Меню
Идёт набор NCT07618416

Machine Learning Model Based on Baroreflex Sensitivity for Predicting Post-Induction Hypotension in Elderly Patients

— Наблюдательное Post Induction Hypotension

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: Post Induction Hypotension. Базовые параметры: от 65 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 of a Baroreflex Sensitivity-Based Multifactorial Machine Learning Model for Predicting Post-Induction Hypotension in Elderly Patients

Обзор

The purpose of this study is to develop a high-performance machine learning model combining dynamic baroreflex sensitivity (BRS) metrics and multi-dimensional static clinical features to predict the risk of post-induction hypotension (PIH) in elderly patients undergoing elective non-cardiac surgery under general anesthesia.

Подробное описание

Aging significantly alters cardiovascular autonomic function, characterized by elevated sympathetic and decreased parasympathetic tone, rendering elderly patients highly vulnerable to post-induction hypotension (PIH). While existing machine learning models heavily rely on static data (e.g., baseline blood pressure, demographics, medication history), they lack real-time dynamic regulatory inputs, limiting their predictive performance in individualized care.

This single-center, prospective cohort study aims to bridge this gap by introducing preoperative BRS parameters-calculated via the continuous non-invasive arterial pressure (CNAP) method-into machine learning frameworks. A total of 500 patients aged over 65 years scheduled for elective non-cardiac surgery will be enrolled. Preoperative data, including autonomic indices, frailty assessments, and static clinical factors, will be mapped alongside intraoperative events and 30-day postoperative complications. Multiple machine learning algorithms (Logistic Regression, Random Forest, GBDT, XGBoost, LightGBM, and LSTM) will be leveraged and optimized using cross-validation to construct a robust clinical decision-support pipeline.

Первичные конечные точки

  • Incidence of Post-Induction Hypotension (PIH) [Срок оценки: From immediately after anesthesia induction up to 20 minutes post-induction or before surgical incision.]
Вторичные конечные точки (2)
  • 1. Early Intraoperative Hypotension Rate [Срок оценки: From surgical incision to the end of the operation.]
  • Postoperative Complication [Срок оценки: Up to 30 days post-surgery]

Критерии участия

Критерии включения

  • Aged over 65 years;
  • Scheduled for elective non-cardiac surgery;
  • American Society of Anesthesiologists (ASA) physical status classification I-III;
  • Planned for general anesthesia with endotracheal intubation;
  • Patient and legal guardians are capable of understanding the study protocol and willing to provide written informed consent.

Критерии исключения

  • Severe peripheral vascular diseases;
  • Secondary hypertension;
  • Presence of physical tremors (e.g., Parkinson's disease) preventing stable recording;
  • Inability to accurately measure upper limb blood pressure;
  • Pre-existing cardiac arrhythmias (e.g., atrial fibrillation) that render BRS;
  • Psychiatric disorders or cognitive impairments hindering basic cooperation.

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
  • Peking Union Medical College Hospital — Пекин

Идентификаторы

NCT: NCT07618416 · 2025-PUMCH-A-119 · 2025-PUMCH-A-119

Первоисточники (государственные реестры)

Открыть это исследование на ClinicalTrials.gov ↗