Меню
Набор скоро начнётся NCT07482683

Predicting Post-Cardiac Surgery Acute Kidney Disease: A Machine Learning Approach

— Наблюдательное Acute Kidney Disease

Ориентир для пациента и семьи

Простыми словами

Автоматическая сводка по структурированным данным реестра. Она помогает сориентироваться, но не заменяет официальный протокол или оценку врача.

Что изучают
Это наблюдательное исследование: исследуемое лечение участникам по протоколу не назначают.
Кому может быть актуально
Состояния в реестре: Acute Kidney Disease. Базовые параметры: от 18 лет · Все.
Что важно проверить
Возраст, диагноз и пол — только базовые ориентиры. Предыдущее лечение, анализы и другие обязательные условия указаны ниже в критериях участия.
Где проводится
Китай
Следующий шаг
Сохраните исследование, покажите его лечащему врачу и уточните актуальный статус у исследовательского центра. Расходы, документы и поездка →

Не всё понятно в терминах? Прочитайте наш гид для пациентов →

Официальное название

Development and Validation of a Machine Learning-Based Risk Prediction Model for Acute Kidney Disease After Cardiac Surgery

Обзор

Renal injury after cardiac surgery is one of the common complications with high incidence rate, high risk of death and progression to chronic kidney disease (CKD). Previous evaluations of perioperative renal function mainly focused on acute kidney injury (AKI) related to cardiac surgery within seven days after surgery. The newly proposed concept of acute kidney disease (AKD) in recent years refers to acute or subacute kidney injury lasting seven to ninety days. Research has found that AKD can occur after AKI or in patients without AKI, and the two are both related and independent of each other, possibly indicating different subtypes of kidney injury. AKD is not uncommon and is a more significant predictor of mortality and end-stage kidney disease (ESKD). Therefore, AKD may be an important window for identifying and managing high-risk patients after cardiac surgery. Due to limited research on AKD after cardiac surgery, the risk factors for AKD are currently unclear, and there are no clinically practical and effective risk stratification tools available. This study aims to establish a multimodal perioperative data platform through a retrospective cohort, and use machine learning methods to construct a risk prediction model for AKD after cardiac surgery. The accuracy and stability of the model will be validated in a prospective study cohort, and an online risk prediction and clinical decision-making tool will be developed to help clinicians quickly conduct personalized risk assessments and optimize diagnosis and treatment strategies, thereby improving patient prognosis and reducing medical costs.

Первичные конечные точки

  • Number of Participants with acute kidney disease after cardiac surgery Assessed by KDIGO guideline [Срок оценки: within 90 days after cardiac surgery]
  • acute kidney disease after cardiac surgery [Срок оценки: within 90 days after cardiac surgery]

Критерии участия

Критерии включения

  • Age ≥ 18 years;
  • Undergoing coronary artery bypass grafting and/or heart valve surgery, with or without aortic surgery;
  • Baseline serum creatinine level < 354 umol/L;
  • Informed consent obtained.

Критерии исключения

  • Emergency surgery;
  • Multiple surgeries or reoperation;
  • End-stage kidney disease (ESKD), renal replacement therapy, or kidney transplantation;
  • Occurrence of AKI within 1 week before surgery or unresolved AKI;
  • Death within 1 week after surgery.

Критерии приведены из реестра в оригинале (на английском). Окончательную оценку соответствия проводит исследовательский центр.

Здоровые добровольцы: Нет

Дизайн исследования

Модель наблюдения
Когортное

Центры проведения

Китай · 1 центр
  • National Center for Cardiovascular Diseases — Пекин

Идентификаторы

NCT: NCT07482683 · 2025-I2M-C&T-B-027

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗