Maskinlæringsforudsigelse af flere infektioner hos ældre kirurgiske patienter
Ældre kirurgiske patienter Multi-infektion forudsigelse: Machine Learning model udvikling og validering med SHAP-analyse
Studieoversigt
Status
Betingelser
Detaljeret beskrivelse
Baggrunde:
Postoperative infektioner er en førende årsag til uønskede perioperative resultater, især for ældre patienter. I betragtning af de varierede diagnostiske præsentationer af infektion er der et betydeligt hul i brugen af prædiktive værktøjer til at identificere dem med høj risiko for at udvikle sådanne komplikationer.
Objektiv:
Vi havde til formål at udvikle maskinlæringsmodeller til at forudsige forskellige postoperative infektionsrisici hos ældre patienter, hvilket letter tidlig opdagelse og intervention.
Metoder:
En retrospektiv analyse blev udført på 42.540 ældre patienter, der gennemgik ikke-hjertekirurgi på First Medical Center på det kinesiske PLA General Hospital mellem januar 2014 og august 2019, og dannede træningssættet. Ud fra dette blev en 30 % undergruppe tilfældigt udpeget som testsættet. Modellerne inkorporerede 51 variabler inklusive vigtige infektionsrelaterede faktorer. Tre maskinlæringsteknikker - logistisk regression (LR), Random Forest (RF) og Gradient Boosting Machines (GBM) - blev brugt til at udvikle prædiktive modeller for overordnede og specifikke postoperative infektioner, kategoriseret i henhold til definitionerne af European Perioperative Clinical Outcome (EPCO) . Modellens ydeevne blev målt ved hjælp af metrikker såsom Area Under the Receiver Operating Characteristic (ROC) Curve (AUC), nøjagtighed og præcision. For at forbedre modelfortolkningen brugte vi RF-modellens Variable Importance (VIMP) og Shapley Additive Explanations (SHAP) algoritme. For en påviselig forudsigelse af specifikke infektionstyper blev data fra tilfældigt udvalgte 5 patienter indført i modellen med de resulterende sandsynligheder afbildet i et radardiagram.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
Beijing
-
Beijing, Beijing, Kina, 100853
- Depatment of Anesthesiology, The First Medical Center Affiliation: Chinese PLA General Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Alder ≥ 65 år;
- Patienter, der gennemgår operationer, der ikke involverer lokalbedøvelse.
Ekskluderingskriterier:
- Patienter, der gennemgår neurokirurgi eller hjertekirurgi;
- Patienter med præoperative infektioner (herunder lungebetændelse, SSI'er, UTI'er og blodbaneinfektioner).
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Maskinlæringsforudsigelse af flere infektioner hos ældre kirurgiske patienter
Tidsramme: Januar 2012 - august 2018
|
Ved at bruge maskinlæringsteknikker udviklede efterforskerne den geriatriske infektionsvurderingsmodel, der udnyttede indenlandske databaser til at forudsige flere postoperative infektioner hos ældre patienter.
|
Januar 2012 - august 2018
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Studiestol: Weidong Mi, Depatment of Anesthesiology, The First Medical Center Affiliation: Chinese PLA General Hospital
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Faktiske)
Studieafslutning (Faktiske)
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
- PLAGH-AOC-L03
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 Postoperativ infektion
-
Jianfeng XieRekrutteringCLABSI - Central Line Associated Bloodstream InfectionKina
-
Fondazione Policlinico Universitario Agostino Gemelli...Lo.Li.Pharma s.r.lIkke rekrutterer endnuHPV - Anogenital Human Papilloma Virus Infection | Infertilitet
-
University of Santiago de CompostelaOsteology FoundationRekruttering
-
University of GaziantepIkke rekrutterer endnuHPV - Anogenital Human Papilloma Virus Infection | Kræft, sund | Sundheds tro model
-
Assiut UniversityIkke rekrutterer endnuCLABSI - Central Line Associated Bloodstream Infection | Perifert indsat central kateter | Umbilical venekateter
-
Institut PasteurRekruttering
-
Universidad del DesarrolloAfsluttetHealthcare Associated InfectionChile
-
The University of Texas Health Science Center,...EurofinsAfsluttetOdontogen Deep Space Neck InfectionForenede Stater
-
Centre Hospitalier Universitaire de NiceIkke rekrutterer endnuHealth Care Associated Infection
-
Superior UniversityAktiv, ikke rekrutterendeHealthcare Associated InfectionPakistan