Ein Modell für künstliche Intelligenz für die Aufenthaltsdauer der Intensivpflege, ein neurologisches Ergebnis und die Kostenschätzung nach kardiopulmonaler Wiederbelebung: eine Kohortenstudie.
Ein Modell für künstliche Intelligenz für die Aufenthaltsdauer der Intensivstation, ein neurologisches Ergebnis und die Kostenschätzung nach kardiopulmonaler Wiederbelebung: Eine Kohortenstudie
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Alter> 18 Jahre
- aufeinanderfolgende kardiopulmonale Wiederbelebung
- Mindestens 1 Stunde lang Eingeständnis auf die Intensivstation nach Rückkehr des spontanen Kreislaufs (ROSC)
Ausschlusskriterien:
- Alter <18 Jahre
- > 80% Fehlende Daten in Patientenakten
- Patienten ohne ROSC
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Alter> 18 Jahre Patienten nach erfolgreicher kardiopulmonaler Wiederbelebung bei der Wiederbelebung beobachtet
|
Daten von Patienten nach aufeinanderfolgender Rettung werden durch maschinelle Lernprogramme bewertet.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Python -Programm für maschinelles Lernen
Zeitfenster: 3 Monate
|
Die erstellte Datenbank wird mit einem Algorithmus für künstliche Intelligenz mit maschinellem Lernen mit der Python -Programmiersprache analysiert.
Nach der Verarbeitung fehlender und unvollständiger Daten durch künstliche Intelligenz wird die Datenbank in zwei Teile unterteilt: Modelltraining und Modellvalidierung.
Aussagekräftige Daten werden durch Modelltraining ausgewählt, und ein Vorhersagemodell wird basierend auf diesen Daten erstellt.
Um die Interpretierbarkeit des Vorhersagemodells zu erhöhen und den Benutzern zu verstehen, wie und warum bestimmte Vorhersagen getroffen werden, werden der Shapley Additive Erklärungen (SHAP) verwendet.
Im maschinellen Lernen wird die Shap-Technik verwendet, um die Entscheidungsprozesse komplexer maschineller Lernmodelle zu interpretieren.
|
3 Monate
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Studienbeginn
Primärer Abschluss (Geschätzt)
Primärer Abschluss
Studienabschluss (Geschätzt)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Geschätzt)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Geschätzt)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- Nkangarli002
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .