Model umělé inteligence pro intenzivní délku péče o pobyt, neurologický výsledek a odhad nákladů po kardiopulmonální resuscitaci: kohortová studie.
Model umělé inteligence pro intenzivní délku péče o pobyt, neurologický výsledek a odhad nákladů po kardiopulmonální resuscitaci: kohortová studie
Přehled studie
Postavení
Postavení
Podmínky
Podmínky
Intervence / Léčba
Intervence / Léčba
Typ studie
Typ studie
Zápis (Odhadovaný)
Zápis
Kritéria účasti
Kritéria způsobilosti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Věk> 18 let
- Následná kardiopulmonální resuscitace
- Po návratu spontánního oběhu (ROSC) po návratu spontánního oběhu) nejméně 1 hodinu přijetí na ICU
Kritéria pro vyloučení:
- Věk <18 let
- > 80% chybějících údajů v záznamech pacienta
- Pacienti bez Rosc
Studijní plán
Jak je studie koncipována?
Detaily designu
Počet skupin / kohort
Kohorty a intervence
Skupina / kohortaSkupina / kohorta |
Intervence / LéčbaIntervence / Léčba |
|---|---|
|
Věk> 18 let pacienty po úspěšné kardiopulmonální resuscitaci pozorované při oživení
|
Data od pacientů po po sobě jdoucích republikátoru budou hodnocena pomocí programů strojového učení.
|
Co je měření studie?
Primární výstupní opatření
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Program strojového učení Python
Časové okno: 3 měsíce
|
Vytvořená databáze bude analyzována pomocí algoritmu umělé inteligence strojového učení s programovacím jazykem Python.
Po zpracování chybějících a neúplných dat podle umělé inteligence bude databáze rozdělena do dvou částí: trénink modelu a ověření modelu.
Smysluplná data budou vybrána prostřednictvím modelového školení a na těchto datech bude vytvořen predikční model.
Aby se zvýšila interpretovatelnost modelu predikce a pomohla uživatelům pochopit, jak a proč jsou provedeny určité předpovědi, bude použit algoritmus Shapley Aditive vysvětlení (SHAP).
Ve strojovém učení se technika SHAP používá k interpretaci rozhodovacích procesů složitých modelů strojového učení.
|
3 měsíce
|
Spolupracovníci a vyšetřovatelé
Sponzor
Sponzor
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Odhadovaný)
Začátek studia
Primární dokončení (Odhadovaný)
Primární dokončení
Dokončení studie (Odhadovaný)
Dokončení studie
Termíny zápisu do studia
První předloženo
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Odhadovaný)
První zveřejněno
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Odhadovaný)
Poslední zveřejněná aktualizace
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další identifikační čísla studie
Další identifikační čísla studie
- Nkangarli002
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .