Maskininlärningsmodeller för att förutsäga oförutsedda sjukhusinläggningar eller utskrivningar efter anestesi
16 oktober 2024 uppdaterad av: Rémi Florquin, HUmani
Oväntade sjukhusinläggningar efter ambulerande kirurgi medför inte bara obehag för patienterna utan orsakar också en minskning av sjukvårdens effektivitet.
Dessutom medför oväntad patientorientering risk för olämpliga postoperativa beställningar.
Vår hypotes är att modeller med artificiell intelligens kommer att överträffa traditionella modeller när det gäller att förutsäga vilka patienter som kommer att behöva sjukhusvård efter ambulerande operation eller oförutsedd sjukhusutskrivning efter operation.
Studieöversikt
Status
Avslutad
Intervention / Behandling
Studietyp
Observationell
Inskrivning (Faktisk)
68683
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
-
Mons, Belgien, 7000
- Université de Mons
-
-
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
Icke-sannolikhetsprov
Studera befolkning
Alla inlagda eller polikliniska patienter som har genomgått anestesi för ett diagnostiskt eller terapeutiskt ingrepp, i ett planerat eller akut tillstånd, på institutionens sjukhus.
Beskrivning
Inklusionskriterier:
- Patient som genomgår anestesi för en terapeutisk eller diagnostisk procedur
Uteslutningskriterier:
- Ofullständig informationsdata
- Fel i kodningssystemet
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 |
Intervention / Behandling |
|---|---|
|
Ambulerande patienter
Patient som genomgår anestesi i ambulatorisk miljö.
|
Målet med detta projekt är att utveckla modeller för att förutsäga under den preoperativa perioden vilka patienter som kommer att behöva sjukhusvård efter ambulerande operation eller oförutsedd sjukhusskrivning efter operation
|
|
Inlagda patienter
Patient som genomgår anestesi på sjukhus.
|
Målet med detta projekt är att utveckla modeller för att förutsäga under den preoperativa perioden vilka patienter som kommer att behöva sjukhusvård efter ambulerande operation eller oförutsedd sjukhusskrivning efter operation
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Frekvens för patientens omorientering
Tidsram: På operationsdagen
|
Frekvens för oförutsedda sjukhusinläggningar efter en ambulatorisk operation och utskrivningshastighet efter en sjukhusinlagd operation
|
På operationsdagen
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Utredare
- Huvudutredare: Rémi Florquin, MD, Université de Mons, Belgium
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 januari 2020
Primärt slutförande (Faktisk)
30 juni 2024
Avslutad studie (Faktisk)
30 juli 2024
Studieregistreringsdatum
Först inskickad
30 augusti 2024
Först inskickad som uppfyllde QC-kriterierna
30 augusti 2024
Första postat (Faktisk)
3 september 2024
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
18 oktober 2024
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
16 oktober 2024
Senast verifierad
1 oktober 2024
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- HUmani_ODanesth
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
NEJ
IPD-planbeskrivning
Vi är inte behöriga att publicera känsliga uppgifter genom beslut av etikkommittén
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
produkt tillverkad i och exporterad från U.S.A.
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 .