Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Maskinlæringsmodel til at forudsige postoperativ respirationssvigt

29. august 2022 opdateret af: Hyun-Kyu Yoon, Seoul National University Hospital

Udvikling og fremtidig evaluering af en maskinlæringsmodel til at forudsige postoperativ respirationssvigt

Hovedformålet med denne undersøgelse er at udvikle en maskinlæringsmodel, der forudsiger postoperativ respirationssvigt inden for 7 postoperative dage ved hjælp af en real-world, lokal præoperativ og intraoperativ elektronisk sundhedsjournal, ikke administrative koder.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Postoperative lungekomplikationer er kendt for at øge længden af ​​hospitalsophold og sundhedsudgifter. En af de mest alvorlige former for disse komplikationer er postoperativ respirationssvigt, som også er forbundet med morbiditet og dødelighed. Der er udviklet en masse risikostratifikationsmodeller til at identificere patienter med øget risiko for postoperativ respirationssvigt. Disse modeller blev dog bygget ved at bruge en traditionel logistisk regressionsanalyse. En logistisk regressionsanalyse havde ulemper ved at antage sammenhængen mellem afhængige og uafhængige variable som lineær. Nylige fremskridt inden for kunstig intelligens gør det muligt at administrere og analysere big data. Forudsigelsesmodel ved hjælp af en maskinlæringsteknik og data i stor skala kan forbedre nøjagtigheden af ​​forudsigelsesydelsen end tidligere modeller, der bruger traditionel statistik. Desuden kan en maskinlæringsteknik være et nyttigt hjælpeværktøj til at træffe kliniske beslutninger eller forudsigelse i realtid, hvis den er integreret i sundhedssystemet. Men så vidt vi ved, var der ingen undersøgelse, der undersøgte de prædiktive faktorer ved postoperativ respirationssvigt ved hjælp af en maskinlæringstilgang. Derfor er hovedformålet med denne undersøgelse at udvikle en maskinlæringsmodel, der forudsiger postoperativ respirationssvigt inden for 7 postoperative dage ved hjælp af en real-world, lokale præoperative og intraoperative elektroniske sundhedsjournal, ikke administrative koder, og evaluere dens ydeevne prospektivt.

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

22250

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

18 år og ældre (VOKSEN, OLDER_ADULT)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Voksne patienter, der gennemgår generel anæstesi til ikke-kardial kirurgi

Beskrivelse

Inklusionskriterier:

  • Voksne patienter, der gennemgår generel anæstesi til ikke-hjertekirurgi

Ekskluderingskriterier:

  • Alder under 18 år
  • Operationsvarighed < 1 time
  • Hjertekirurgi
  • Kirurgi udførte kun regional eller lokal anæstesi, perifer nerveblok eller overvåget anæstesibehandling
  • Organtransplantation
  • Patient med præoperativ tracheal intubation
  • Patienter, der havde trakeostom før operationen
  • Patienter planlagt til trakeostomi
  • Operation udført uden for operationsstuen
  • Længde af hospitalsophold < 24 timer

Hvis patienterne havde flere operationer under samme hospitalsophold, inkluderede vi de første kirurgiske tilfælde i datasættet.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
AI_PRF
Voksne patienter i generel anæstesi
Diagnostisk test: Forudsigelse af postoperativ respirationssvigt ved hjælp af en maskinlæring
Ydeevnen af ​​en maskinlæringsmodel til at forudsige postoperativ respirationssvigt efter generel anæstesi inden for postoperativ dag 7 blev testet prospektivt.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
forekomsten af ​​postoperativ respirationssvigt efter generel anæstesi
Tidsramme: inden for postoperativ dag 7
Postoperativ respirationssvigt, som blev defineret som mekanisk ventilation >48 timer eller enhver reintubation efter operationen
inden for postoperativ dag 7

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Seoul National University Hospital

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (FAKTISKE)

26. maj 2021

Primær færdiggørelse (FAKTISKE)

25. maj 2022

Studieafslutning (FAKTISKE)

25. juni 2022

Datoer for studieregistrering

Først indsendt

21. august 2020

Først indsendt, der opfyldte QC-kriterier

21. august 2020

Først opslået (FAKTISKE)

26. august 2020

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (FAKTISKE)

1. september 2022

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

29. august 2022

Sidst verificeret

1. august 2022

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • AI_PRF

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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 .

Kliniske forsøg med Ikke-kardial kirurgi

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Dominican Republic

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner