Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Einsatz von maschinellem Lernen zur Optimierung der dänischen Ertrinkungsformel (DROWN_DDF2)

20. August 2025 aktualisiert von: Niklas Breindahl, Prehospital Center, Region Zealand

Durch maschinelles Lernen unterstützte Ertrinkungserkennung für die dänischen präklinischen Ertrinkungsdaten: Verwendung von maschinellem Lernen zur Optimierung der dänischen Ertrinkungsformel

Die Danish Drowning Formula (DDF) wurde entwickelt, um die unstrukturierten Textfelder in der dänischen landesweiten präklinischen elektronischen Krankenakte nach uneingeschränkten Begriffen und umfassenden Suchkriterien zu durchsuchen, um alle potenziellen wasserbezogenen Vorfälle zu identifizieren und eine hohe Sensitivität zu erreichen. Dies war wichtig, da Ertrinken selten vorkommt, führte jedoch zu einem niedrigen positiven Vorhersagewert für die spezifische Erkennung von Ertrinkungsvorfällen. Ziel dieser Studie ist es, den positiven Vorhersagewert des DDF zu steigern und den mit der manuellen Validierung verbundenen zeitlichen Aufwand zu reduzieren.

Studienübersicht

Status

Aktiv, nicht rekrutierend

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Der DDF wurde im Jahr 2023 veröffentlicht. Dabei handelt es sich um einen Textsuchalgorithmus, der die unstrukturierten Textfelder in Datenbanken mit elektronischen Krankenakten durchsucht, um alle potenziellen Vorfälle im Zusammenhang mit Wasser zu identifizieren. Das DDF besteht aus zahlreichen Auslösewörtern im Zusammenhang mit Verletzungen durch Untertauchen (z. B. „drukn“/ertrinken, „vand“/Wasser, „hav“/Ozean und „båd“/Boot).

Eine laufende Studie zeigte beeindruckende Leistungskennzahlen des DDF als Instrument zur Identifizierung von Ertrinkenden, wenn es auf das dänische PEMR zu uneingeschränkten Bedingungen angewendet wird. Allerdings war der PPV speziell für die Erkennung von Ertrinkungsvorfällen niedrig. Ziel dieser Studie ist es, den positiven Vorhersagewert des DDF zu steigern und den mit der manuellen Validierung verbundenen zeitlichen Aufwand zu reduzieren.

Die Daten werden mithilfe des DDF aus der landesweiten präklinischen elektronischen Patientenakte Dänemarks extrahiert und manuell validiert, bevor sie in die dänischen präklinischen Ertrinkungsdaten (DPDD) eingegeben werden.

Die Daten des DPDD von 2016–2021 werden in 80 % (Trainingsdaten) und 20 % (Testdaten) aufgeteilt und zum Trainieren des maschinellen Lernens verwendet.

Daten aus dem DPDD von 2022–2023 werden als Validierungsdaten verwendet, um die Leistungsmetriken für das maschinelle Lernen zu berechnen.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

1500

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

  • Dänemark
    • Region Sjælland
      • Næstved, Region Sjælland, Dänemark, 4700
        • Prehospital Center

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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Alle tödlichen und nicht tödlichen Ertrinkungspatienten in Dänemark, die zwischen 2016 und 2023 vom Rettungsdienst (EMS) behandelt wurden.

Beschreibung

Einschlusskriterien:

  • Bei dem Patienten muss es durch das Untertauchen oder Untertauchen in Flüssigkeit zu einer Beeinträchtigung der Atemwege gekommen sein (einschließlich anhaltendem Husten, Atemstillstand und Bewusstlosigkeit).
  • Der Patient muss Kontakt zum dänischen Rettungsdienst vor dem Krankenhaus gehabt haben.

Ausschlusskriterien:

  • Duplikate
  • Ungültige Zivilregistrierungsnummer

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
Intervention / Behandlung
Tödliches Ertrinken
Ertrinkungsvorfälle, bei denen der Patient innerhalb von 30 Tagen nach dem Vorfall an den Folgen der Untertauchverletzung starb
Sonstiges: Vorfall durch Ertrinken
Ertrinken wurde von der WHO im Jahr 2002 definiert als „der Prozess, bei dem es zu einer Beeinträchtigung der Atmung durch das Untertauchen oder Eintauchen in eine Flüssigkeit kommt“.
Nicht tödliches Ertrinken
Ertrinkungsvorfälle, bei denen der Patient bis zu 30 Tage überlebte
Sonstiges: Vorfall durch Ertrinken
Ertrinken wurde von der WHO im Jahr 2002 definiert als „der Prozess, bei dem es zu einer Beeinträchtigung der Atmung durch das Untertauchen oder Eintauchen in eine Flüssigkeit kommt“.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Empfindlichkeit des maschinellen Lernalgorithmus als Instrument zur Identifizierung von Ertrinkenden
Zeitfenster: Die Sensitivität des trainierten maschinellen Lernens wird auf Basis der Daten aus den Jahren 2022 und 2023 berechnet.
Die Empfindlichkeit [TP / (TP+FN)] wird berechnet, um die Leistung des maschinellen Lernens als Werkzeug zur Identifizierung von Ertrinkenden zu zeigen.
Die Sensitivität des trainierten maschinellen Lernens wird auf Basis der Daten aus den Jahren 2022 und 2023 berechnet.
Spezifität des maschinellen Lernalgorithmus als Werkzeug zur Identifizierung von Ertrinkenden
Zeitfenster: Die Spezifität des trainierten maschinellen Lernens wird auf Basis der Daten aus den Jahren 2022 und 2023 berechnet.
Die Spezifität [TN / (FP+TN)] wird berechnet, um die Leistung des maschinellen Lernens als Instrument zur Identifizierung von Ertrinkenden zu zeigen.
Die Spezifität des trainierten maschinellen Lernens wird auf Basis der Daten aus den Jahren 2022 und 2023 berechnet.
PPV des maschinellen Lernalgorithmus
Zeitfenster: Der PPV des trainierten maschinellen Lernens wird auf Basis der Daten aus den Jahren 2022 und 2023 berechnet.
PPV [TP / (TP+FP)] wird berechnet, um das Testergebnis des maschinellen Lernens anzuzeigen.
Der PPV des trainierten maschinellen Lernens wird auf Basis der Daten aus den Jahren 2022 und 2023 berechnet.
NPV des maschinellen Lernalgorithmus
Zeitfenster: Der Kapitalwert des trainierten maschinellen Lernens wird auf Basis der Daten aus den Jahren 2022 und 2023 berechnet.
Der NPV [TN / (FN+TN)] wird berechnet, um das Testergebnis des maschinellen Lernens anzuzeigen.
Der Kapitalwert des trainierten maschinellen Lernens wird auf Basis der Daten aus den Jahren 2022 und 2023 berechnet.

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Prehospital Center, Region Zealand

Ermittler

  • Studienleiter: Helle Collatz Christensen, Ass. Prof., Prehospital Center, Region Zealand

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

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. Januar 2024

Primärer Abschluss (Geschätzt)

31. Dezember 2025

Studienabschluss (Geschätzt)

31. Dezember 2025

Studienanmeldedaten

Zuerst eingereicht

7. März 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

13. März 2024

Zuerst gepostet (Tatsächlich)

15. März 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Geschätzt)

27. August 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

20. August 2025

Zuletzt verifiziert

1. August 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • DROWN_DDF2

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Beschreibung des IPD-Plans

Die Daten sollen von Forschern auf nationaler und internationaler Ebene genutzt werden, um die Inzidenz, Mortalität und Morbidität des Ertrinkens zu reduzieren. Die Daten sind auf begründete Anfrage von Forschern nach Antragstellung beim entsprechenden Autor verfügbar, sofern die erforderlichen Genehmigungen von den zuständigen Behörden eingeholt werden.

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Produkt, das in den USA hergestellt und aus den USA exportiert wird

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 .

Abonnieren