Predikce očekávané délky pobytu v nemocnici pomocí strojového učení
14. dubna 2021 aktualizováno: David Levine, Brigham and Women's Hospital
Jedná se o retrospektivní observační studii čerpající z údajů z databáze Brigham and Women's Home Hospital.
Sociodemografická a klinická data z tréninkové kohorty byla použita k trénování algoritmu strojového učení k predikci délky pobytu po celou dobu přijetí pacienta.
Tento algoritmus byl poté ověřen ve validační kohortě.
Přehled studie
Postavení
Aktivní, ne nábor
Typ studie
Pozorovací
Zápis (Očekávaný)
500
Kontakty a umístění
Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.
Studijní místa
-
-
Massachusetts
-
Boston, Massachusetts, Spojené státy, 02115
- Brigham and Women's Hospital
-
Boston, Massachusetts, Spojené státy, 02130
- Brigham and Women's Faulkner Hospital
-
-
Kritéria účasti
Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.
Kritéria způsobilosti
Věk způsobilý ke studiu
18 let a starší (Dospělý, Starší dospělý)
Přijímá zdravé dobrovolníky
Ne
Pohlaví způsobilá ke studiu
Všechno
Metoda odběru vzorků
Vzorek nepravděpodobnosti
Studijní populace
Subjekty přijaté v Brigham and Women's Hospital a Brigham and Women's Faulkner Hospital, které splňují požadavky na primární diagnózu, věk a bydliště do 5 mil a jsou zapsány v domácí nemocnici.
Popis
Byl subjektem ve studii Brigham and Women's Home Hospital a má dokončený záznam v databázi studie.
Studijní plán
Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
|---|
|
Výcvik
Podmnožina pacientů, kteří se používají k trénování algoritmu strojového učení.
|
|
Validace
Podmnožina pacientů, kteří jsou „zadrženi“ a používají se k ověření přesnosti algoritmu.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Délka pobytu
Časové okno: Od data přijetí do data propuštění (1 až 24 dní)
|
Čas strávený každým pacientem v domácí nemocnici od okamžiku přijetí do okamžiku propuštění, měřeno v hodinách
|
Od data přijetí do data propuštění (1 až 24 dní)
|
Spolupracovníci a vyšetřovatelé
Zde najdete lidi a organizace zapojené do této studie.
Sponzor
Spolupracovníci
Vyšetřovatelé
- Vrchní vyšetřovatel: David Levine, MD MPH MA, Associate Physician
Publikace a užitečné odkazy
Osoba odpovědná za zadávání informací o studiu tyto publikace poskytuje dobrovolně. Mohou se týkat čehokoli, co souvisí se studiem.
Obecné publikace
- Lubelski D, Ehresman J, Feghali J, Tanenbaum J, Bydon A, Theodore N, Witham T, Sciubba DM. Prediction calculator for nonroutine discharge and length of stay after spine surgery. Spine J. 2020 Jul;20(7):1154-1158. doi: 10.1016/j.spinee.2020.02.022. Epub 2020 Mar 13.
- Karnuta JM, Churchill JL, Haeberle HS, Nwachukwu BU, Taylor SA, Ricchetti ET, Ramkumar PN. The value of artificial neural networks for predicting length of stay, discharge disposition, and inpatient costs after anatomic and reverse shoulder arthroplasty. J Shoulder Elbow Surg. 2020 Nov;29(11):2385-2394. doi: 10.1016/j.jse.2020.04.009. Epub 2020 Jun 9.
- Ramkumar PN, Navarro SM, Haeberle HS, Karnuta JM, Mont MA, Iannotti JP, Patterson BM, Krebs VE. Development and Validation of a Machine Learning Algorithm After Primary Total Hip Arthroplasty: Applications to Length of Stay and Payment Models. J Arthroplasty. 2019 Apr;34(4):632-637. doi: 10.1016/j.arth.2018.12.030. Epub 2018 Dec 27.
- Ma X, Si Y, Wang Z, Wang Y. Length of stay prediction for ICU patients using individualized single classification algorithm. Comput Methods Programs Biomed. 2020 Apr;186:105224. doi: 10.1016/j.cmpb.2019.105224. Epub 2019 Nov 20.
- Daghistani TA, Elshawi R, Sakr S, Ahmed AM, Al-Thwayee A, Al-Mallah MH. Predictors of in-hospital length of stay among cardiac patients: A machine learning approach. Int J Cardiol. 2019 Aug 1;288:140-147. doi: 10.1016/j.ijcard.2019.01.046. Epub 2019 Jan 19.
- Bacchi S, Oakden-Rayner L, Menon DK, Jannes J, Kleinig T, Koblar S. Stroke prognostication for discharge planning with machine learning: A derivation study. J Clin Neurosci. 2020 Sep;79:100-103. doi: 10.1016/j.jocn.2020.07.046. Epub 2020 Aug 5.
- Navarro SM, Wang EY, Haeberle HS, Mont MA, Krebs VE, Patterson BM, Ramkumar PN. Machine Learning and Primary Total Knee Arthroplasty: Patient Forecasting for a Patient-Specific Payment Model. J Arthroplasty. 2018 Dec;33(12):3617-3623. doi: 10.1016/j.arth.2018.08.028. Epub 2018 Sep 5.
- Young AJ, Hare A, Subramanian M, Weaver JL, Kaufman E, Sims C. Using Machine Learning to Make Predictions in Patients Who Fall. J Surg Res. 2021 Jan;257:118-127. doi: 10.1016/j.jss.2020.07.047. Epub 2020 Aug 18.
- Sinha I, Aluthge DP, Chen ES, Sarkar IN, Ahn SH. Machine Learning Offers Exciting Potential for Predicting Postprocedural Outcomes: A Framework for Developing Random Forest Models in IR. J Vasc Interv Radiol. 2020 Jun;31(6):1018-1024.e4. doi: 10.1016/j.jvir.2019.11.030. Epub 2020 May 4.
- Merrill RK, Ferrandino RM, Hoffman R, Shaffer GW, Ndu A. Machine Learning Accurately Predicts Short-Term Outcomes Following Open Reduction and Internal Fixation of Ankle Fractures. J Foot Ankle Surg. 2019 May;58(3):410-416. doi: 10.1053/j.jfas.2018.09.004. Epub 2019 Feb 23.
- Nemati M, Ansary J, Nemati N. Machine-Learning Approaches in COVID-19 Survival Analysis and Discharge-Time Likelihood Prediction Using Clinical Data. Patterns (N Y). 2020 Aug 14;1(5):100074. doi: 10.1016/j.patter.2020.100074. Epub 2020 Jul 4.
Termíny studijních záznamů
Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.
Hlavní termíny studia
Začátek studia (Aktuální)
20. března 2021
Primární dokončení (Očekávaný)
1. srpna 2021
Dokončení studie (Očekávaný)
1. prosince 2021
Termíny zápisu do studia
První předloženo
2. března 2021
První předloženo, které splnilo kritéria kontroly kvality
2. března 2021
První zveřejněno (Aktuální)
5. března 2021
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
19. dubna 2021
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
14. dubna 2021
Naposledy ověřeno
1. dubna 2021
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- 2017P002583b
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
NE
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Ne
Studuje produkt zařízení regulovaný americkým úřadem FDA
Ne
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 .
Klinické studie na Srdeční selhání
-
Region SkaneZápis na pozvánkuSrdeční selhání New York Heart Association (NYHA) třída II | Srdeční selhání New York Heart Association (NYHA) třída IIIŠvédsko
-
Medical University of BialystokInstitute of Cardiology, Warsaw, Poland; Medical University of Lodz; Poznan University... a další spolupracovníciZatím nenabírámeSrdeční selhání, systolické | Srdeční Selhání Se Sníženou Ejekční frakcí | Srdeční selhání New York Heart Association Třída IV | Srdeční selhání New York Heart Association Třída IIIPolsko
-
Novartis PharmaceuticalsDokončenoPacienti, kteří úspěšně dokončili 12měsíční léčebné období základní studie (de Novo Heart Recipients), kteří měli zájem o léčbu EC-MPS
-
University of WashingtonAmerican Heart AssociationDokončenoSrdeční selhání, městnavé | Mitochondriální alterace | Srdeční selhání New York Heart Association Třída IVSpojené státy