比较传统风险评分与基于人工智能的多模态模型在预测胃肠道手术后心血管事件中的应用 (GI-MACE-AI)
2026年4月16日 更新者：Nguyen Toan Thang、Bach Mai Hospital
部分风险评分在预测胃肠道手术后心血管事件中的价值
这项观察性研究的目标是开发和评估一种基于人工智能（AI）的多模态模型，用于预测在白梅医院接受胃肠外科手术的成年患者术后30天内发生主要心血管事件的风险。 该研究还将比较这种基于AI的模型与常用传统风险评分工具的预测性能。
本研究旨在回答的主要问题包括：
基于AI的多模态模型能否预测胃肠外科手术后30天内发生主要心血管事件的风险？ 与修订心脏风险指数（RCRI）、美国外科医师学会国家外科质量改进计划心肌梗死或心脏骤停计算器（ACS NSQIP MICA）以及ACS NSQIP手术风险计算器（ACS NSQIP SRC）相比，基于AI的模型是否表现出更优的预测性能？ 研究人员将通过预测性能指标（包括区分度、校准度、净重分类改善指数和综合判别改善指数）来比较基于AI的多模态模型与传统风险评分工具。
研究对象为接受胃肠外科手术的成年患者。 研究人员将回顾性分析2025年治疗患者的病历数据，并计划于2026年前瞻性收集相同类型的临床数据。 预测的临床结局是术后30天内主要心血管事件的发生情况。 本研究不会改变常规临床诊疗流程。
研究概览
详细说明
胃肠道手术后主要心血管事件仍然是术后早期并发症和不良预后的重要原因。传统围手术期心脏风险评分，包括修订心脏风险指数（RCRI）、美国外科医师学会国家手术质量改进计划心肌梗死或心脏骤停计算器（ACS NSQIP MICA）以及ACS NSQIP手术风险计算器（ACS NSQIP SRC），在临床实践中被广泛使用。然而，其在特定手术人群中的性能可能有限，且可能无法完全捕捉临床、实验室、生理和手术变量之间的复杂相互作用。
本观察性研究旨在开发和评估一种基于人工智能（AI）的多模态模型，用于预测胃肠道手术后30天内主要心血管事件，并将其预测性能与传统风险评分进行比较。研究将在白梅医院进行，纳入接受胃肠道手术的成年患者。研究采用混合回顾性-前瞻性设计，回顾性数据收集自2025年治疗的患者，前瞻性数据收集在2026年进行。
预测的目标临床结局是术后30天内主要心血管事件的发生。这些事件包括心血管死亡、非致死性心肌梗死、心脏骤停后自主循环恢复、新发卒中以及需要治疗的临床显著心律失常。用于模型开发和比较的数据可能包括人口统计学特征、病史、心血管合并症、手术特征、麻醉信息、术前实验室结果、心电图发现、可获得的生物标志物以及功能或风险评估变量。
研究的主要结局是基于AI的多模态模型与传统风险评分相比的区分性能，通过预测胃肠道手术后30天主要心血管事件的受试者工作特征曲线下面积来衡量。次要结局包括基于AI的多模态模型与传统风险评分（包括RCRI、ACS NSQIP MICA和ACS NSQIP SRC）相比的校准性能、净重分类改善和综合判别改善。
本研究为观察性研究，不会改变常规围手术期管理。数据将从现有医疗记录和前瞻性临床收集中获取，进行保密编码，并进行分析以支持接受胃肠道手术患者的风险分层和模型比较。
研究类型
观察性的
注册 (估计的)
5000
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
-
-
-
Hà Nội、越南
- 招聘中
- Bach Mai hospital
-
接触：
- Nguyen Toan Thang, Thang
- 电话号码：PhD, MD
- 邮箱：nguyentoanthang@hmu.edu.vn
-
-
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
2025年1月至2026年12月在白梅医院接受胃肠手术的成年患者。
该研究包括从2025年回顾性识别和从2026年前瞻性纳入的患者，这些患者拥有足够的围手术期临床数据，用于分析术后30天内发生的主要心血管事件。
描述
纳入标准：
- 年龄18岁或以上的成年人。
- 于2025年1月至2026年12月期间在白梅医院接受胃肠外科手术。
- 拥有可用于分析的术前、术中和术后数据。
排除标准：
- 术后24小时内因明确非心血管原因死亡。
- 分析所需数据不完整。
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 |
|---|
|
总体研究队列
在河内白梅医院接受胃肠手术的成年患者，他们被纳入这项观察性研究，并在术后30天内接受重大心血管事件的随访。
该研究包含2025年的回顾性数据和2026年的前瞻性数据。
|
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 |
|---|---|---|
|
基于人工智能的多模态模型预测胃肠道手术后30天主要不良心血管事件的受试者工作特征曲线下面积
大体时间：从术前至术后30天。
|
基于人工智能的多模态模型预测胃肠道手术后30天主要不良心血管事件的判别性能。
|
从术前至术后30天。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
AI多模态模型预测胃肠道手术后30天主要心血管事件的Brier评分
大体时间：从术前至术后30天
|
基于人工智能的多模态模型的总体预测准确性通过Brier评分进行评估。
数值越低表示模型性能越好。
|
从术前至术后30天
|
|
基于人工智能的多模态模型与传统风险评分相比，在预测胃肠道手术后30天主要心血管事件方面的净重分类改善
大体时间：使用从术前到术后30天收集的围手术期数据
|
与传统风险评分相比，基于人工智能的多模态模型在预测胃肠道手术后30天内主要心血管事件方面的净重分类改善。
|
使用从术前到术后30天收集的围手术期数据
|
|
与预测胃肠外科术后30天主要心血管事件的传统风险评分相比，基于AI的多模态模型的综合判别改善
大体时间：使用从术前到术后30天收集的围手术期数据
|
与传统风险评分相比，基于人工智能的多模态模型在预测胃肠道手术后30天内主要心血管事件的综合判别改进。
|
使用从术前到术后30天收集的围手术期数据
|
|
修订心脏风险指数预测胃肠道手术后30天主要心血管事件的受试者工作特征曲线下面积
大体时间：从术前至术后30天
|
修订心脏风险指数的判别性能。
|
从术前至术后30天
|
|
用于预测胃肠道手术后30天主要心血管事件的ACS NSQIP外科手术风险计算器的受试者工作特征曲线下面积
大体时间：从术前到术后30天
|
ACS NSQIP手术风险计算器的判别性能。
|
从术前到术后30天
|
|
用于预测胃肠道手术后30天主要心血管事件的基于人工智能多模态模型的校准斜率
大体时间：从术前到术后30天
|
通过校准斜率评估预测风险与观察风险之间的一致性。
数值越接近1表示校准效果越好。
|
从术前到术后30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
- Writing Committee for the VISION Study Investigators; Devereaux PJ, Biccard BM, Sigamani A, Xavier D, Chan MTV, Srinathan SK, Walsh M, Abraham V, Pearse R, Wang CY, Sessler DI, Kurz A, Szczeklik W, Berwanger O, Villar JC, Malaga G, Garg AX, Chow CK, Ackland G, Patel A, Borges FK, Belley-Cote EP, Duceppe E, Spence J, Tandon V, Williams C, Sapsford RJ, Polanczyk CA, Tiboni M, Alonso-Coello P, Faruqui A, Heels-Ansdell D, Lamy A, Whitlock R, LeManach Y, Roshanov PS, McGillion M, Kavsak P, McQueen MJ, Thabane L, Rodseth RN, Buse GAL, Bhandari M, Garutti I, Jacka MJ, Schunemann HJ, Cortes OL, Coriat P, Dvirnik N, Botto F, Pettit S, Jaffe AS, Guyatt GH. Association of Postoperative High-Sensitivity Troponin Levels With Myocardial Injury and 30-Day Mortality Among Patients Undergoing Noncardiac Surgery. JAMA. 2017 Apr 25;317(16):1642-1651. doi: 10.1001/jama.2017.4360.
- Gautam N, Mueller J, Alqaisi O, Gandhi T, Malkawi A, Tarun T, Alturkmani HJ, Zulqarnain MA, Pontone G, Al'Aref SJ. Machine Learning in Cardiovascular Risk Prediction and Precision Preventive Approaches. Curr Atheroscler Rep. 2023 Dec;25(12):1069-1081. doi: 10.1007/s11883-023-01174-3. Epub 2023 Nov 27.
- Liu T, Krentz A, Lu L, Curcin V. Machine learning based prediction models for cardiovascular disease risk using electronic health records data: systematic review and meta-analysis. Eur Heart J Digit Health. 2024 Oct 27;6(1):7-22. doi: 10.1093/ehjdh/ztae080. eCollection 2025 Jan.
- Cheng CH, Lee BJ, Nfor ON, Hsiao CH, Huang YC, Liaw YP. Using machine learning-based algorithms to construct cardiovascular risk prediction models for Taiwanese adults based on traditional and novel risk factors. BMC Med Inform Decis Mak. 2024 Jul 22;24(1):199. doi: 10.1186/s12911-024-02603-2.
- Li C, Liu X, Shen P, Sun Y, Zhou T, Chen W, Chen Q, Lin H, Tang X, Gao P. Improving cardiovascular risk prediction through machine learning modelling of irregularly repeated electronic health records. Eur Heart J Digit Health. 2023 Oct 17;5(1):30-40. doi: 10.1093/ehjdh/ztad058. eCollection 2024 Jan.
- Kothari P, Vanneman MW, Choi C, Diehl R, Fielding-Singh V. Highlights from the American College of Cardiology and American Heart Association 2024 Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery. J Cardiothorac Vasc Anesth. 2025 Sep;39(9):2408-2420. doi: 10.1053/j.jvca.2025.05.014. Epub 2025 May 14.
- Vascular Events In Noncardiac Surgery Patients Cohort Evaluation (VISION) Study Investigators; Devereaux PJ, Chan MT, Alonso-Coello P, Walsh M, Berwanger O, Villar JC, Wang CY, Garutti RI, Jacka MJ, Sigamani A, Srinathan S, Biccard BM, Chow CK, Abraham V, Tiboni M, Pettit S, Szczeklik W, Lurati Buse G, Botto F, Guyatt G, Heels-Ansdell D, Sessler DI, Thorlund K, Garg AX, Mrkobrada M, Thomas S, Rodseth RN, Pearse RM, Thabane L, McQueen MJ, VanHelder T, Bhandari M, Bosch J, Kurz A, Polanczyk C, Malaga G, Nagele P, Le Manach Y, Leuwer M, Yusuf S. Association between postoperative troponin levels and 30-day mortality among patients undergoing noncardiac surgery. JAMA. 2012 Jun 6;307(21):2295-304. doi: 10.1001/jama.2012.5502.
- Writing Committee Members; Thompson A, Fleischmann KE, Smilowitz NR, de Las Fuentes L, Mukherjee D, Aggarwal NR, Ahmad FS, Allen RB, Altin SE, Auerbach A, Berger JS, Chow B, Dakik HA, Eisenstein EL, Gerhard-Herman M, Ghadimi K, Kachulis B, Leclerc J, Lee CS, Macaulay TE, Mates G, Merli GJ, Parwani P, Poole JE, Rich MW, Ruetzler K, Stain SC, Sweitzer B, Talbot AW, Vallabhajosyula S, Whittle J, Williams KA Sr. 2024 AHA/ACC/ACS/ASNC/HRS/SCA/SCCT/SCMR/SVM Guideline for Perioperative Cardiovascular Management for Noncardiac Surgery: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2024 Nov 5;84(19):1869-1969. doi: 10.1016/j.jacc.2024.06.013. Epub 2024 Sep 24.
- Bilimoria KY, Liu Y, Paruch JL, Zhou L, Kmiecik TE, Ko CY, Cohen ME. Development and evaluation of the universal ACS NSQIP surgical risk calculator: a decision aid and informed consent tool for patients and surgeons. J Am Coll Surg. 2013 Nov;217(5):833-42.e1-3. doi: 10.1016/j.jamcollsurg.2013.07.385. Epub 2013 Sep 18.
- Gupta PK, Gupta H, Sundaram A, Kaushik M, Fang X, Miller WJ, Esterbrooks DJ, Hunter CB, Pipinos II, Johanning JM, Lynch TG, Forse RA, Mohiuddin SM, Mooss AN. Development and validation of a risk calculator for prediction of cardiac risk after surgery. Circulation. 2011 Jul 26;124(4):381-7. doi: 10.1161/CIRCULATIONAHA.110.015701. Epub 2011 Jul 5.
- Lee TH, Marcantonio ER, Mangione CM, Thomas EJ, Polanczyk CA, Cook EF, Sugarbaker DJ, Donaldson MC, Poss R, Ho KK, Ludwig LE, Pedan A, Goldman L. Derivation and prospective validation of a simple index for prediction of cardiac risk of major noncardiac surgery. Circulation. 1999 Sep 7;100(10):1043-9. doi: 10.1161/01.cir.100.10.1043.
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)
2026年1月1日
初级完成 (估计的)
2026年6月30日
研究完成 (估计的)
2026年7月31日
研究注册日期
首次提交
2026年4月10日
首先提交符合 QC 标准的
2026年4月16日
首次发布 (实际的)
2026年4月20日
研究记录更新
最后更新发布 (实际的)
2026年4月20日
上次提交的符合 QC 标准的更新
2026年4月16日
最后验证
2026年4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.