- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05762237
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
- Namn: Heejoon Jeong, MD
- Telefonnummer: 821087282414
- E-post: heejoonjeong@skku.edu
Studieorter
-
-
-
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
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
- Lee HC, Jung CW. Vital Recorder-a free research tool for automatic recording of high-resolution time-synchronised physiological data from multiple anaesthesia devices. Sci Rep. 2018 Jan 24;8(1):1527. doi: 10.1038/s41598-018-20062-4.
- Lee S, Lee HC, Chu YS, Song SW, Ahn GJ, Lee H, Yang S, Koh SB. Deep learning models for the prediction of intraoperative hypotension. Br J Anaesth. 2021 Apr;126(4):808-817. doi: 10.1016/j.bja.2020.12.035. Epub 2021 Feb 6.
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
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
-
Seoul National University HospitalHar inte rekryterat ännu
-
Merck Sharp & Dohme LLCAvslutad
-
Merck Sharp & Dohme LLCAvslutad
-
Merck Sharp & Dohme LLCAvslutad
-
Merck Sharp & Dohme LLCAvslutad
-
Merck Sharp & Dohme LLCAvslutad
-
Merck Sharp & Dohme LLCAvslutad
-
Centre Hospitalier Universitaire de Saint EtienneAvslutad
-
Hopital FochAvslutadAnestesi, generalFrankrike
-
AbbottRundo-Cronova International Pharmaceuticals Research & Development Co...Avslutad