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

Djuplärande ramverk för kontinuerlig prognostisering av anestesidjup

10 april 2026 uppdaterad av: Universitair Ziekenhuis Brussel

Validering av ett djupinlärningsramverk för kontinuerlig prognostisering av farmakodynamiska responser och fysiologiska förlopp under allmän anestesi

Integrationen av artificiell intelligens (AI) inom anestesiologi erbjuder potentialen att förändra patientövervakning från reaktiv till prediktiv. Djupinlärningsarkitekturer, specifikt Long Short-Term Memory (LSTM)-nätverk, utmärker sig på att bearbeta komplexa tidssekvensdata för att förutse framtida kliniska tillstånd.

Medan standard-PK/PD-modeller (som den moderna Eleveld-modellen för Propofol och Remifentanil) uppskattar läkemedelskoncentrationer på målstället (Ce), tar de inte hänsyn till realtids, patientspecifika dynamiska responser. Denna studie syftar till att implementera ett AI-ramverk utformat för att förutse framtida fysiologiska tillstånd.

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Studietyp

Observationell

Inskrivning (Beräknad)

115

Kontakter och platser

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

Studiekontakt

Studieorter

  • Belgien
      • Bruges, Belgien, 8000
        • AZ Sint-Jan AV

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

Ja

Testmetod

Sannolikhetsprov

Studera befolkning

Patienter som genomgår allmän anestesi under kontinuerlig övervakning av anestesidjup.

Beskrivning

Inklusionskriterier:

  • Patienter schemalagda för elektiv kirurgi som kräver generell anestesi.
  • Ingrepp som kräver kontinuerlig övervakning av anestesidjup (BIS).

Exklusionskriterier:

- Ingrepp där den primära anestesplanen inte involverar kontinuerlig elektronisk datainsamling.

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
Prospektiv
Prospektiv Kohort
Retrospektiv
Retrospektiv Kohort

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Kalibreringsfel för den prediktiva osäkerhetskonen
Tidsram: Kontinuerlig - Perioperativ
Kalibreringsfel för den prediktiva osäkerhetskonen - Kalibreringsfel för den prediktiva osäkerhetskonen är avvikelsen mellan en modells angivna konfidensnivå (t.ex. förutsägelsen att 95 % av framtida värden kommer att falla inom ett specifikt intervall) och den faktiska frekvensen med vilka de sanna värdena faktiskt hamnar inom den förutsagda gränsen.
Kontinuerlig - Perioperativ
Medelabsolut fel (MAE)
Tidsram: Kontinuerlig - perioperativ
Medelabsolut fel (MAE)
Kontinuerlig - perioperativ
Trendnoggrannhet
Tidsram: Kontinuerlig - perioperativ
Trendnoggrannhet mäter en prediktiv modells förmåga att korrekt förutsäga den framtida riktningen och förändringshastigheten för en variabel (till exempel om en patients anestesidjup aktivt minskar eller ökar), oberoende av det absoluta numeriska felet vid någon enskild tidpunkt.
Kontinuerlig - perioperativ

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Rotmedelkvadratfel (RMSE)
Tidsram: Kontinuerlig - perioperativ
Rotmedelkvadratfel (RMSE)
Kontinuerlig - perioperativ

Samarbetspartners och utredare

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

Sponsor

Universitair Ziekenhuis Brussel

Samarbetspartners

AZ Sint-Jan AV

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 (Beräknad)

1 juni 2026

Primärt slutförande (Beräknad)

1 augusti 2026

Avslutad studie (Beräknad)

1 september 2026

Studieregistreringsdatum

Först inskickad

2 april 2026

Först inskickad som uppfyllde QC-kriterierna

10 april 2026

Första postat (Faktisk)

17 april 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

17 april 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

10 april 2026

Senast verifierad

1 mars 2026

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • AIBIS

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 .

Prenumerera