- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT06421480
Brug af maskinlæring til at opdage risikofyldt adfærd i psykiatriske klinikker
Opdagelse af risikofyldt adfærd og tilvejebringelse af et sikkert miljø hos patienter, der modtager døgnbehandling i en psykiatrisk klinik ved hjælp af en maskinlæringsmodel
Studieoversigt
Status
Betingelser
Detaljeret beskrivelse
Formålet med denne undersøgelse er at opdage risikoadfærd hos patienter i en psykiatrisk klinik ved hjælp af maskinlæringsmetoden. Risikofyldt adfærd; Det defineres som adfærd, der er personligt, socialt og udviklingsmæssigt uønsket og bringer liv og sundhed i fare. Patientsikkerhed og at sikre et sikkert miljø er blandt sundhedspersonalets primære opgaver. Selvmord er den vigtigste evidensbaserede risikofaktor, især hos personer med psykiatriske sygdomme, og er en af de vigtigste faktorer, der truer patientsikkerheden. Selvmordsforsøg er en krisesituation, man ofte støder på på klinikker. Det er kendt, at frekvensen af selvmordsforsøg stiger 5-10 gange hos indlagte patienter. I klinikker med indlagte patienter støder man ofte på selvmordsforsøg samt anden risikofyldt adfærd.
Forebyggelse af risikabel adfærd og tilvejebringelse af et sikkert miljø på psykiatriske klinikker er et vigtigt emne i vores land og i verden. For at afsløre risikoadfærd og sikre patient/medarbejdernes sikkerhed er der foranstaltninger til at overvåge patienter med kameraer på psykiatriske klinikker inden for rammerne af kvalitetsstandarder i sundhed. Disse foranstaltninger er dog ikke tilstrækkelige til fuldstændigt at løse problemet. På psykiatriske klinikker varetages patientovervågning af en sygeplejerske, som konstant overvåger de kamerabilleder, der er placeret i stuerne på computerskærmen. Det lave antal sygeplejersker, især på nattevagter, gør kameraovervågning vanskelig i nattevagter og udgør et problem i forhold til patientsikkerheden. Konstant overvågning af monitorer fra sygeplejersken reducerer tidsforbruget med patienten og øger arbejdsbyrden. Derudover, når skærmovervågning ikke udføres, kan risikabel adfærd ikke opdages. Derfor skal der udvikles nye metoder til at sikre trygge rammer på psykiatriske klinikker. I denne forstand er maskinlæringsmetoden, som i stigende grad bruges i kunstig intelligens og dataanalyse, en specialiseret undergren af kunstig intelligens-algoritmer, der forsøger at udlede meningsfulde resultater/forudsigelser fra eksisterende data. Maskinlæringsmetoden bruges hyppigt inden for sundhedsområdet, og psykiatri er et af disse områder. Hovedformålet med denne undersøgelse er at opdage risiko- og højrisikoadfærd hos patienter behandlet på en psykiatrisk klinik ved hjælp af maskinlæringsmetoden og at sikre, at patienter får behandling i et sikrere miljø.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: ceyda öztürk akdeniz, 1
- Telefonnummer: 05394124524
- E-mail: ceyda.ozturk@artvin.edu.tr
Studiesteder
-
-
-
Istanbul, Kalkun, 34000
- Detecting Risky Behaviors and Providing a Safe Environment in Patients Receiving Inpatient Treatment in a Psychiatric Clinic Using Machine Learning Model
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Den er velegnet til alle voksne patienter, der modtager døgnbehandling på psykiatriske klinikker. Den er designet til det rum, hvor patienterne sover.
Ekskluderingskriterier:
- Personer under 18 år vil blive udelukket fra undersøgelsen
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Målrettet output
Tidsramme: 01.05.2024-01.08.2024
|
Opdagelse af selvmord og voldelig adfærd ved hjælp af maskinlæringsmetode
|
01.05.2024-01.08.2024
|
Samarbejdspartnere og efterforskere
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Anslået)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- İstanbulMedeniyet
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
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 Maskinelæring
-
RenJi HospitalIkke rekrutterer endnuAnvendelse af kunstig intelligens Deep Learning-teknologi i magnetisk resonans lumbal billeddannelseDeep Learning, Lumbal Magnetic Resonance Imaging
-
Hand & Reconstructive MicrosurgeryAfsluttetMasselæring, Spaced Learning, Mikrokirurgi
-
HITEC-Institute of Medical SciencesAfsluttetOSCE (Objective Structured Clinical Examination) | TBL (Team Based Learning) | Undervisning af kliniske færdigheder til medicinske studerendePakistan
-
Yang ChaonanIkke rekrutterer endnuRisikofaktorer | Kritisk syge patienter | Trykskade | Machine Learning Algoritmer
-
Wuhan Union Hospital, ChinaIkke rekrutterer endnuIkke-småcellet lungekræft | Patologisk komplet respons | Neoadjuverende kemoimmunterapi | Deep Learning Model
-
Centre Hospitalier Universitaire, AmiensRekrutteringMR scanning | Venstre ventrikulær ejektionsfraktion | Hjertemagnetisk resonansbilleddannelse | Deep-LearningFrankrig
-
Fondazione Policlinico Universitario Agostino Gemelli...RekrutteringBeskriv typiske gråskala/farve-doppler-ultralydstræk ved gestationel trofoblastisk neoplasi ved den amerikanske undersøgelse | At vurdere, om der er forskelle ved den amerikanske baseline-scanning mellem lavrisiko- og højrisikopatienter | At identificere ultralydsprædiktorer for resistens... og andre forholdItalien
-
Centre Hospitalier Universitaire, AmiensUkendtNyrekolik | Urolithiasis | Urinvejssten | Deep Learning RekonstruktionFrankrig
-
Sun Yat-sen UniversityRekrutteringDeep Learning ModelKina
-
Third Affiliated Hospital, Sun Yat-Sen UniversityRekrutteringUdvikle en CT-baseret Tumor Budding Predictive Model for blærekræft ved hjælp af Deep Learning-algoritmerKina