, övergång från en anonymiserad rapport till en operativ och relevant databas.
|
1 dag
|
|
Förutsägelse av dödlighet på intensivvårdsavdelningen
Tidsram: 1 dag
|
Användning av den sålunda skapade databasen för att skapa en intelligent mortalitetsförutsägelsealgoritm.
Använd även på sekundära bedömningskriterier för att förutsäga andra parametrar som nämns nedan.
|
1 dag
|
Samarbetspartners och utredare
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 20reamed01
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .