Forudsigelse af forventet længde af hospitalsophold ved hjælp af maskinlæring
14. april 2021 opdateret af: David Levine, Brigham and Women's Hospital
Dette er en retrospektiv observationsundersøgelse, der trækker på data fra Brigham and Women's Home Hospital-databasen.
Sociodemografiske data og klinikdata fra en træningskohorte blev brugt til at træne en maskinlæringsalgoritme til at forudsige varigheden af opholdet under en patients indlæggelse.
Denne algoritme blev derefter valideret i en valideringskohorte.
Studieoversigt
Status
Aktiv, ikke rekrutterende
Undersøgelsestype
Observationel
Tilmelding (Forventet)
500
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Massachusetts
-
Boston, Massachusetts, Forenede Stater, 02115
- Brigham and Women's Hospital
-
Boston, Massachusetts, Forenede Stater, 02130
- Brigham and Women's Faulkner Hospital
-
-
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, Ældre voksen)
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Forsøgspersoner indlagt på Brigham and Women's Hospital og Brigham and Women's Faulkner Hospital, som opfylder primær diagnose, alder og bopæl inden for 5 mils krav og er indskrevet på hjemmehospitalet.
Beskrivelse
Var et emne i Brigham and Women's Home Hospital-undersøgelsen og har en afsluttet registrering i undersøgelsens database.
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 |
|---|
|
Uddannelse
En undergruppe af patienter, der bruges til at træne maskinlæringsalgoritmen.
|
|
Validering
En undergruppe af patienter, der "holdes tilbage" og bruges til at validere algoritmens nøjagtighed.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Opholdsvarighed
Tidsramme: Fra indlæggelsesdato til udskrivelsesdato (1 til 24 dage)
|
Den tid, hver patient bruger på hjemmehospitalet fra indlæggelsestidspunktet til udskrivelsen, målt i timer
|
Fra indlæggelsesdato til udskrivelsesdato (1 til 24 dage)
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Samarbejdspartnere
Efterforskere
- Ledende efterforsker: David Levine, MD MPH MA, Associate Physician
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- 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.
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)
20. marts 2021
Primær færdiggørelse (Forventet)
1. august 2021
Studieafslutning (Forventet)
1. december 2021
Datoer for studieregistrering
Først indsendt
2. marts 2021
Først indsendt, der opfyldte QC-kriterier
2. marts 2021
Først opslået (Faktiske)
5. marts 2021
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
19. april 2021
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
14. april 2021
Sidst verificeret
1. april 2021
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2017P002583b
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
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 Hjertefejl
-
Region SkaneTilmelding efter invitationHjertesvigt New York Heart Association (NYHA) klasse II | Hjertesvigt New York Heart Association (NYHA) klasse IIISverige
-
Medical University of BialystokInstitute of Cardiology, Warsaw, Poland; Medical University of Lodz; Poznan... og andre samarbejdspartnereIkke rekrutterer endnuHjertesvigt, systolisk | Hjertesvigt med reduceret udstødningsfraktion | Hjertesvigt New York Heart Association Klasse IV | Hjertesvigt New York Heart Association Klasse IIIPolen
-
University of WashingtonAmerican Heart AssociationAfsluttetHjertesvigt, Kongestiv | Mitokondriel ændring | Hjertesvigt New York Heart Association Klasse IVForenede Stater
-
Novartis PharmaceuticalsAfsluttetPatienter, der med succes afslutter den 12-måneders behandlingsperiode i kernestudiet (de Novo Heart-modtagere), som var interesserede i at blive behandlet med EC-MPS
-
University Hospital, GasthuisbergUkendtTransient Left Ventricular Ballooning SyndromeBelgien
-
NYU Langone HealthRekrutteringTako-tsubo kardiomyopati | Takotsubo kardiomyopati | Broken Heart SyndromeForenede Stater
-
French Cardiology SocietyAfsluttet