用于预测麻醉后意外入院或出院的机器学习模型
2024年10月16日 更新者：Rémi Florquin、HUmani
门诊手术后意外入院不仅给患者带来不适，还会导致医疗系统效率下降。
此外，意外的患者方位可能会带来术后命令不合适的风险。
我们的假设是，人工智能模型在预测哪些患者在门诊手术后需要入院或术后意外出院方面将优于传统模型。
研究概览
研究类型
观察性的
注册 (实际的)
68683
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
-
-
-
Mons、比利时、7000
- Université de Mons
-
-
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
- 孩子
- 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
所有住院或门诊患者，在机构医院内的预定或紧急情况下，因诊断或治疗程序而接受麻醉。
描述
纳入标准：
- 因治疗或诊断程序而接受麻醉的患者
排除标准：
- 信息数据不完整
- 编码系统错误
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 |
|---|---|
|
门诊病人
患者在门诊环境中接受麻醉。
|
该项目的目标是开发模型来在术前预测哪些患者在门诊手术后需要入院或手术后需要意外出院
|
|
住院病人
患者在住院环境中接受麻醉。
|
该项目的目标是开发模型来在术前预测哪些患者在门诊手术后需要入院或手术后需要意外出院
|
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 |
|---|---|---|
|
患者重新定向率
大体时间：手术当天
|
门诊手术后意外入院率和住院手术后出院率
|
手术当天
|
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。
赞助
调查人员
- 首席研究员：Rémi Florquin, MD、Université de Mons, Belgium
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)
2020年1月1日
初级完成 (实际的)
2024年6月30日
研究完成 (实际的)
2024年7月30日
研究注册日期
首次提交
2024年8月30日
首先提交符合 QC 标准的
2024年8月30日
首次发布 (实际的)
2024年9月3日
研究记录更新
最后更新发布 (实际的)
2024年10月18日
上次提交的符合 QC 标准的更新
2024年10月16日
最后验证
2024年10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.