En kunstig intelligensmodel for intensivplejeophold, neurologisk resultat og omkostningsestimering efter hjerte -lungeredning: en kohortundersøgelse.
En kunstig intelligensmodel for intensivplejeophold, neurologisk resultat og omkostningsestimering efter hjerte -lungeredning: En kohortundersøgelse
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Tilmelding (Anslået)
Tilmelding
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inkluderingskriterier:
- Alder> 18 år
- Succesrige hjerte -lungeredning
- Mindst 1 time lang adgang til ICU efter tilbagevenden af spontan cirkulation (ROSC)
Ekskluderingskriterier:
- Alder <18 år
- > 80% manglende data i patientjournaler
- Patienter uden ROSC
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Alder> 18 års patienter efter vellykket hjerte -lungeredning observeret i reanimation
|
Data fra patienter efter successiv redning af redningsvæsener vil blive evalueret efter maskinindlæringsprogrammer.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Machine Learning Python -program
Tidsramme: 3 måneder
|
Den oprettede database analyseres ved hjælp af en kunstig intelligensalgoritme med maskinlæring med Python -programmeringssprog.
Efter behandling af manglende og ufuldstændige data med kunstig intelligens, vil databasen blive opdelt i to dele: modeltræning og modelvalidering.
Meningsfulde data vælges gennem modeltræning, og en forudsigelsesmodel vil blive bygget baseret på disse data.
For at øge fortolkbarheden af forudsigelsesmodellen og hjælpe brugerne med at forstå, hvordan og hvorfor visse forudsigelser foretages, vil Shapley Additive Explanations (Shap) -algoritmen blive brugt.
Ved maskinlæring bruges formteknikken til at fortolke beslutningsprocesserne for komplekse maskinlæringsmodeller.
|
3 måneder
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Anslået)
Studiestart
Primær færdiggørelse (Anslået)
Primær færdiggørelse
Studieafslutning (Anslået)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Anslået)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Anslået)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- Nkangarli002
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .