Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Deep Learning-modeller för förutsägelse av intraoperativ hypotoni med hjälp av icke-invasiva parametrar

23 juli 2023 uppdaterad av: Hyun Joo Ahn, Samsung Medical Center

Förutsägelse av intraoperativ hypotoni med hjälp av icke-invasiva övervakningsanordningar: Utveckling av modell för djupinlärning

Utredarna syftade till att undersöka djupinlärningsmodellen för att förutsäga intraoperativ hypotoni med hjälp av icke-invasiva övervakningsparametrar.

Studieöversikt

Status

Rekrytering

Betingelser

Detaljerad beskrivning

Intraoperativ hypotoni är förknippad med olika postoperativa komplikationer såsom akut njurskada. Därför är exakt förutsägelse och snabb behandling av intraoperativ hypotoni viktigt. Det är dock svårt att exakt förutsäga intraoperativ hypotoni baserat på anestesiologernas erfarenhet och intuition. Nyligen visade algoritmer för djupinlärning med invasiv arteriell tryckövervakning den goda prediktiva förmågan hos intraoperativ hypotoni. Det kan hjälpa läkarens beslut. De flesta patienter som genomgår allmän kirurgi övervakas dock av icke-invasiva parametrar. Därför undersöker utredarna prediktionsmodellen för intraoperativ hypotoni med hjälp av icke-invasiv övervakning.

Studietyp

Observationell

Inskrivning (Beräknad)

5064

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studieorter

  • Korea, Republiken av
      • Seoul, Korea, Republiken av, 06351
        • Rekrytering
        • Samsung Medical Center
        • Kontakt:
          • Heejoon Jeong, MD

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Testmetod

Sannolikhetsprov

Studera befolkning

Studiepopulationen inkluderade patienter som genomgick inhalerad generell anestesi för icke-hjärtkirurgi mellan juni 2016 och augusti 2017 på Seoul National University Hospital, Seoul, Sydkorea.

Beskrivning

Inklusionskriterier:

  • Patienterna som ingår i den öppna databasen, VtialDB.
  • Patienterna som genomgick inhalerad narkos för icke-hjärtkirurgi.
  • De patienter som har icke-invasiva övervakningsdata inklusive blodtryck, elektrokardiografi, pulsoximetri, bispektralt index, kapnografi och minsta alveolära koncentration av inhalationsmedel.

Exklusions kriterier:

  • Patienten med saknade data.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Grupp
I databasen med öppen källkod (VitalDB, https://vitaldb.net), patienter som genomgick generell anestesi med icke-invasiv övervakning inklusive blodtryck, elektrokardiografi, pulsoximetri, bispektralt index, kapnografi och minimal alveolär koncentration av inhalationsmedel.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Deep learning-modellens förutsägelseförmåga vid intraoperativ hypotonihändelse
Tidsram: genom avslutad studie, i genomsnitt 3 timmar
Area under the curve receiver operating characteristic (AUROC)-kurvan för djupinlärningsmodellen för att förutsäga intraoperativ hypotoni.
genom avslutad studie, i genomsnitt 3 timmar

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Samsung Medical Center

Utredare

  • Huvudutredare: Hyun Joo Ahn, MD, PhD, Samsung Medical Center

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

1 april 2023

Primärt slutförande (Beräknad)

31 augusti 2023

Avslutad studie (Beräknad)

30 september 2023

Studieregistreringsdatum

Först inskickad

13 februari 2023

Först inskickad som uppfyllde QC-kriterierna

7 mars 2023

Första postat (Faktisk)

9 mars 2023

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

25 juli 2023

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

23 juli 2023

Senast verifierad

1 juli 2023

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • SMC 2022-09-096

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

OBESLUTSAM

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

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 .

Kliniska prövningar på Allmän anestesi

Sök liknande försök

Sponsorer och medarbetare

Medicinska tillstånd

Läkemedelsinterventioner

CROs by country

CROs in Saudi Arabia

Betingelser

Sällsynta sjukdomar

Läkemedelsinterventioner

Kosttillskott

Sponsor / medarbetare

Platser

3
Prenumerera