此页面是自动翻译的,不保证翻译的准确性。请参阅 英文版 对于源文本。

SHOCKMATRIX 出血预测模型的前瞻性验证 (SHOCKMATRIX)

2025年2月14日 更新者:Assistance Publique - Hôpitaux de Paris

基于实时机器学习的创伤患者早期严重出血和出血资源需求预测模型的外部验证

创伤后严重出血的处理对于任何创伤护理系统来说仍然是一个挑战。 研究旨在预测早期严重出血 (ESH) 风险和资源需求的综合创新工具可以为改善临床决策提供一个有前景的选择,从而缩短院前严重创伤背景下的干预时间。 由于似乎缺乏解决这个问题的证据,这项模糊的验证研究建议在独立队列中评估新开发的基于机器学习的模型的预测性能,以及其在实时医疗保健条件下临床部署的可行性。

研究概览

详细说明

背景:失血性休克仍然是重伤患者早期可预防死亡的主要原因。 当严重外伤后不久发生严重出血,从而定义为早期严重出血(ESH)时,其处理变得极具挑战性。 在这种情况下,改善临床决策和缩短干预时间(被称为关键终点)可能需要设计用于早期检测的创新工具,并研究它们在常规医疗流程中的整合。

目的:作为 Traumabase Group 与 Capgemini Invent 和多个研究中心(巴黎综合理工学院、CNRS、EHESS)合作领导的 TRAUMATRIX 项目的一部分,本研究旨在从外部验证最近开发的基于机器学习的创伤患者 ESH 预测模型。 该模型之前在名为 Traubase 的高质量创伤数据库上进行过训练,提供了处理缺失值的特定能力。

材料和方法:来自 8 个法国创伤中心的至少 1500 名成年创伤患者将被纳入为期 6-24 个月的回顾性和前瞻性样本。 ESH 将作为我们的主要结局,定义为创伤处理后最初几个小时内发生的任何以下事件:复苏室中任何浓缩红细胞 (RBC) 输注,或前 6 小时内输注超过 4 个红细胞,或紧急止血干预(手术或介入放射学),或在不受控制的客观出血的明确情况下死亡。 感兴趣的数据将分两个阶段收集:(1) 从创伤管理的院前阶段,其中计算 ESH 算法预测所需的变量(10 个输入)以及来自主治创伤领导者的临床预测复苏室来自调度中心的预警呼叫将使用凯捷发明团队开发的专用用户友好智能手机界面进行实时记录; (2) 从延迟阶段开始,将执行 Traumabase® 中的经典纳入,以检索 ESH 复合终点的组成变量,并将反馈调查发送给参与研究的创伤团队,以收集额外的信息数据。 根据收集的前瞻性数据,我们将与两个系统的回顾性队列预测性能进行比较,即临床创伤专家与我们基于机器学习的预测模型。

研究类型

观察性的

注册 (实际的)

1584

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

      • Clichy、法国、92110
        • Beaujon Hospital AP-HP, Anesthesia-Intensive Care Department
      • La Tronche、法国、38700
        • GRENOBLE ALPES UNIVERSITY HOSPITAL
      • Le Kremlin-Bicêtre、法国、94270
        • Bicêtre Hospital AP-HP, Anesthesia-Intensive Care Department
      • Lille、法国、59037
        • Lille University Hospital, Anaesthesia and Intensive Care Unit
      • Paris、法国、75013
        • Pitié-Salpêtrière Hospital AP-HP, Anesthesia-Intensive Care Department
      • Paris、法国、75015
        • Georges-Pompidou European Hospital AP-HP, Anesthesia-Intensive Care Department
      • Strasbourg、法国、67200
        • University Hospitals Strasbourg, Anaesthesia, Intensive Care and Peri-Operative Medicine Department
      • Toulouse、法国、31059
        • University Hospital of Toulouse, Polyvalent Intensive Care

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

  • 成人
  • 年长者

接受健康志愿者

不

取样方法

非概率样本

研究人群

入院参与中心的每位严重创伤成年患者,不包括根据计算机断层扫描结果诊断为活动性出血的患者以及既往有外伤性心脏骤停的患者

描述

纳入标准:

  • 每个严重创伤成年患者都被送往参与中心

排除标准:

  • 根据计算机断层扫描结果已诊断出活动性出血的患者;
  • 既往有外伤性心脏骤停的患者
  • 18岁以下患者
  • 患者或亲属的反对

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

队列和干预

团体/队列
干预/治疗
院前严重创伤患者
每名年满 18 岁或以上的严重创伤患者均需入住参与中心,不包括根据计算机断层扫描结果诊断为活动性出血的患者以及既往有外伤性心脏骤停的患者
与临床医生预测相比,预测创伤患者大出血的机器学习模型的回顾性和前瞻性验证

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
Fβ-分数,β = 4
大体时间:18个月

用于评估二元分类模型的可配置单分指标。 参数 β 允许更加重视假阴性预测误差。

Fβ 分数的公式如下(TP 真阳性、FN 假阴性、FP 假阳性):

Fβ= ((1+β^2).TP)/((1+β^2).TP+β^2.FN+FP)

18个月

次要结果测量

结果测量
措施说明
大体时间
常见的二元分类指标
大体时间:18个月
灵敏度 Se、特异性 Sp、准确度 Acc、阳性预测值 PPV、阴性预测值 NPV
18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。

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 (实际的)

2022年7月1日

初级完成 (实际的)

2024年6月24日

研究完成 (实际的)

2024年6月24日

研究注册日期

首次提交

2024年2月14日

首先提交符合 QC 标准的

2024年2月14日

首次发布 (实际的)

2024年2月21日

研究记录更新

最后更新发布 (实际的)

2025年3月25日

上次提交的符合 QC 标准的更新

2025年2月14日

最后验证

2025年2月1日

更多信息

与本研究相关的术语

其他研究编号

  • CRCBDD1712

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)?

不

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

在美国制造并从美国出口的产品

不

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.

订阅