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

Machine Learning-baserede modeller i forudsigelse af DVT og PTE hos AECOPD-patienter

7. juni 2023 opdateret af: Yuhan Yang, West China Hospital

Machine Learning-baserede modeller i forudsigelse af DVT og PTE i AECOPD-patienter: en multi-institution undersøgelse

Kronisk obstruktiv lungesygdom (KOL) er en almindelig sygdom i luftvejene, der er karakteriseret ved vedvarende luftvejssymptomer og irreversibel luftstrømsbegrænsning, som bringer menneskers sundhed i alvorlig fare. Akut forværring af kronisk obstruktiv lungesygdom (AECOPD) refererer til personer, der oplever en kontinuerlig forværring ud over deres daglige tilstand og har behov for at ændre deres rutinemedicin. AECOPD er normalt forårsaget af vira og bakterier, og patienter kræver hospitalsindlæggelse, hvilket medfører en enorm økonomisk byrde for samfundet. AECOPD-patienter har ofte begrænsede aktiviteter. Fordi langvarig kronisk hypoxi forårsager venøs blodstase, tilslamning forårsager sekundær stigning i røde blodlegemer og blodhyperkoagulabilitet, har AECOPD-patienter en høj risiko for lungeemboli (PE).

Lungetromboemboli (PTE) refererer til en sygdom forårsaget af blokering af lungearterien eller dens forgreninger forårsaget af en trombe fra venesystemet eller højre hjerte. AECOPD-patienter oplever forhøjede hæmoglobinniveauer og øget blodviskositet på grund af langvarig hypoxi. Samtidig har sådanne patienter nedsat aktivitet, venøs overbelastning og er tilbøjelige til trombose. Efter at tromben falder af, kan den rejse op i venen, hvilket forårsager, at PTE opstår i højre hjerte. PTE er ofte sekundært til lav dyb venetrombose (DVT). Omkring 70 % af patienterne blev diagnosticeret som dyb venetrombose ved farveultralydsundersøgelse af underekstremiteterne. SteinPD gennemførte en undersøgelse om KOL-patienter og generelle patienter fra flere hospitaler. Resultaterne viste, at ved at sammenligne voksne KOL-patienter med ikke-KOL-patienter var den relative risiko for DVT 1,30, hvilket giver bevis for, at AECOPD er mere tilbøjelige til at kombinere med PTE AECOPD-patienter med PTE har ligheder i deres kliniske manifestationer. Det er svært at skelne mellem de to udelukkende baseret på symptomer, såsom hoste, øget opspytproduktion, øget åndenød og åndedrætsbesvær. De mangler specificitet og er svære at skelne mellem de to udelukkende baseret på symptomer, hvilket let kan føre til manglende diagnose. CT pulmonal angiografi (CTPA) er guldstandarden for diagnosticering af PTE, men på grund af de høje omkostninger til test og høje udstyrspriser er dens popularitet på græsrodshospitaler ikke høj. Derfor er analyse af risikofaktorerne for AECOPD-patienter kompliceret med PTE af stor betydning for tidlig identifikation af PTE. På nuværende tidspunkt, selvom der er rapporter om risikofaktorer for samtidig PTE hos AECOPD-patienter, er der ingen specifik prædiktiv model til at forudsige PTE hos AECOPD-patienter. I klinisk praksis bruges risikovurderingsværktøjer såsom Caprini-risikovurderingsmodellen og den modificerede Geneve-skala almindeligvis til VTE, mens Wells-scoren er den diagnostiske sandsynlighedsscore for PTE. Evalueringsindikatorerne for disse værktøjer er for det meste kliniske symptomer, og laboratorieindikatorer er mindre involverede. Det er vanskeligt at afspejle patientens tilstand fuldstændigt, så specificiteten af ​​AECOPD-patienter med PTE er ikke stærk.

Søjlediagrammodellen etableret i denne undersøgelse præsenterer en visuel forudsigelsesmodel, som er praktisk til klinisk brug og har positiv hjælp til tidlig påvisning af AECOPD-patienter med PTE. Derudover kan lægepersonalet præsentere beregningsresultaterne af kolonnediagrammodellen for patienterne, hvilket gør det lettere for patienterne at forstå. Det hjælper med at forbedre den tidlige identifikation og behandling af AECOPD kombineret med PTE-patienter og forbedrer derved prognosen.

Studieoversigt

Undersøgelsestype

Observationel

Tilmelding (Anslået)

1000

Kontakter og lokationer

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

Studiekontakt

Undersøgelse Kontakt Backup

  • Navn: Qinrao Jia
  • Telefonnummer: +8613258389788
  • E-mail: 4941291@qq.com

Studiesteder

    • Guangdong
      • Shenzhen, Guangdong, Kina
        • Rekruttering
        • University of Chinese Academy of Sciences Shenzhen Hospital, Shenzhen, People's Republic of China & The first Affiliated Hospital of Jinan University
        • Kontakt:

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

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

AECOPD-patienterne siden januar 2015 til januar 2022 fra University of Chinese Academy of Sciences Shenzhen Hospital, Shenzhen, Folkerepublikken Kina og det første tilknyttede hospital ved Jinan University blev tildelt som træningssættet, og AECOPD-patienterne fra Affiliated Hospital of North Sichuan Medical College og Nanchong Central Hospital i samme periode blev tildelt som valideringssæt.

Beskrivelse

Inklusionskriterier:

  • Diagnose i overensstemmelse med AECOPD;
  • Udfør CT-lungeangiografiundersøgelse i nuværende institutioner;
  • Den relevante information, der skal analyseres, er fuldstændig.

Ekskluderingskriterier:

  • Patienter, der allerede havde PTE før diagnosen AECOPD;
  • Patienter med samtidig bronkial astma, interstitiel lungesygdom og andre lungesygdomme;
  • Patienter med andre trombotiske relaterede sygdomme;
  • Dem, der fik antikoagulerende behandling før indskrivning.

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
AECOPD-patienter har DVT og/eller PTE
Den maskinlæringsbaserede forudsigelsesmodel vil blive brugt til at forudsige, om tilstedeværelsen af ​​DVT og/eller PTE eller ej hos AECOPD-patienter efter standardiseret behandling.
AECOPD-patienter fraværende med DVT og/eller PTE
Den maskinlæringsbaserede forudsigelsesmodel vil blive brugt til at forudsige, om tilstedeværelsen af ​​DVT og/eller PTE eller ej hos AECOPD-patienter efter standardiseret behandling.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Antal patienter til stede med DVT og/eller PTE
Tidsramme: 1 år
Antal patienter til stede med DVT og/eller PTE
1 år

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Dødelighed på hospitalet
Tidsramme: 1 år
Forekomsten af ​​dødsfald på grund af AECOPD eller DVT/PTE
1 år
ICU indlæggelse
Tidsramme: 1 år
Patienter indlagt på intensivafdeling på grund af sværhedsgraden af ​​AECOPD
1 år

Samarbejdspartnere og efterforskere

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

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)

1. januar 2023

Primær færdiggørelse (Anslået)

31. december 2024

Studieafslutning (Anslået)

31. december 2024

Datoer for studieregistrering

Først indsendt

9. maj 2023

Først indsendt, der opfyldte QC-kriterier

7. juni 2023

Først opslået (Faktiske)

15. juni 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

15. juni 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

7. juni 2023

Sidst verificeret

1. juni 2023

Mere information

Begreber relateret til denne undersøgelse

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

UBESLUTET

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 Maskinlæringsbaseret forudsigelsesmodel

3
Abonner