Neuralt netværksbaseret forudsigelse hos kritiske COVID-19 patienter
Neuralnetværksbaseret forudsigelse hos kritiske COVID-19-patienter
I forbindelse med en opstået pandemi uden et etableret prognostisk scoringssystem kan deep learning-tilgange bruges til hurtigt at udvikle empiriske prognostiske modeller.
Dette studie havde til formål at præsentere en kunstigt neuralt netværk (ANN)-model til at forudsige varigheden af mekanisk ventilation og dødelighed hos COVID-19-patienter på intensivafdelingen.
Metoder: Data blev indsamlet fra journaler for 113 COVID-19-patienter, der var blevet fulgt på intensivafdelingen mellem februar 2020 og juni 2020. En ANN-tilgang blev brugt til at forudsige længden af mekanisk ventilation og dødelighed hos COVID-19-patienter ved at evaluere patienternes kliniske data (demografiske, laboratorie- og komorbiditeter).
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Coronavirus-sygdommen 2019 (COVID-19) har medført en hidtil uset belastning af intensivafdelinger (ICU'er), især på grund af høje rater af respirationssvigt, der kræver invasiv mekanisk ventilation. Tidlig identificering af patienter med risiko for forlænget mekanisk ventilation og dødelighed er afgørende for at optimere ressourceallokering og klinisk beslutningstagning.
Dette retrospektive kohortestudie havde til formål at udvikle og evaluere en kunstig neural netværksmodel (ANN) til at forudsige varigheden af mekanisk ventilation og inden for hospitalet dødelighed blandt COVID-19-patienter indlagt på intensivafdelingen.
Efter godkendelse af Gaziantep University Clinical Research Ethics Committee (Beslutning nr: 2024/07, Dato: 17.01.2024), blev data fra 113 voksne patienter indlagt på intensivafdelingen mellem 1. februar 2020 og 30. juni 2020 analyseret retrospektivt. Demografiske karakteristika, komorbiditeter, vitale tegn, laboratorieparametre, sværhedsgradsscores (f.eks. APACHE, SOFA), behandlingsmodaliteter og kliniske udfald blev uddraget fra medicinske journaler.
Kunstige neurale netværksmodeller blev udviklet ved hjælp af kommercielt tilgængeligt software (Alyuda NeuroIntelligence, Alyuda Research Inc., Los Altos, CA, USA). Flere træningsalgoritmer, herunder Quick Propagation, Conjugate Gradient Descent, Limited Memory Quasi-Newton, Online Backpropagation og Batch Backpropagation, blev testet. Modelpræstationen blev evalueret ved hjælp af 10-fold krydsvalidering. Prædiktiv nøjagtighed for dødelighed og korrelationspræstation for varigheden af mekanisk ventilation blev beregnet. Klassiske statistiske metoder, herunder multipel lineær regression og binær logistisk regression, blev også udført til sammenligning.
Det primære formål var at vurdere den prædiktive præstation af ANN-modeller for ICU-dødelighed. Et sekundært formål var at evaluere ANN-præstationen i estimering af varigheden af mekanisk ventilation. Dette studie blev udført i overensstemmelse med Helsinki-erklæringen.
Undersøgelsestype
Tilmelding (Faktiske)
Kontakter og lokationer
Studiesteder
-
-
-
Gaziantep, Tyrkiet (Türkiye), 27310
- Gaziantep University Hospital
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Studiet inkluderer patienter på 18 år og derover, hvis demografiske, kliniske, laboratorie- og udfaldsdata var tilgængelige til retrospektiv analyse.
Beskrivelse
Inklusionskriterier:
Alder ≥ 18 år
Bekræftet diagnose af COVID-19
Indlæggelse på intensivafdelingen (ICU) mellem 1. februar 2020 og 30. juni 2020
Tilgængelighed af komplette kliniske, laboratorie- og resultatdata i patientjournalen
Eksklusionskriterier:
Alder < 18 år
Ufuldstændige eller manglende kliniske data
Overføring til en anden institution før resultatvurdering
Genindlæggelse på ICU under samme hospitalsophold (kun første indlæggelse inkluderet)
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Dødelighed på intensivafdeling fra alle årsager
Tidsramme: Fra intensivafdelingens indlæggelse indtil udskrivelse fra hospitalet eller død (op til 90 dage)
|
Prædiktion af indenfor-hospital dødelighed (ex-status) blandt COVID-19-patienter indlagt på intensivafdelingen ved brug af kunstige neurale netværksmodeller baseret på demografiske, kliniske og laboratorievariable.
|
Fra intensivafdelingens indlæggelse indtil udskrivelse fra hospitalet eller død (op til 90 dage)
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Ledende efterforsker: Elzem Sen, Assoc Prof, University of Gaziantep
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
- 2024/07
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
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 .