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

Predikce strojového učení mnohočetných infekcí u starších chirurgických pacientů

21. září 2024 aktualizováno: Weidong Mi

Předpověď multiinfekce u starších chirurgických pacientů: Vývoj a ověření modelu strojového učení s analýzou SHAP

S využitím technik strojového učení jsme vyvinuli model hodnocení geriatrických infekcí s využitím domácích databází k predikci četných pooperačních infekcí u starších pacientů. Model řeší současnou mezeru v prediktivních nástrojích přizpůsobených starším chirurgickým pacientům v Číně a nabízí pohled na celková i specifická rizika infekce.

Přehled studie

Postavení

Dokončeno

Detailní popis

pozadí:

Pooperační infekce jsou hlavní příčinou nepříznivých perioperačních výsledků, zejména u starších pacientů. Vzhledem k různým diagnostickým prezentacím infekce existuje značná mezera v použití prediktivních nástrojů k identifikaci osob s vysokým rizikem rozvoje takových komplikací.

Objektivní:

Zaměřili jsme se na vývoj modelů strojového učení k predikci různých rizik pooperačních infekcí u starších pacientů, což usnadňuje včasnou detekci a intervenci.

Metody:

Retrospektivní analýza byla provedena na 42 540 starších pacientech, kteří podstoupili nekardiální operaci v prvním lékařském centru Čínské všeobecné nemocnice PLA mezi lednem 2014 a srpnem 2019 a vytvořili tréninkový soubor. Z toho byla 30% podskupina náhodně označena jako testovací sada. Modely zahrnovaly 51 proměnných včetně klíčových faktorů souvisejících s infekcí. Tři techniky strojového učení – Logistická regrese (LR), Random Forest (RF) a Gradient Boosting Machines (GBM) – byly použity k vývoji prediktivních modelů pro celkové a specifické pooperační infekce, kategorizované podle definic Evropského perioperačního klinického výsledku (EPCO). . Výkon modelu byl měřen metrikami, jako je oblast pod křivkou provozní charakteristiky přijímače (ROC) (AUC), přesnost a preciznost. Pro zlepšení interpretovatelnosti modelu jsme použili algoritmus proměnné důležitosti (VIMP) a Shapleyova aditivního vysvětlení (SHAP) modelu RF. Pro prokazatelnou predikci konkrétních typů infekcí byla do modelu vložena data náhodně vybraných 5 pacientů s výslednými pravděpodobnostmi znázorněnými v radarovém grafu.

Typ studie

Pozorovací

Zápis (Aktuální)

42540

Kontakty a umístění

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

Studijní místa

    • Beijing
      • Beijing, Beijing, Čína, 100853
        • Depatment of Anesthesiology, The First Medical Center Affiliation: Chinese PLA General 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

  • Starší dospělý

Přijímá zdravé dobrovolníky

Ne

Metoda odběru vzorků

Vzorek nepravděpodobnosti

Studijní populace

Tréninkový soubor zahrnoval 42 540 starších pacientů léčených v prvním lékařském centru Čínské všeobecné nemocnice PLA (PLAGH) od ledna 2014 do srpna 2019.

Popis

Kritéria zahrnutí:

  1. Věk ≥ 65 let;
  2. Pacienti podstupující operace bez lokální anestezie.

Kritéria vyloučení:

  1. Pacienti podstupující neurochirurgickou nebo srdeční operaci;
  2. Pacienti s předoperačními infekcemi (včetně pneumonie, SSI, UTI a infekcí krevního řečiště).

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

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Predikce strojového učení mnohočetných infekcí u starších chirurgických pacientů
Časové okno: Leden 2012 – srpen 2018
S využitím technik strojového učení vyvinuli vyšetřovatelé model hodnocení geriatrické infekce, využívající domácí databáze k predikci více pooperačních infekcí u starších pacientů.
Leden 2012 – srpen 2018

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Vyšetřovatelé

  • Studijní židle: Weidong Mi, Depatment of Anesthesiology, The First Medical Center Affiliation: Chinese PLA General Hospital

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. září 2022

Primární dokončení (Aktuální)

30. prosince 2023

Dokončení studie (Aktuální)

30. března 2024

Termíny zápisu do studia

První předloženo

7. srpna 2024

První předloženo, které splnilo kritéria kontroly kvality

7. srpna 2024

První zveřejněno (Aktuální)

9. srpna 2024

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

24. září 2024

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

21. září 2024

Naposledy ověřeno

1. září 2024

Více informací

Termíny související s touto studií

Další relevantní podmínky MeSH

Další identifikační čísla studie

  • PLAGH-AOC-L03

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 Pooperační infekce

Předplatit