一种算法驱动的脓毒症预测生物标志物
2021年9月17日 更新者：Dascena
算法驱动的脓毒症预测生物标志物的随机对照临床试验
脓毒症早期预警预测算法 InSight 已在大型、多样化的患者队列中得到开发和验证。
在这项前瞻性研究中，调查了 InSight 预测严重败血症患者的能力。
具体而言，将 InSight 与 UCSF 电子健康记录 (EHR) 中完善的严重败血症检测器进行了比较。
研究概览
研究类型
介入性
注册 (实际的)
142
阶段
- 不适用
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
California
-
San Francisco、California、美国、94143
- UCSF Moffit-Long Hospital
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
18年 及以上 (成人、年长者)
接受健康志愿者
不
有资格学习的性别
全部
描述
纳入标准：
- 所有入住参与单位的成年患者都有资格。
排除标准：
- 所有 18 岁以下的患者都将被排除在外。
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
- 主要用途：放映
- 分配：随机化
- 介入模型：阶乘赋值
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：有了洞察力
医疗保健提供者收到来自 InSight 的关于有严重败血症趋势的患者的警报。
医疗保健提供者还从 UCSF 电子健康记录中的严重败血症检测器接收信息。
|
收到 InSight 警报后，医疗保健提供者会按照标准做法评估可能的（严重）败血症并相应地进行干预。
在从 UCSF 电子健康记录中的严重败血症检测器收到信息后，医疗保健提供者会按照标准做法评估可能的（严重）败血症并相应地进行干预。
|
|
有源比较器：没有洞察力
医疗保健提供者不会收到来自 InSight 的任何警报。
医疗保健提供者从 UCSF 电子健康记录中的严重败血症检测器接收信息。
|
在从 UCSF 电子健康记录中的严重败血症检测器收到信息后，医疗保健提供者会按照标准做法评估可能的（严重）败血症并相应地进行干预。
|
研究衡量的是什么？
主要结果指标
结果测量 |
大体时间 |
|---|---|
|
住院时间
大体时间：通过学习完成，平均45天
|
通过学习完成，平均45天
|
次要结果测量
结果测量 |
大体时间 |
|---|---|
|
住院死亡率
大体时间：通过学习完成，平均45天
|
通过学习完成，平均45天
|
其他结果措施
结果测量 |
大体时间 |
|---|---|
|
ICU住院时间
大体时间：通过学习完成，平均45天
|
通过学习完成，平均45天
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- Calvert J, Desautels T, Chettipally U, Barton C, Hoffman J, Jay M, Mao Q, Mohamadlou H, Das R. High-performance detection and early prediction of septic shock for alcohol-use disorder patients. Ann Med Surg (Lond). 2016 May 10;8:50-5. doi: 10.1016/j.amsu.2016.04.023. eCollection 2016 Jun.
- Calvert JS, Price DA, Chettipally UK, Barton CW, Feldman MD, Hoffman JL, Jay M, Das R. A computational approach to early sepsis detection. Comput Biol Med. 2016 Jul 1;74:69-73. doi: 10.1016/j.compbiomed.2016.05.003. Epub 2016 May 12.
- Desautels T, Calvert J, Hoffman J, Jay M, Kerem Y, Shieh L, Shimabukuro D, Chettipally U, Feldman MD, Barton C, Wales DJ, Das R. Prediction of Sepsis in the Intensive Care Unit With Minimal Electronic Health Record Data: A Machine Learning Approach. JMIR Med Inform. 2016 Sep 30;4(3):e28. doi: 10.2196/medinform.5909.
- Calvert JS, Price DA, Barton CW, Chettipally UK, Das R. Discharge recommendation based on a novel technique of homeostatic analysis. J Am Med Inform Assoc. 2017 Jan;24(1):24-29. doi: 10.1093/jamia/ocw014. Epub 2016 Mar 28.
- Shimabukuro DW, Barton CW, Feldman MD, Mataraso SJ, Das R. Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respir Res. 2017 Nov 9;4(1):e000234. doi: 10.1136/bmjresp-2017-000234. eCollection 2017.
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始
2016年12月1日
初级完成 (实际的)
2017年2月1日
研究注册日期
首次提交
2016年12月31日
首先提交符合 QC 标准的
2017年1月6日
首次发布 (估计)
2017年1月10日
研究记录更新
最后更新发布 (实际的)
2021年9月23日
上次提交的符合 QC 标准的更新
2021年9月17日
最后验证
2021年9月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.
严重败血症预测的临床试验
-
Linkoeping UniversityCentre Hospitalier Universitaire Dijon; Bicetre Hospital; European Georges Pompidou Hospital; Ryhov...主动，不招人