病情或疾病 | 干预/治疗 |
---|---|
蛛网膜下腔出血,动脉瘤 | 其他:没有干预,观察性研究 |
大约30%的病例,患有动脉瘤性蛛网膜下腔出血(ASAH)的患者患有延迟的脑缺血(DCI)。 DCI与死亡率增加,持续性神经缺陷以及生活质量受损有关。减少这些神经系统损伤将使患者和社会受益。一个临床问题是,由于监测能力的限制,SAH患者脑缺血的诊断通常会延迟。当发现时,神经系统损害通常是不可逆转的。
几项研究使用了单变量和多元逻辑回归分析来识别蛛网膜下腔出血患者延迟脑缺血(DCI)的危险因素。但是,这些研究基于收集的有关患者(例如年龄,性别)的数据,并且通常发现这些统计模型的精度很低。最近,还评估了使用临床和图像数据组合来预测DCI的机器学习算法。
但是,DCI的预测并不能阻止DCI,以防止DCI开发出监测系统,以警告医生迫在眉睫的脑缺血风险,从而有可能进行干预和预防脑缺血。
自主神经系统中的变化,例如通过使用心率变异性(HRV)监测来检测交感神经和副交感神经系统之间平衡的变化。据报道,HRV是脑损伤和中风(包括蛛网膜下腔出血)后结果不佳的预测指标。但是,尚未对HRV监测检测初期脑缺血的检测。在一项对ASAH患者的研究中,我们在入院后长达10天内连续收集了HRV,但仅分析了HRV数据的一小部分。在急性阶段,有15例患者中有15例患有DCI,而对HRV的离线分析表明,开发DCI的患者(参考)患者的低/高频比率增加了。这使我们试图借助机器学习过程来分析所有收集的HRV,并启动了与计算机/数据科学家的合作。
这项研究的总体目的是,借助计算机/数据科学家和机器学习过程,分析了收集的HRV数据,以评估在亚蛛网膜下腔出血后急性阶段开发DCI的患者中是否可以找到特定模式。
研究类型 : | 观察 |
实际注册 : | 64名参与者 |
观察模型: | 队列 |
时间观点: | 预期 |
官方标题: | 使用具有心率变异性信号的机器学习来检测蛛网膜下腔出血后延迟的脑缺血 |
实际学习开始日期 : | 2015年10月1日 |
实际的初级完成日期 : | 2016年10月 |
实际 学习完成日期 : | 2020年5月 |
有资格学习的年龄: | 16年至100岁(儿童,成人,老年人) |
有资格学习的男女: | 全部 |
接受健康的志愿者: | 不 |
采样方法: | 概率样本 |
瑞典 | |
Sahlgrenska大学医院 | |
哥德堡,瑞典,41345 |
学习主席: | Miroslaw Staron,教授 | 哥特堡大学 |
追踪信息 | |||||
---|---|---|---|---|---|
首先提交日期 | 2020年5月26日 | ||||
第一个发布日期 | 2020年6月4日 | ||||
上次更新发布日期 | 2020年9月3日 | ||||
实际学习开始日期 | 2015年10月1日 | ||||
实际的初级完成日期 | 2016年10月(主要结果指标的最终数据收集日期) | ||||
当前的主要结果指标 | 通过人工智能分析DCI的HRV数据[时间范围:2020] 测量每个心跳的RR间隔时间的变异性。 | ||||
原始主要结果指标 | 与电流相同 | ||||
改变历史 | |||||
当前的次要结果指标 | 不提供 | ||||
原始的次要结果指标 | 不提供 | ||||
当前其他预先指定的结果指标 | 不提供 | ||||
原始其他预先指定的结果指标 | 不提供 | ||||
描述性信息 | |||||
简短标题 | 蛛网膜下腔出血中的人工智能 | ||||
官方头衔 | 使用具有心率变异性信号的机器学习来检测蛛网膜下腔出血后延迟的脑缺血 | ||||
简要摘要 | 这项研究的总体目的是在计算机/数据科学家和机器学习过程的帮助下,分析收集的心率变异性数据,以评估在蛛网膜下腔出血后产生延迟脑缺血的患者中是否可以发现特定模式。 | ||||
详细说明 | 大约30%的病例,患有动脉瘤性蛛网膜下腔出血(ASAH)的患者患有延迟的脑缺血(DCI)。 DCI与死亡率增加,持续性神经缺陷以及生活质量受损有关。减少这些神经系统损伤将使患者和社会受益。一个临床问题是,由于监测能力的限制,SAH患者脑缺血的诊断通常会延迟。当发现时,神经系统损害通常是不可逆转的。 几项研究使用了单变量和多元逻辑回归分析来识别蛛网膜下腔出血患者延迟脑缺血(DCI)的危险因素。但是,这些研究基于收集的有关患者(例如年龄,性别)的数据,并且通常发现这些统计模型的精度很低。最近,还评估了使用临床和图像数据组合来预测DCI的机器学习算法。 但是,DCI的预测并不能阻止DCI,以防止DCI开发出监测系统,以警告医生迫在眉睫的脑缺血风险,从而有可能进行干预和预防脑缺血。 自主神经系统中的变化,例如通过使用心率变异性(HRV)监测来检测交感神经和副交感神经系统之间平衡的变化。据报道,HRV是脑损伤和中风(包括蛛网膜下腔出血)后结果不佳的预测指标。但是,尚未对HRV监测检测初期脑缺血的检测。在一项对ASAH患者的研究中,我们在入院后长达10天内连续收集了HRV,但仅分析了HRV数据的一小部分。在急性阶段,有15例患者中有15例患有DCI,而对HRV的离线分析表明,开发DCI的患者(参考)患者的低/高频比率增加了。这使我们试图借助机器学习过程来分析所有收集的HRV,并启动了与计算机/数据科学家的合作。 这项研究的总体目的是,借助计算机/数据科学家和机器学习过程,分析了收集的HRV数据,以评估在亚蛛网膜下腔出血后急性阶段开发DCI的患者中是否可以找到特定模式。 | ||||
研究类型 | 观察 | ||||
学习规划 | 观察模型:队列 时间观点:潜在 | ||||
目标随访时间 | 不提供 | ||||
生物测量 | 不提供 | ||||
采样方法 | 概率样本 | ||||
研究人群 | 成年性动脉瘤性蛛网膜下腔出血的患者被萨尔格伦斯卡大学医院的重症监护病房录取。 | ||||
健康)状况 | 蛛网膜下腔出血,动脉瘤 | ||||
干涉 | 其他:没有干预,观察性研究 | ||||
研究组/队列 | |||||
出版物 * | 不提供 | ||||
*包括由数据提供商提供的出版物以及Medline中临床标识符(NCT编号)的出版物。 | |||||
招聘信息 | |||||
招聘状况 | 完全的 | ||||
实际注册 | 64 | ||||
原始的实际注册 | 与电流相同 | ||||
实际学习完成日期 | 2020年5月 | ||||
实际的初级完成日期 | 2016年10月(主要结果指标的最终数据收集日期) | ||||
资格标准 | 纳入标准: 排除标准:
| ||||
性别/性别 |
| ||||
年龄 | 16年至100岁(儿童,成人,老年人) | ||||
接受健康的志愿者 | 不 | ||||
联系人 | 仅当研究招募主题时才显示联系信息 | ||||
列出的位置国家 | 瑞典 | ||||
删除了位置国家 | |||||
管理信息 | |||||
NCT编号 | NCT04415736 | ||||
其他研究ID编号 | 艾萨 | ||||
有数据监测委员会 | 不 | ||||
美国FDA调节的产品 |
| ||||
IPD共享声明 |
| ||||
责任方 | 哥特堡大学 | ||||
研究赞助商 | 哥特堡大学 | ||||
合作者 | 不提供 | ||||
调查人员 |
| ||||
PRS帐户 | 哥特堡大学 | ||||
验证日期 | 2020年9月 |
病情或疾病 | 干预/治疗 |
---|---|
蛛网膜下腔出血,动脉瘤 | 其他:没有干预,观察性研究 |
大约30%的病例,患有动脉瘤性蛛网膜下腔出血(ASAH)的患者患有延迟的脑缺血(DCI)。 DCI与死亡率增加,持续性神经缺陷以及生活质量受损有关。减少这些神经系统损伤将使患者和社会受益。一个临床问题是,由于监测能力的限制,SAH患者脑缺血的诊断通常会延迟。当发现时,神经系统损害通常是不可逆转的。
几项研究使用了单变量和多元逻辑回归分析来识别蛛网膜下腔出血患者延迟脑缺血(DCI)的危险因素。但是,这些研究基于收集的有关患者(例如年龄,性别)的数据,并且通常发现这些统计模型的精度很低。最近,还评估了使用临床和图像数据组合来预测DCI的机器学习算法。
但是,DCI的预测并不能阻止DCI,以防止DCI开发出监测系统,以警告医生迫在眉睫的脑缺血风险,从而有可能进行干预和预防脑缺血。
自主神经系统中的变化,例如通过使用心率变异性(HRV)监测来检测交感神经和副交感神经系统之间平衡的变化。据报道,HRV是脑损伤和中风(包括蛛网膜下腔出血)后结果不佳的预测指标。但是,尚未对HRV监测检测初期脑缺血的检测。在一项对ASAH患者的研究中,我们在入院后长达10天内连续收集了HRV,但仅分析了HRV数据的一小部分。在急性阶段,有15例患者中有15例患有DCI,而对HRV的离线分析表明,开发DCI的患者(参考)患者的低/高频比率增加了。这使我们试图借助机器学习过程来分析所有收集的HRV,并启动了与计算机/数据科学家的合作。
这项研究的总体目的是,借助计算机/数据科学家和机器学习过程,分析了收集的HRV数据,以评估在亚蛛网膜下腔出血后急性阶段开发DCI的患者中是否可以找到特定模式。
研究类型 : | 观察 |
实际注册 : | 64名参与者 |
观察模型: | 队列 |
时间观点: | 预期 |
官方标题: | 使用具有心率变异性信号的机器学习来检测蛛网膜下腔出血后延迟的脑缺血 |
实际学习开始日期 : | 2015年10月1日 |
实际的初级完成日期 : | 2016年10月 |
实际 学习完成日期 : | 2020年5月 |
有资格学习的年龄: | 16年至100岁(儿童,成人,老年人) |
有资格学习的男女: | 全部 |
接受健康的志愿者: | 不 |
采样方法: | 概率样本 |
瑞典 | |
Sahlgrenska大学医院 | |
哥德堡,瑞典,41345 |
学习主席: | Miroslaw Staron,教授 | 哥特堡大学 |
追踪信息 | |||||
---|---|---|---|---|---|
首先提交日期 | 2020年5月26日 | ||||
第一个发布日期 | 2020年6月4日 | ||||
上次更新发布日期 | 2020年9月3日 | ||||
实际学习开始日期 | 2015年10月1日 | ||||
实际的初级完成日期 | 2016年10月(主要结果指标的最终数据收集日期) | ||||
当前的主要结果指标 | 通过人工智能分析DCI的HRV数据[时间范围:2020] 测量每个心跳的RR间隔时间的变异性。 | ||||
原始主要结果指标 | 与电流相同 | ||||
改变历史 | |||||
当前的次要结果指标 | 不提供 | ||||
原始的次要结果指标 | 不提供 | ||||
当前其他预先指定的结果指标 | 不提供 | ||||
原始其他预先指定的结果指标 | 不提供 | ||||
描述性信息 | |||||
简短标题 | 蛛网膜下腔出血中的人工智能 | ||||
官方头衔 | 使用具有心率变异性信号的机器学习来检测蛛网膜下腔出血后延迟的脑缺血 | ||||
简要摘要 | 这项研究的总体目的是在计算机/数据科学家和机器学习过程的帮助下,分析收集的心率变异性数据,以评估在蛛网膜下腔出血后产生延迟脑缺血的患者中是否可以发现特定模式。 | ||||
详细说明 | 大约30%的病例,患有动脉瘤性蛛网膜下腔出血(ASAH)的患者患有延迟的脑缺血(DCI)。 DCI与死亡率增加,持续性神经缺陷以及生活质量受损有关。减少这些神经系统损伤将使患者和社会受益。一个临床问题是,由于监测能力的限制,SAH患者脑缺血的诊断通常会延迟。当发现时,神经系统损害通常是不可逆转的。 几项研究使用了单变量和多元逻辑回归分析来识别蛛网膜下腔出血患者延迟脑缺血(DCI)的危险因素。但是,这些研究基于收集的有关患者(例如年龄,性别)的数据,并且通常发现这些统计模型的精度很低。最近,还评估了使用临床和图像数据组合来预测DCI的机器学习算法。 但是,DCI的预测并不能阻止DCI,以防止DCI开发出监测系统,以警告医生迫在眉睫的脑缺血风险,从而有可能进行干预和预防脑缺血。 自主神经系统中的变化,例如通过使用心率变异性(HRV)监测来检测交感神经和副交感神经系统之间平衡的变化。据报道,HRV是脑损伤和中风(包括蛛网膜下腔出血)后结果不佳的预测指标。但是,尚未对HRV监测检测初期脑缺血的检测。在一项对ASAH患者的研究中,我们在入院后长达10天内连续收集了HRV,但仅分析了HRV数据的一小部分。在急性阶段,有15例患者中有15例患有DCI,而对HRV的离线分析表明,开发DCI的患者(参考)患者的低/高频比率增加了。这使我们试图借助机器学习过程来分析所有收集的HRV,并启动了与计算机/数据科学家的合作。 这项研究的总体目的是,借助计算机/数据科学家和机器学习过程,分析了收集的HRV数据,以评估在亚蛛网膜下腔出血后急性阶段开发DCI的患者中是否可以找到特定模式。 | ||||
研究类型 | 观察 | ||||
学习规划 | 观察模型:队列 时间观点:潜在 | ||||
目标随访时间 | 不提供 | ||||
生物测量 | 不提供 | ||||
采样方法 | 概率样本 | ||||
研究人群 | 成年性动脉瘤性蛛网膜下腔出血的患者被萨尔格伦斯卡大学医院的重症监护病房录取。 | ||||
健康)状况 | 蛛网膜下腔出血,动脉瘤 | ||||
干涉 | 其他:没有干预,观察性研究 | ||||
研究组/队列 | |||||
出版物 * | 不提供 | ||||
*包括由数据提供商提供的出版物以及Medline中临床标识符(NCT编号)的出版物。 | |||||
招聘信息 | |||||
招聘状况 | 完全的 | ||||
实际注册 | 64 | ||||
原始的实际注册 | 与电流相同 | ||||
实际学习完成日期 | 2020年5月 | ||||
实际的初级完成日期 | 2016年10月(主要结果指标的最终数据收集日期) | ||||
资格标准 | 纳入标准: 排除标准:
| ||||
性别/性别 |
| ||||
年龄 | 16年至100岁(儿童,成人,老年人) | ||||
接受健康的志愿者 | 不 | ||||
联系人 | 仅当研究招募主题时才显示联系信息 | ||||
列出的位置国家 | 瑞典 | ||||
删除了位置国家 | |||||
管理信息 | |||||
NCT编号 | NCT04415736 | ||||
其他研究ID编号 | 艾萨 | ||||
有数据监测委员会 | 不 | ||||
美国FDA调节的产品 |
| ||||
IPD共享声明 |
| ||||
责任方 | 哥特堡大学 | ||||
研究赞助商 | 哥特堡大学 | ||||
合作者 | 不提供 | ||||
调查人员 |
| ||||
PRS帐户 | 哥特堡大学 | ||||
验证日期 | 2020年9月 |