用于连续麻醉深度预测的深度学习框架
2026年4月10日 更新者：Universitair Ziekenhuis Brussel
深度学习框架在全身麻醉期间持续预测药效反应与生理轨迹的验证
人工智能在麻醉学中的整合有望将患者监护从反应性转变为预测性。深度学习架构，特别是长短期记忆网络，擅长处理复杂的时序数据以预测未来的临床状态。
虽然标准的药代动力学/药效学模型（如用于丙泊酚和瑞芬太尼的先进Eleveld模型）能够估算目标部位药物浓度，但它们并未考虑实时的、患者特异性的动态反应。本研究旨在部署一个旨在预测未来生理状态的人工智能框架。
研究概览
研究类型
观察性的
注册 (估计的)
115
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：Hugo Carvalho, MD, PhD
- 电话号码：+32 50 45 24 19
- 邮箱：hugo.nogueiracarvalho@azsintjan.be
学习地点
-
-
-
Bruges、比利时、8000
- AZ Sint-Jan AV
-
-
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
是的
取样方法
概率样本
研究人群
在连续麻醉深度监测下接受全身麻醉的患者。
描述
纳入标准：
- 计划接受需要全身麻醉的择期手术的患者。
- 需要持续监测麻醉深度（BIS）的手术。
排除标准：
- 主要麻醉方案不涉及连续电子数据采集的手术。
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 |
|---|
|
前瞻性
前瞻性队列
|
|
回顾性
回顾性队列
|
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 |
|---|---|---|
|
预测不确定性锥的校准误差
大体时间：围手术期 - 持续
|
预测不确定性锥的校准误差 - 预测不确定性锥的校准误差是指模型声明的置信水平（例如，预测95%的未来值将落在特定范围内）与实际真实值落在此预测边界内的频率之间的差异。
|
围手术期 - 持续
|
|
平均绝对误差 (MAE)
大体时间：持续 - 围手术期
|
平均绝对误差 (MAE)
|
持续 - 围手术期
|
|
趋势准确性
大体时间：持续 - 围手术期
|
趋势准确性衡量预测模型正确预测变量未来方向和变化速率的能力（例如患者麻醉深度是正在变浅还是加深），独立于任何单个时间点的绝对数值误差。
|
持续 - 围手术期
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
均方根误差（RMSE）
大体时间：围手术期 - 持续
|
均方根误差 (RMSE)
|
围手术期 - 持续
|
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 (估计的)
2026年6月1日
初级完成 (估计的)
2026年8月1日
研究完成 (估计的)
2026年9月1日
研究注册日期
首次提交
2026年4月2日
首先提交符合 QC 标准的
2026年4月10日
首次发布 (实际的)
2026年4月17日
研究记录更新
最后更新发布 (实际的)
2026年4月17日
上次提交的符合 QC 标准的更新
2026年4月10日
最后验证
2026年3月1日
更多信息
与本研究相关的术语
其他相关的 MeSH 术语
其他研究编号
- AIBIS
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
未定
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
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.