Machine Learning Missfallshantering Studie av kliniska beslutsstödsverktyg (MLMM)
Maskininlärning används för att utveckla en algoritm för att bestämma chansen att lyckas med förväntad eller medicinsk behandling för en enskild patient. Med hänsyn till följande objektiva åtgärder:
- Demografi: moderns ålder, paritet
- Historik: Tidigare CS, Tidigare SMM/MVA, Tidigare myomektomi
- Dräktighet av LMP
- Presenterande symtom: Blödningspoäng, Smärtpoäng
- USS-mått: CRL, GS, RPOC 3 dimensioner, Vascularity
- Diskrepans mellan dräktighet med CRL och LMP
Granska för att sammanställa 1000 fall och identifiera funktioner som bidrar till en algoritm som kan förutsäga resultatet av missfallshantering för individualiserad ärendehantering.
Studieöversikt
Status
Betingelser
Detaljerad beskrivning
- Artificiell intelligens upptäcktsvetenskap: Algoritmutveckling baserad på en retrospektiv granskning av cirka 1000 fall av missfall
- För att bestämma tillförlitligheten hos verktyget med testdatauppsättningar
- Att öka känsligheten och specificiteten för beslutsstödet genom att bredda datainsamlingen till flera platser och testa algoritmen med potentiella data
Studien kommer att genomföras på Queen Charlotte's och Chelsea Hospital vid Imperial College Healthcare NHS Trusts (studiens primära centrum).
Detta är en multicenter retrospektiv kohortobservationsstudie.
Studien kommer att genomföras under minst tre år för att ge tillräckligt med tid för att gå igenom retrospektiva data och sammanställa testdatauppsättningar.
Retrospektiva anonymiserade fall av missat missfall och ofullständigt missfall som hanteras på Imperial College Healthcare NHS Trust kommer att analyseras:
För varje fall kommer följande kliniska egenskaper att sammanställas och resultat:
- Demografi: moderns ålder, paritet
- Historik: Tidigare CS, Tidigare SMM/MVA, Tidigare myomektomi
- Dräktighet av LMP
- Presenterande symtom: Blödningspoäng, Smärtpoäng
- USS-mått: CRL, GS, RPOC 3 dimensioner, Vascularity
- Diskrepans mellan dräktighet med CRL och LMP
All data kommer att samlas in i efterhand och anonymiseras.
Efter datainsamling kommer maskininlärningsmodeller och funktionsreduceringsmetoder att tillämpas för att bestämma den bäst presterande modellen för att förutsäga framgång eller misslyckande av förväntad respektive medicinsk behandling av missfall.
Nästa fas kommer att inkludera en prospektiv revision för att samla in data och testa den prediktiva kraften hos MLM-verktyget för kliniska beslutsstöd.
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studieorter
-
-
-
London, Storbritannien, W12 0HS
- Rekrytering
- Imperial College Heatlhcare NHS Trust
-
Kontakt:
- Sughashini Murugesu
- Telefonnummer: 07988390772
- E-post: sughashini.murugesu@nhs.net
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Missat missfall och ofullständigt missfall mindre än 14 veckors graviditet
- Uppföljning registreras vid 2 veckor
Exklusions kriterier:
- Slutliga resultatdata är inte tillgängliga
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Förväntad hantering av missfall
Kohort som valde att eftersträva förväntad hantering av missfall, slutresultat framgång eller misslyckande senast dag 14 från ledningens val
|
Förväntad behandling: Konservativ behandling om missfall med uppföljning bokad om 2 veckor för att avgöra om fullständigt missfall har inträffat.
|
|
Medicinsk hantering av missfall
Kohort som valde att fortsätta medicinsk hantering av missfall, slutresultat framgång eller misslyckande senast dag 14 från ledningens val
|
Medicinsk behandling: Misoprostol tas för att hantera missfall i första trimestern, med uppföljning bokad inom 2 veckor för att avgöra om fullständigt missfall har inträffat.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Maskininlärning prediktiv modellutveckling för missfallshanteringsresultat.
Tidsram: Jan 2023 - juni 2024
|
Maskininlärning prediktiv modellutveckling baserad på en retrospektiv granskning av cirka 1000 fall av missfall.
|
Jan 2023 - juni 2024
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Prospektiv revision för att testa och validera prediktiv modell
Tidsram: Juli 2024–juni 2025
|
För att öka känsligheten och specificiteten hos beslutsstödet genom att bredda datainsamlingen till flera platser och testa maskininlärningsmodellen med framtida data.
|
Juli 2024–juni 2025
|
Samarbetspartners och utredare
Sponsor
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Beräknad)
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
- 23QC8155
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
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 .
Kliniska prövningar på Missfall i första trimestern
-
University Hospital, GrenobleSociété Française d'Anesthésie et de RéanimationAvslutadeFast Diagnosis Performance in Guiding First Aid Resuscitation and HemostasisFrankrike