Risikovorhersagemodell zur Verschlechterung des Phänotyps bei Patienten mit chronisch obstruktiver Lungenerkrankung
27. Dezember 2023 aktualisiert von: Li An
Ein risikoprädiktives Modell für den Phänotyp der häufigen akuten Exazerbation bei Patienten mit schwerer chronisch obstruktiver Lungenerkrankung
Diese Studie soll anhand der Kohorte von Patienten mit schwerer chronisch obstruktiver Lungenerkrankung in unserem Krankenhaus durchgeführt werden.
Basierend auf der Darmmikrobiota wurde Random Forest verwendet, um nach potenziellen diagnostischen Biomarkern bei Patienten mit häufigen akuten Exazerbationen und Kontrollpersonen mit seltenen akuten Exazerbationen zu suchen. Erstellen Sie ein Modell zur Vorhersage des Risikos einer häufigen akuten Exazerbation unter Verwendung von Random Forest-, Support Vector Machine- und BP-Neuronalen Netzwerkmodellen.
Die Entwicklung dieser Studie wird wertvolle Referenzen für die klinische Klassifizierung und Prognosebewertung der chronisch obstruktiven Lungenerkrankung (COPD) liefern und den Gesundheitszustand von COPD-Patienten durch die weitere Suche nach behandelbaren Zielen verbessern.
Studienübersicht
Status
Rekrutierung
Bedingungen
Studientyp
Beobachtungs
Einschreibung (Geschätzt)
365
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Li An
- Telefonnummer: CHN+13681133265
- E-Mail: bjzy818@sina.com
Studienorte
-
-
Beijing
-
Beijing, Beijing, China, 100000
- Rekrutierung
- Beijing Chaoyang Hospital Affiliated to Capital Medical University
-
Kontakt:
- Li An, doctorate
- Telefonnummer: CHN+13681133265
- E-Mail: bjzy818@sina.com
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
N/A
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Ein Patient mit schwerer chronisch obstruktiver Lungenerkrankung, der seit Januar 2023 die Abteilung für Atemwegs- und Intensivmedizin des Beijing Chaoyang Hospital der Capital Medical University besuchte
Beschreibung
Einschlusskriterien:
- Patienten, die die diagnostischen Kriterien für COPD der globalen Initiative für chronisch obstruktive Lungenerkrankungen (GOLD 2022) und die GOLD-Einstufung Ⅲ – Ⅳ erfüllen (FEV1/FVC<70 %, FEV1 %-Vorhersagewert ≤ 50 % nach Bronchiektasie)
- Alter>40 Jahre alt
- COPD seit mehr als 4 Wochen stabil
- Kurzwirksame Bronchiektasen wurden innerhalb von 24 Stunden vor diesem Experiment nicht angewendet, langwirksame Bronchiektasen wurden nicht innerhalb von 48 Stunden angewendet und im vergangenen Monat wurden keine Glukokortikoide im gesamten Körper eingesetzt
- Vom Patienten informiertes und unterschriebenes Einverständnisformular
Ausschlusskriterien:
- Asthma, aktive Lungentuberkulose, interstitielle Pneumonie und schwere Bronchiektasen
- Kompliziert durch schwere Krankheiten (akute Infektion, Diabetes, Schlaganfall, Herzerkrankungen, Leber- und Nierenfunktionsstörungen, Krebs oder Autoimmunerkrankungen)
- Vorgeschichte von chronischem Durchfall oder Verstopfung
- Geschichte der Magen-Darm-Chirurgie
- Verwendung von Probiotika oder Antibiotika innerhalb der letzten 4 Wochen
- Keine Anwendung oraler Hormone oder traditioneller chinesischer Medizin in den letzten drei Monaten
- Schwangerschaft oder Stillzeit
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Häufige Verschlimmerung der COPD
|
|
Seltene Verschlimmerung der COPD
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bewerten Sie die Vorhersageleistung des Modells zur Vorhersage des COPD-Risikos für häufige Anfälle basierend auf der Fläche unter der ROC-Kurve.
Zeitfenster: Ein Jahr
|
Laut der Area Under Curve (AUC) von ROC weist das größte Modell die beste Vorhersageleistung auf.
Wenn AUC > 0,5 ist, ist die Vorhersageleistung des Modells umso besser, je näher sie bei 1 liegt.
Wenn AUC = 0,5, deutet dies auf eine schlechte Modellanpassung und keinen potenziellen Vorhersagewert hin.
|
Ein Jahr
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
1. Mai 2023
Primärer Abschluss (Geschätzt)
1. Dezember 2027
Studienabschluss (Geschätzt)
1. Dezember 2027
Studienanmeldedaten
Zuerst eingereicht
27. Dezember 2023
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
27. Dezember 2023
Zuerst gepostet (Tatsächlich)
10. Januar 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
10. Januar 2024
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
27. Dezember 2023
Zuletzt verifiziert
1. Dezember 2023
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- al123456
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
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 .