快速响应团队激活中基于深度学习的预警评分
2021年6月30日 更新者:Seoul National University Hospital
基于深度学习的预警评分与常规筛查系统在普通病房患者快速反应团队激活中的比较
本研究的目的是评估基于深度学习的早期预警评分 (DEWS) 的安全性和临床实用性。
研究概览
详细说明
SPTTS 是具有代表性的触发跟踪系统。 除了传统的 SPTTS 之外,DEWS 将通过先前开发的算法在每个时间点进行计算。 SPTTS 和 DEWS 将同时显示在屏幕上。 快速反应小组像以前一样执行救援活动,同时使用 SPTTS 和 DEWS。
DEWS 的报警阈值设置将更改为每月 70 点、75 点和 80 点。
将评估主要和次要结果以比较 SPTTS 和 DEWS(基于每个阈值)。
研究类型
观察性的
注册 (预期的)
50000
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。
学习联系方式
- 姓名:Yeon Joo Lee, MD
- 电话号码:82-31-787-7082
- 邮箱:yjlee1117@snubh.org
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、OLDER_ADULT)
接受健康志愿者
不适用
有资格学习的性别
全部
取样方法
非概率样本
研究人群
入住普通病房的患者
描述
纳入标准:
- 入院普通病房并采用院内快速反应系统监测的患者
排除标准:
- 收治儿科病房的患者
- 急诊室、重症监护室和手术室的患者
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
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
---|---|---|
院内心脏骤停
大体时间:3个月
|
比较 DEWS 和 SPTTS 对院内心脏骤停的预测能力。
|
3个月
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
---|---|---|
报警重合
大体时间:3个月
|
评估 DEWS 和 SPTTS 之间的警报符合性。
|
3个月
|
总报警计数。
大体时间:3个月
|
比较 DEWS 和 SPTTS 之间的总警报计数。
|
3个月
|
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
- Kwon JM, Lee Y, Lee Y, Lee S, Park J. An Algorithm Based on Deep Learning for Predicting In-Hospital Cardiac Arrest. J Am Heart Assoc. 2018 Jun 26;7(13):e008678. doi: 10.1161/JAHA.118.008678.
- Cho KJ, Kwon O, Kwon JM, Lee Y, Park H, Jeon KH, Kim KH, Park J, Oh BH. Detecting Patient Deterioration Using Artificial Intelligence in a Rapid Response System. Crit Care Med. 2020 Apr;48(4):e285-e289. doi: 10.1097/CCM.0000000000004236.
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 (预期的)
2021年8月1日
初级完成 (预期的)
2021年12月30日
研究完成 (预期的)
2022年4月30日
研究注册日期
首次提交
2021年6月27日
首先提交符合 QC 标准的
2021年6月30日
首次发布 (实际的)
2021年7月7日
研究记录更新
最后更新发布 (实际的)
2021年7月7日
上次提交的符合 QC 标准的更新
2021年6月30日
最后验证
2021年6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.