Udvikling af en score- og forudsigelsesmodel for fravænningssucces hos ARDS-patienter ved hjælp af ventilationsparametre kombineret med kunstig intelligens og dybe læringsteknikker
Studieoversigt
Status
Detaljeret beskrivelse
Formålet med denne undersøgelse er at udvikle et kunstig intelligens- og dyb læringsunderstøttet scoringssystem ved hjælp af ventilatorparametre opnået under den mekaniske ventilationsproces hos patienter diagnosticeret med ARDS. Dette system søger at forudsige og optimere fravænningsprocessen, hvilket letter en vellykket frigørelse fra mekanisk ventilation.
I denne sammenhæng vil vores undersøgelse analysere data fra 25.000 patienter hentet fra Metavision-systemet. Fra denne datapulje vil ARDS-patienter blive filtreret og opdelt i to grupper: dem, der med succes er fravænnet fra mekanisk ventilation (fravænnet), og dem, der ikke blev (ikke-fravænnede). Ventilatorparametrene for begge grupper, herunder iltningsindekser, drivtryk og total mekanisk effekt, vil blive undersøgt i detaljer.
De indsamlede data vil blive analyseret ved hjælp af kunstig intelligens og deep learning algoritmer for at udvikle et scoringssystem, der er i stand til at forudsige patienters fravænningsprocesser. Dette system er designet til at vejlede klinikere i patientbehandling og øge succesen med fravænningsprocedurer.
Resultaterne af denne undersøgelse sigter mod at bidrage til mere effektiv og sikker håndtering af fravænningsprocessen for ARDS-patienter. Ydermere forventes implementeringen af AI-understøttede scoringssystemer på intensivafdelinger at fremme udbredt adoption og forbedre kvaliteten af patientbehandlingen.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
-
Istanbul, Kalkun
- Bakirkoy Dr Sadi Konuk Research and Training Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- ARDS diagnose
- 18 år og ældre
- Intuberet og efterfulgt af Mekanisk ventilation
- Indlæggelse på intensiv afdeling
- Fuldstændige data om klinisk støtte og beslutningssystem
Ekskluderingskriterier:
- Manglende data
- Under 18 år
- Efterfulgt af ikke-ARDS-betingelser
- Terminal status
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
|---|
|
Fravænnet
De med succes vænnet fra mekanisk ventilation
|
|
Ikke fravænnet
Dem, der ikke er vænnet fra mekanisk ventilation
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Vellykket fravænning
Tidsramme: 48 timer
|
Det primære resultat af denne undersøgelse vil være den vellykkede fravænning fra mekanisk ventilation.
|
48 timer
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Mekaniske ventilationsparametre
Tidsramme: 48 timer
|
Bestemmelse af virkningen af mekanisk kraft på patientresultater.
|
48 timer
|
Samarbejdspartnere og efterforskere
Efterforskere
- Studiestol: Zafer Cukurova, M.D, Bakırköy Dr. Sadi Konuk Training and Research 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
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2024-12-07
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
produkt fremstillet i og eksporteret fra U.S.A.
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 Dyb læring
-
RenJi HospitalIkke rekrutterer endnuAnvendelse af kunstig intelligens Deep Learning-teknologi i magnetisk resonans lumbal billeddannelseDeep Learning, Lumbal Magnetic Resonance Imaging
-
Cairo UniversityIkke rekrutterer endnuEndodonti | AI (kunstig intelligens) | Deep Learning Model | Perforering | Missede kanaler | Endodontisk genbehandling | Non-surgical Retreatment | DIFFICULTY ASSESSMENT | SEPARATED INSTRUMENT | Poor Obturation | Obturation Quality
-
Seoul National University Bundang HospitalIkke rekrutterer endnuSlagvolumen variation | Pulstrykvariation | Deep Learning Model | Arterielle bølgerefleksioner | Perifer veneKorea, Republikken
-
University of ZurichRekrutteringForudsigelse af slagtilfældeudfald understøttet af Deep Learning AlgorithmSchweiz
-
Wuhan Union Hospital, ChinaIkke rekrutterer endnuIkke-småcellet lungekræft | Patologisk komplet respons | Neoadjuverende kemoimmunterapi | Deep Learning Model
-
European Hepatocellular Cancer Liver Transplant...AfsluttetLevertransplantation | Hepatocellulært karcinom (HCC) | Deep Learning Model
-
Centre Hospitalier Universitaire, AmiensUkendtNyrekolik | Urolithiasis | Urinvejssten | Deep Learning RekonstruktionFrankrig
-
Centre Hospitalier Universitaire, AmiensAfsluttetMR scanning | Venstre ventrikulær ejektionsfraktion | Hjertemagnetisk resonansbilleddannelse | Deep-LearningFrankrig
-
Sun Yat-sen UniversityRekrutteringDeep Learning ModelKina
-
Kırıkkale UniversityTilmelding efter invitationÅndelig omsorg | Flipped Learning ModelTyrkiet (Türkiye)