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

Kunstig intelligens til forudsigelse af sepsis på intensivafdeling (AICUSepsis)

2. juni 2021 opdateret af: Second Affiliated Hospital, School of Medicine, Zhejiang University

Anvendelse af kunstig intelligens-sepsis-forudsigelsesmodel til at hjælpe ICU klinisk beslutning

Udviklingen af ​​sepsis-forudsigelsesmodel i overensstemmelse med den kinesiske befolkning, og udvidet til kliniske, assistere klinikere til tidlig identifikation, tidlig intervention, har en god ansøgning udsigt. Denne undersøgelse er et prospektivt observationsstudie, primært for at evaluere nøjagtigheden af ​​den tidligere etablerede sepsis-forudsigelsesmodel. Forekomsten af ​​sepsis blev bestemt af lægers daglige kliniske vurdering, og resultaterne af sepsis-forudsigelsesmodellen blev matchet og korrigeret for at forbedre den kliniske nøjagtighed og anvendelighed af sepsis-forudsigelsesmodellen.

Studieoversigt

Status

Ikke rekrutterer endnu

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Den sepsis-forudsigelsesmodel, der blev vedtaget i denne undersøgelse, er blevet afsluttet i den indledende forberedelse, som blev bygget på 7.000 patienter siden etableringen af ​​omfattende ICU, og sepsis 3.0-diagnosestandarden blev vedtaget. Sepsis-forudsigelsesmodellen blev bygget ved hjælp af Python-platformen og XGBoost-algoritmen , som blev brugt til at forudsige forekomsten af ​​sepsis hos ICU-patienter inden for 24 timer. Den samlede nøjagtighed var 82%, og arealet under Auroc-kurven var 0,854.

Patienter, der opfyldte inklusions- og eksklusionskriterierne, fik en daglig forudsigelse af sepsis-model, og der blev dannet en kvantitativ tjekliste baseret på testresultaterne. Der er to slags prognoseresultater: lav risiko og høj risiko. Kvantitative tjeklister er tilgængelige for behandlende læger for at forbedre den diagnostiske effektivitet. Resultaterne blev holdt fortrolige for klinikeren.

Alle patienter blev diagnosticeret med sepsis af to ledende behandlende læger på et fast tidspunkt. Diagnosen bestod af to typer: ja og nej. Hvis to behandlende læger har forskellige meninger, vil den tredje behandlende læge blive inkluderet til korrektionsdiagnose, og tilstedeværelsen af ​​sepsis vil blive bestemt på en 2:1 måde. De behandlende læger er uafhængige af hinanden.

Når den behandlende læges diagnoseresultater er indlæst i systemet, sammenlignes forudsigelsesresultaterne af gårsdagens sepsis-forudsigelsesmodel og beregnes for at bestemme nøjagtigheden af ​​forudsigelsesmodellen

Undersøgelsestype

Observationel

Tilmelding (Forventet)

2000

Kontakter og lokationer

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

Studiekontakt

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

16 år til 100 år (Barn, Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Patienter, der opfyldte inklusions- og eksklusionskriterierne, blev forudsagt dagligt ved sepsis-model, og en kvantitativ liste blev dannet i henhold til testresultaterne. Der er to slags forudsigelsesresultater: lav risiko og høj risiko. Den kvantitative liste er åben for behandlende læger for at forbedre effektiviteten af ​​diagnosen. De forudsagte resultater holdes hemmelige for klinikere.

Beskrivelse

Inklusionskriterier:

Alle patienter med akut kritisk sygdom, som er berettiget til indlæggelse på ICU i undersøgelsesperioden

Ekskluderingskriterier:

  1. Patienter under 16 år;
  2. Gravide og fødende kvinder;
  3. Patienter, der planlagde at blive indlagt på afdelingen til operation og overflyttet næste dag efter udredning;
  4. Patienter indlagt på afdelingen og diagnosticeret med sepsis;
  5. Patienter med ICU opholder sig mindre end 24 timer;

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
Sepsis forudsigelsesmodel
Denne gruppe mennesker blev brugt til klinikerens beslutning, og sepsis-forudsigelsesmodellen blev brugt samtidigt til forudsigelsen, men modellen var ikke involveret i beslutningen og blev kun brugt til verifikation
Diagnostisk test: Forudsigelsesmodel for kunstig intelligens sepsis
Hovedformålet med dette papir er at evaluere nøjagtigheden af ​​sepsis-forudsigelsesmodellen etableret i det tidlige stadie. Forekomsten af ​​sepsis bestemmes af lægers daglige kliniske vurdering, og resultaterne af sepsis-forudsigelsesmodellen matches og korrigeres.
Daglig klinisk bedømmelse af læger
Denne gruppe mennesker blev brugt til klinikerens beslutning uden sepsis-forudsigelsesmodel.
Diagnostisk test: Forudsigelsesmodel for kunstig intelligens sepsis
Hovedformålet med dette papir er at evaluere nøjagtigheden af ​​sepsis-forudsigelsesmodellen etableret i det tidlige stadie. Forekomsten af ​​sepsis bestemmes af lægers daglige kliniske vurdering, og resultaterne af sepsis-forudsigelsesmodellen matches og korrigeres.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Nøjagtighed af modeldiagnose
Tidsramme: 2 år
Evaluering af nøjagtigheden af ​​forudsigelsesmodellen i klinisk anvendelse
2 år

Samarbejdspartnere og efterforskere

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

Sponsor

Second Affiliated Hospital, School of Medicine, Zhejiang University

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 (Forventet)

1. juni 2021

Primær færdiggørelse (Forventet)

1. juni 2022

Studieafslutning (Forventet)

1. juni 2023

Datoer for studieregistrering

Først indsendt

31. maj 2021

Først indsendt, der opfyldte QC-kriterier

2. juni 2021

Først opslået (Faktiske)

4. juni 2021

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

4. juni 2021

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

2. juni 2021

Sidst verificeret

1. maj 2021

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • SHZJU-ICU2020-202

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 Septisk chok

Kliniske forsøg med Forudsigelsesmodel for kunstig intelligens sepsis

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Jamaica

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner