Entwicklung eines Bewertungs- und Vorhersagemodells für den Entwöhnungserfolg bei ARDS-Patienten unter Verwendung von Beatmungsparametern in Kombination mit künstlicher Intelligenz und Deep-Learning-Techniken
Studienübersicht
Status
Detaillierte Beschreibung
Das Ziel dieser Studie ist die Entwicklung eines durch künstliche Intelligenz und Deep Learning unterstützten Bewertungssystems unter Verwendung von Beatmungsparametern, die während des mechanischen Beatmungsprozesses bei Patienten mit diagnostiziertem ARDS ermittelt wurden. Ziel dieses Systems ist es, den Entwöhnungsprozess vorherzusagen und zu optimieren und so eine erfolgreiche Befreiung von der mechanischen Beatmung zu ermöglichen.
In diesem Zusammenhang wird unsere Studie Daten von 25.000 Patienten analysieren, die aus dem Metavision-System stammen. Aus diesem Datenpool werden ARDS-Patienten gefiltert und in zwei Gruppen eingeteilt: diejenigen, die erfolgreich von der mechanischen Beatmung entwöhnt wurden (entwöhnt) und diejenigen, die nicht entwöhnt wurden (nicht entwöhnt). Die Beatmungsparameter beider Gruppen, einschließlich Oxygenierungsindizes, Antriebsdruck und mechanische Gesamtleistung, werden im Detail untersucht.
Die gesammelten Daten werden mithilfe künstlicher Intelligenz und Deep-Learning-Algorithmen analysiert, um ein Bewertungssystem zu entwickeln, das in der Lage ist, die Entwöhnungsprozesse der Patienten vorherzusagen. Dieses System soll Ärzten bei der Patientenverwaltung helfen und den Erfolg von Entwöhnungsverfahren steigern.
Die Ergebnisse dieser Studie sollen zu einem effizienteren und sichereren Management des Entwöhnungsprozesses für ARDS-Patienten beitragen. Darüber hinaus wird erwartet, dass die Implementierung KI-gestützter Bewertungssysteme auf Intensivstationen eine breite Akzeptanz fördern und die Qualität der Patientenversorgung verbessern wird.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
-
Istanbul, Truthahn
- Bakirkoy Dr Sadi Konuk Research and Training Hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- ARDS-Diagnose
- Ab 18 Jahren
- Intubiert und anschließend mechanisch beatmet
- Aufnahme auf der Intensivstation
- Vollständige Daten zum klinischen Unterstützungs- und Entscheidungssystem
Ausschlusskriterien:
- Fehlende Daten
- Unter 18 Jahren
- Gefolgt von Nicht-ARDS-Erkrankungen
- Terminalstatus
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
|---|
|
Entwöhnt
Diese konnten erfolgreich von der mechanischen Beatmung entwöhnt werden
|
|
Nicht entwöhnt
Diejenigen, die nicht von der mechanischen Beatmung entwöhnt wurden
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Erfolgreiche Entwöhnung
Zeitfenster: 48 Stunden
|
Das primäre Ergebnis dieser Studie wird die erfolgreiche Entwöhnung von der mechanischen Beatmung sein.
|
48 Stunden
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Mechanische Beatmungsparameter
Zeitfenster: 48 Stunden
|
Bestimmung des Einflusses mechanischer Kraft auf die Patientenergebnisse.
|
48 Stunden
|
Mitarbeiter und Ermittler
Ermittler
- Studienstuhl: Zafer Cukurova, M.D, Bakırköy Dr. Sadi Konuk Training and Research Hospital
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2024-12-07
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
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .
Klinische Studien zur Tiefes Lernen
-
RenJi HospitalNoch keine RekrutierungDeep Learning, lumbale Magnetresonanztomographie
-
Hai LvAktiv, nicht rekrutierendFacettengelenke; Entartung; Deep Learning; Künstliche IntelligenzChina
-
Cairo UniversityNoch keine RekrutierungEndodontie | KI (Künstliche Intelligenz) | Deep-Learning-Modell | Zähnung | Verpasste Kanäle | Endodontische Nachbehandlung | Non-surgical Retreatment | DIFFICULTY ASSESSMENT | SEPARATED INSTRUMENT | Poor Obturation | Obturation Quality
-
Seoul National University Bundang HospitalNoch keine RekrutierungVariation des Schlagvolumens | Pulsdruckvariation | Deep-Learning-Modell | Arterielle Wellenreflexionen | Periphere VeneKorea, Republik von
-
University of ZurichRekrutierungVorhersage des Schlaganfallergebnisses unterstützt durch Deep-Learning-AlgorithmusSchweiz
-
Wuhan Union Hospital, ChinaNoch keine RekrutierungNicht-kleinzelligem Lungenkrebs | Pathologische vollständige Reaktion | Neoadjuvante Chemoimmuntherapie | Deep-Learning-Modell
-
Shanghai Changzheng HospitalAbgeschlossenFacettengelenke; Entartung; Deep Learning; Künstliche Intelligenz | Facettengelenkschmerzen; Schmerzen im unteren Rücken | FacettengelenkserkrankungChina
-
Sun Yat-sen UniversityRekrutierungDeep-Learning-ModellChina
-
European Hepatocellular Cancer Liver Transplant...AbgeschlossenLebertransplantation | Hepatozelluläres Karzinom (HCC) | Deep-Learning-Modell
-
Centre Hospitalier Universitaire, AmiensUnbekanntNierenkolik | Urolithiasis | Steine der Harnwege | Deep-Learning-RekonstruktionFrankreich