Data Mining der Bevölkerungsgesundheit - Subgesundheit - Krankheit basierend auf der dynamischen Systemtheorie
Data Mining der Bevölkerungsgesundheit von Subgesundheit bis Krankheit basierend auf der dynamischen Systemtheorie
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Kontakte und Standorte
Studienorte
-
-
Beijing Municipality
-
Beijing, Beijing Municipality, China, 100050
- Beijing Friendship hospital, Capital Medical University
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Teilnehmer müssen zwischen Juni 2007 und August 2025 mindestens zwei aufeinanderfolgende körperliche Untersuchungen im Physical Examination Center des Beijing Friendship Hospital der Capital Medical University absolviert haben, wobei zwischen aufeinanderfolgenden Aufzeichnungen ein Mindestabstand von 6 Monaten eingehalten werden muss.
- Die Datensätze sollten relativ vollständig sein, wobei die Fehlrate für wichtige Forschungsvariablen (z. B. zentrale biochemische Indikatoren, demografische Informationen und wesentliche Fragebogenpunkte) ≤30 % betragen muss.
- Teilnehmer dürfen vor ihrer ersten Studieneinschließung keine Vorgeschichte schwerer organischer Erkrankungen haben (wie in Krankenakten dokumentiert, hauptsächlich einschließlich: bösartiger Tumore (nicht heilbar/Endstadium), schwere Herzinsuffizienz (NYHA Klasse III-IV), Nierenerkrankung im Endstadium (CKD Stadium 5), dekompensierte Leberzirrhose oder erhebliche Funktionsbeeinträchtigung durch Folgen schwerer zerebrovaskulärer Erkrankungen).
Ausschlusskriterien:
- Personen mit schwerwiegendem Mangel an Basisdaten (wie eindeutige Identifikation, wichtige demografische Informationen und Kernindikatoren der Untersuchung) oder die nicht effektiv anonymisiert werden können.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Gesundheitsdatenwissenschaftsdatenbank des Peking Friendship Hospitals
|
Dies ist eine Beobachtungsstudie.
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Diskriminative Genauigkeit für die nächste Diagnose
Zeitfenster: Bewerten Sie anhand eines internen Validierungsdatensatzes. Dieser Datensatz enthält individuelle historische Daten bis zum 1. Januar 2018, auf deren Grundlage das Modell das nächste diagnostische Ereignis vorhersagt, das unmittelbar eintreten wird. Berechnen Sie die AUC für Krankheiten mit über 1000 ICD-10
|
Alters- und Geschlechts-stratifizierte Fläche unter der Receiver-Operating-Characteristic-Kurve, AUC
|
Bewerten Sie anhand eines internen Validierungsdatensatzes. Dieser Datensatz enthält individuelle historische Daten bis zum 1. Januar 2018, auf deren Grundlage das Modell das nächste diagnostische Ereignis vorhersagt, das unmittelbar eintreten wird. Berechnen Sie die AUC für Krankheiten mit über 1000 ICD-10
|
|
Langfristige Vorhersagegenauigkeit
Zeitfenster: Bewerten Sie die AUC-Werte des Krankheitsauftretens im 1., 2., 3., 5. und 10. Jahr nach der Vorhersage im internen Validierungsdatensatz.
|
AUC stratifiziert nach Alter und Geschlecht, die das Risiko des Auftretens einer Krankheit innerhalb spezifischer Zeitintervalle (1 Jahr, 2 Jahre,..., 10 Jahre) nach der Vorhersage bewertet.
Dieser Indikator misst den zeitlichen Abfall der Vorhersagefähigkeit eines Modells.
|
Bewerten Sie die AUC-Werte des Krankheitsauftretens im 1., 2., 3., 5. und 10. Jahr nach der Vorhersage im internen Validierungsdatensatz.
|
|
Prädiktive Genauigkeit auf Trajektorienebene
Zeitfenster: Bewerten Sie im Validierungssatz die Genauigkeit der Vorhersagen von Krankheitsereignissen für jedes Jahr vom Simulationsstartpunkt (60 Jahre alt) bis zu den folgenden 1 bis 20 Jahren.
|
Der Anteil der korrekt vorhergesagten Krankheitsereignisse.
In jedem simulierten Zukunftsjahr werden die generierten Krankheitsereignisse mit den tatsächlichen Krankheitsereignissen in Personen abgeglichen und die Erfolgsrate (%) des Abgleichs berechnet.
|
Bewerten Sie im Validierungssatz die Genauigkeit der Vorhersagen von Krankheitsereignissen für jedes Jahr vom Simulationsstartpunkt (60 Jahre alt) bis zu den folgenden 1 bis 20 Jahren.
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
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 (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
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
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- 202511
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
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 .