Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Klinický stav COVID-19 spojený se závažností výsledku: Přístup strojového učení bez dozoru

14. května 2023 aktualizováno: Prof. Triantafyllos Didangelos, Aristotle University Of Thessaloniki

Souvisí klinický stav onemocnění Corona Virus Disease (COVID)-19 se závažností výsledku? Přístup strojového učení bez dozoru pro získávání znalostí

Od začátku pandemie COVID-19 se nakazilo 195 milionů lidí a 4,2 milionu na tuto nemoc nebo její vedlejší účinky zemřelo. Lékaři, zdravotničtí vědci a zdravotnický personál se neustále snaží vypořádat s přetíženými hospitalizacemi a zároveň se snaží identifikovat smysluplné korelace mezi závažností infikovaných pacientů s jejich symptomy, komorbiditami a biomarkery. Umělá inteligence (AI) a strojové učení (ML) se v poslední době používají v mnoha oblastech souvisejících se zdravotní péčí COVID-19. Hlavním cílem je efektivně řídit širokou škálu problémů souvisejících s COVID-19 a jeho důsledky. Stávající aplikace ML na zdravotní péči COVID-19 jsou založeny na kontrolované klasifikaci, která vyžaduje označený tréninkový datový soubor, který slouží jako referenční bod pro učení, a také předdefinované třídy. Stávající znalosti o COVID-19 a jeho důsledcích však stále nejsou pevné a body společné shody mezi různými vědeckými komunitami jsou stále nejasné.

Proto se tato studie zaměřila na postup shlukování bez dozoru, kde nejsou vyžadovány předchozí znalosti (tabula rasa).

Přesněji řečeno, 268 hospitalizovaných pacientů na I. propedeutickém interním oddělení Fakultní nemocnice AHEPA v Soluni bylo hodnoceno z hlediska 40 klinických proměnných (číselné a kategorické), což vedlo k souboru dat s vysokou dimenzionalitou. Snížení rozměrů bylo provedeno aplikací analýzy hlavních komponent (PCA) na numerickou část souboru dat a analýzy vícenásobné korespondence (MCA) na kategorickou část souboru dat. Poté bylo Bayesovské informační kritérium (BIC) aplikováno na Gaussovské modely směsí (GMM) za účelem identifikace optimálního počtu shluků, pod kterými dochází k nejlepšímu seskupování pacientů.

Navrhovaná metodika identifikovala 4 shluky pacientů s podobnými klinickými charakteristikami. Analýza odhalila shluk asymptomatických pacientů, kteří vedli k úmrtí v míře 23,8 %.

Tento pozoruhodný výsledek nás nutí přehodnotit vztah mezi závažností klinických příznaků COVID-19 a úmrtností pacientů.

Přehled studie

Postavení

Dokončeno

Podmínky

Detailní popis

V této studii je navrženo algoritmické potrubí založené na neřízených algoritmech strojového učení, jehož cílem je fungovat v tandemu s lékaři a poskytovat další znalosti pro správnou kategorizaci pacientů infikovaných COVID-19 na základě jejich závažnosti. Data od pacientů hospitalizovaných na naší klinice jsou shromažďována a ukládána do samostatných souborů Microsoft Excel (.xlsx), které se načítají do paměti. Skript je všechny spojí do jednoho datového rámce, kde se zkontrolují hodnoty NaN (Not a Number). Vzhledem k povaze dat jsou pacienti s chybějícími informacemi zcela vyřazeni ze souboru dat, protože vyvozování informací by bylo pro konkrétní aplikaci neobjektivní praxí. Dále použijeme normalizaci dat změnou měřítka všech číselných proměnných mezi rozsahem (0,1), takže rozsah všech číselných proměnných je stejný a zabrání se jakémukoli zkreslení vůči určitým proměnným. Byl navržen důkladný a podrobný proces sběru dat. za účelem shromažďování informací pro pacienty, aniž by to narušilo klinickou léčbu nebo je v procesu rozrušilo.

Typ studie

Pozorovací

Zápis (Aktuální)

268

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní místa

  • Řecko
      • Thessaloníki, Řecko, 54621
        • University General Hospital of Thessaloniki AHEPA

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

  • Dítě
  • Dospělý
  • Starší dospělý

Přijímá zdravé dobrovolníky

Ne

Metoda odběru vzorků

Ukázka pravděpodobnosti

Studijní populace

pacientů, kteří přišli na pohotovost a byla jim diagnostikována infekce COVID-19

Popis

Kritéria pro zařazení:

  • pacientů, kteří přišli na pohotovost a byla jim diagnostikována infekce COVID-19

Kritéria vyloučení:

  • žádný

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
Skupina
Hospitalizovaní pacienti s onemocněním koronavirem

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Shluk pacientů v závislosti na závažnosti infekce
Časové okno: 1 rok
Algoritmus vytvořený pomocí umělé inteligence a přístupu strojového učení ke klasifikaci pacientů podle jejich stavu infekce COVID-19
1 rok

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Aristotle University Of Thessaloniki

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)

1. listopadu 2019

Primární dokončení (Aktuální)

30. června 2021

Dokončení studie (Aktuální)

30. června 2021

Termíny zápisu do studia

První předloženo

12. listopadu 2021

První předloženo, které splnilo kritéria kontroly kvality

12. listopadu 2021

První zveřejněno (Aktuální)

15. listopadu 2021

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

16. května 2023

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

14. května 2023

Naposledy ověřeno

1. května 2023

Více informací

Termíny související s touto studií

Klíčová slova

Další relevantní podmínky MeSH

Další identifikační čísla studie

  • 19400_21052021

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 .

Předplatit