Neuronale-Netzwerk-basierte Vorhersage bei kritischen COVID-19-Patienten
Neuronale Netzwerk-basierte Vorhersage bei kritischen COVID-19-Patienten
Im Kontext einer aufkommenden Pandemie ohne etabliertes prognostisches Bewertungssystem können Deep-Learning-Ansätze verwendet werden, um schnell empirische prognostische Modelle zu entwickeln.
Diese Studie zielte darauf ab, ein künstliches neuronales Netzwerk (KNN)-Modell zur Vorhersage der Dauer der mechanischen Beatmung und der Sterblichkeit bei COVID-19-Patienten auf der Intensivstation vorzustellen.
Methoden: Daten wurden aus den Krankenakten von 113 COVID-19-Patienten erhoben, die zwischen Februar 2020 und Juni 2020 auf der Intensivstation nachbeobachtet wurden. Ein KNN-Ansatz wurde verwendet, um die Dauer der mechanischen Beatmung und die Sterblichkeit bei COVID-19-Patienten durch die Auswertung klinischer Patientendaten (demografische, Labor- und Komorbiditäten) vorherzusagen.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Die Coronavirus-Krankheit 2019 (COVID-19) hat zu einer beispiellosen Belastung der Intensivstationen (ITS) geführt, insbesondere aufgrund hoher Raten von Atemversagen, das eine invasive mechanische Beatmung erfordert. Die frühzeitige Identifizierung von Patienten mit Risiko für eine verlängerte mechanische Beatmung und Mortalität ist entscheidend für die Optimierung der Ressourcenallokation und der klinischen Entscheidungsfindung.
Diese retrospektive Kohortenstudie zielte darauf ab, ein künstliches neuronales Netzwerk (KNN)-Modell zur Vorhersage der Dauer der mechanischen Beatmung und der Krankenhaussterblichkeit bei COVID-19-Patienten, die auf der ITS aufgenommen wurden, zu entwickeln und zu bewerten.
Nach Genehmigung durch das klinische Forschungsethikkomitee der Universität Gaziantep (Beschluss Nr.: 2024/07, Datum: 17.01.2024), wurden Daten von 113 erwachsenen Patienten, die zwischen dem 1. Februar 2020 und dem 30. Juni 2020 auf der ITS aufgenommen wurden, retrospektiv analysiert. Demografische Merkmale, Komorbiditäten, Vitalzeichen, Laborparameter, Schweregradscores (z. B. APACHE, SOFA), Behandlungsmodalitäten und klinische Ergebnisse wurden aus den Patientenakten extrahiert.
Künstliche neuronale Netzwerkmodelle wurden unter Verwendung einer kommerziell erhältlichen Software (Alyuda NeuroIntelligence, Alyuda Research Inc., Los Altos, CA, USA) entwickelt. Mehrere Trainingsalgorithmen, einschließlich Quick Propagation, Conjugate Gradient Descent, Limited Memory Quasi-Newton, Online Backpropagation und Batch Backpropagation, wurden getestet. Die Modellleistung wurde anhand einer 10-fachen Kreuzvalidierung bewertet. Die Vorhersagegenauigkeit für die Mortalität und die Korrelationsleistung für die Dauer der mechanischen Beatmung wurden berechnet. Klassische statistische Methoden, einschließlich multiple lineare Regression und binäre logistische Regression, wurden ebenfalls zum Vergleich durchgeführt.
Das primäre Ziel war die Bewertung der Vorhersageleistung von KNN-Modellen für die ITS-Mortalität. Ein sekundäres Ziel war die Bewertung der KNN-Leistung bei der Schätzung der Dauer der mechanischen Beatmung. Diese Studie wurde gemäß der Deklaration von Helsinki durchgeführt.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
-
Gaziantep, Türkei (türkiye), 27310
- Gaziantep University Hospital
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
Alter ≥ 18 Jahre
Bestätigte Diagnose von COVID-19
Aufnahme auf die Intensivstation (ICU) zwischen dem 1. Februar 2020 und dem 30. Juni 2020
Verfügbarkeit vollständiger klinischer, laborchemischer und Outcome-Daten in den Krankenakten
Ausschlusskriterien:
Alter < 18 Jahre
Unvollständige oder fehlende klinische Daten
Verlegung in eine andere Einrichtung vor der Outcome-Bewertung
Wiederaufnahme auf die ICU während desselben Krankenhausaufenthalts (nur die erste Aufnahme eingeschlossen)
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Gesamt-ICU-Mortalität
Zeitfenster: Von der Aufnahme auf die Intensivstation bis zur Entlassung aus dem Krankenhaus oder Tod (bis zu 90 Tage)
|
Vorhersage der Krankenhaussterblichkeit (ex-status) bei COVID-19-Patienten auf der Intensivstation mithilfe künstlicher neuronaler Netzwerke auf Basis demografischer, klinischer und laborchemischer Variablen.
|
Von der Aufnahme auf die Intensivstation bis zur Entlassung aus dem Krankenhaus oder Tod (bis zu 90 Tage)
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Elzem Sen, Assoc Prof, University of Gaziantep
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
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 2024/07
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
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 .