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

Brug af Machine Learning til at optimere den danske drukneformel (DROWN_DDF2)

20. august 2025 opdateret af: Niklas Breindahl, Prehospital Center, Region Zealand

Machine Learning-assisteret drukneidentifikation for de danske præhospitale druknedata: Brug af maskinlæring til at optimere den danske drukneformel

Den Danske Drukneformel (DDF) er designet til at søge i de ustrukturerede tekstfelter i den danske landsdækkende Præhospital Elektronisk Journal på ubegrænsede vilkår med omfattende søgekriterier for at identificere alle potentielle vandrelaterede hændelser og opnå en høj følsomhed. Dette var vigtigt, da drukning er en sjælden hændelse, men det resulterede i en lav positiv forudsigelsesværdi til specifikt at detektere druknehændelser. Denne undersøgelse har til formål at øge den positive prædiktive værdi af DDF og reducere de tidsmæssige krav forbundet med manuel validering.

Studieoversigt

Status

Aktiv, ikke rekrutterende

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

DDF udkom i 2023. Det er en tekstsøgningsalgoritme designet til at søge i de ustrukturerede tekstfelter i databaser, der indeholder elektroniske lægejournaler, for at identificere alle potentielle vandrelaterede hændelser. DDF består af adskillige udløserord relateret til nedsænkningsskade (f.eks. "drukn"/drukne, "vand"/vand, "hav"/hav og "båd"/båd).

En igangværende undersøgelse viste imponerende præstationsmålinger af DDF som et druknende identifikationsværktøj, når det blev anvendt på den danske PEMR på ubegrænsede vilkår. PPV var dog lav til specifikt at opdage druknehændelser. Denne undersøgelse har til formål at øge DDF's positive prædiktive værdi og reducere de tidsmæssige krav forbundet med manuel validering.

Data udtrækkes fra den danske landsdækkende præhospitale elektroniske journal ved hjælp af DDF og valideres manuelt før de indtastes i Dansk præhospital druknedata (DPDD).

Data fra DPDD fra 2016-2021 vil blive opdelt i 80 % (træningsdata) og 20 % (testdata) og bruges til at træne maskinlæring.

Data fra DPDD fra 2022-2023 vil blive brugt som valideringsdata til at beregne ydeevnemålingerne for maskinlæring.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

1500

Kontakter og lokationer

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

Studiesteder

  • Danmark
    • Region Sjælland
      • Næstved, Region Sjælland, Danmark, 4700
        • Prehospital Center

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

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Alle dødelige og ikke-dødelige druknepatienter i Danmark behandlet af Emergency Medical Services (EMS) mellem 2016 og 2023.

Beskrivelse

Inklusionskriterier:

  • Patienten skal have haft åndedrætsnedsættelse fra nedsænkning eller nedsænkning i væske (inklusive vedvarende hoste, åndedrætsstop og bevidstløshed).
  • Patienten skal have været i kontakt med den danske præhospitale Akut.

Ekskluderingskriterier:

  • Dupletter
  • Ugyldigt cpr-nummer

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
Dødelig drukning
Druknehændelser, hvor patienten døde inden for 30 dage efter hændelsen som følge af nedsænkningsskaden
Andet: Druknehændelse
Drukning blev defineret af WHO i 2002 som "processen med at opleve åndedrætsbesvær fra nedsænkning eller nedsænkning i væske".
Ikke-dødelig drukning
Druknehændelser, hvor patienten overlevede til 30 dage
Andet: Druknehændelse
Drukning blev defineret af WHO i 2002 som "processen med at opleve åndedrætsbesvær fra nedsænkning eller nedsænkning i væske".

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Maskinlæringsalgoritmens følsomhed som et drukningsidentifikationsværktøj
Tidsramme: Følsomheden af ​​den trænede maskinlæring vil blive beregnet ud fra data fra 2022 og 2023.
Følsomhed [TP / (TP+FN)] vil blive beregnet for at vise ydeevnen af ​​maskinlæring som et drukningsidentifikationsværktøj.
Følsomheden af ​​den trænede maskinlæring vil blive beregnet ud fra data fra 2022 og 2023.
Specificitet af maskinlæringsalgoritmen som et drukningsidentifikationsværktøj
Tidsramme: Specificiteten af ​​den trænede maskinlæring vil blive beregnet ud fra data fra 2022 og 2023.
Specificitet [TN / (FP+TN)] vil blive beregnet for at vise ydeevnen af ​​maskinlæring som et drukningsidentifikationsværktøj.
Specificiteten af ​​den trænede maskinlæring vil blive beregnet ud fra data fra 2022 og 2023.
PPV af maskinlæringsalgoritmen
Tidsramme: PPV for den trænede maskinlæring vil blive beregnet ud fra data fra 2022 og 2023.
PPV [TP / (TP+FP)] vil blive beregnet for at vise maskinlæringstestresultatet.
PPV for den trænede maskinlæring vil blive beregnet ud fra data fra 2022 og 2023.
NPV for maskinlæringsalgoritmen
Tidsramme: NPV for den trænede maskinlæring vil blive beregnet ud fra data fra 2022 og 2023.
NPV [TN / (FN+TN)] vil blive beregnet for at vise maskinlæringstestresultatet.
NPV for den trænede maskinlæring vil blive beregnet ud fra data fra 2022 og 2023.

Samarbejdspartnere og efterforskere

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

Sponsor

Prehospital Center, Region Zealand

Efterforskere

  • Studieleder: Helle Collatz Christensen, Ass. Prof., Prehospital Center, Region Zealand

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

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 2024

Primær færdiggørelse (Anslået)

31. december 2025

Studieafslutning (Anslået)

31. december 2025

Datoer for studieregistrering

Først indsendt

7. marts 2024

Først indsendt, der opfyldte QC-kriterier

13. marts 2024

Først opslået (Faktiske)

15. marts 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Anslået)

27. august 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

20. august 2025

Sidst verificeret

1. august 2025

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • DROWN_DDF2

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

Dataene er beregnet til brug nationalt og internationalt af forskere til at reducere forekomsten, dødeligheden og sygeligheden af ​​drukning. Dataene er tilgængelige efter rimelig anmodning fra forskere efter ansøgning til den tilsvarende forfatter, forudsat at de nødvendige godkendelser indhentes fra de relevante myndigheder.

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

produkt fremstillet i og eksporteret fra U.S.A.

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 .

Abonner