Modelo de aprendizaje automático para predecir el resultado y la duración de la ventilación mecánica en la insuficiencia respiratoria hipoxémica aguda (MEMORIAL)
Desarrollo de un modelo óptimo de aprendizaje automático para predecir el resultado de la UCI y la duración de la ventilación mecánica en pacientes con insuficiencia respiratoria hipoxémica aguda
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
La insuficiencia respiratoria hipoxémica aguda (IRA) es la causa más común de ingreso en las unidades de cuidados intensivos (UCI) en todo el mundo. Evaluaremos el valor de las técnicas de aprendizaje automático (ML) para la predicción temprana de muerte en la UCI y duración prolongada (>7 días) de la ventilación mecánica (VM) en pacientes con AHRF en VM. Pocos estudios han investigado la predicción de la mortalidad y la duración de la VM en pacientes con IRA.
Para el desarrollo del modelo, los investigadores extraerán datos de los primeros 3 días después del diagnóstico de AHRF de pacientes incluidos en la base de datos no identificada de la cohorte PANDORA. Disponíamos de una base de datos con 2.000.000 de datos demográficos y clínicos, anonimizados y disociados, de 1.241 pacientes con IRA inscritos en nuestra cohorte PANDORA (Prevalencia y resultado de la insuficiencia respiratoria aguda) de 22 hospitales españoles y coordinados por el investigador principal (JV). Los investigadores seguirán las pautas de informes transparentes de un modelo de predicción multivariable para pronóstico o diagnóstico individual (TRIPOD) para la predicción del modelo. Examinaremos las variables recopiladas empleando un método de selección de variables de algoritmo genético para lograr parsimonia. Evaluamos el número mínimo de modelos de variables utilizando regresión logística y 4 algoritmos de ML supervisados: Random Forest, Extreme Gradient Boosting, Support Vector Machine y Multilayer Perceptron. Utilizaremos una validación cruzada quíntuple en el conjunto de datos de 1000 pacientes seleccionados al azar en datos de entrenamiento (80%) y datos de prueba (20%). Para la validación externa, utilizaremos los 241 pacientes restantes.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
-
Ciudad Real, España, 13005
- Hospital General Universitario de Ciudad Real
-
Cuenca, España, 16002
- Hospital Virgen de La Luz
-
Madrid, España, 28046
- Hospital Universitario La Paz
-
Madrid, España, 28222
- Hospital Universitario Puerta De Hierro
-
Murcia, España, 3012
- Hospital Universitario Virgen de Arrixaca
-
Santa Cruz de Tenerife, España, 38010
- Hospital Universitario NS de Candelaria
-
Valencia, España, 46010
- Hospital Cinico de Valencia
-
Valladolid, España, 47012
- Hospital Universitario Río Hortega
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- intubación endotraqueal más ventilación mecánica (VM)
- Relación PaO2/FiO2 ≤300 mmHg bajo VM con presión positiva al final de la espiración (PEEP) ≥5 cmH2O y FiO2 ≥0,3.
Criterio de exclusión:
- Pacientes postoperatorios ventilados <24 h
- Pacientes con muerte cerebral.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Cohorte de validación
Contendrá 200 pacientes seleccionados aleatoriamente (20% de 1000 pacientes con AHRF
|
Utilizaremos enfoques sólidos de aprendizaje automático, como Random Forest, Extreme Gradient Boosting, Support Vector Machine y Multilayer Perceptron.
Otros nombres:
|
|
Cohorte confirmatoria
Contendrá los 241 pacientes restantes seleccionados aleatoriamente (por validación externa)
|
Utilizaremos enfoques sólidos de aprendizaje automático, como Random Forest, Extreme Gradient Boosting, Support Vector Machine y Multilayer Perceptron.
Otros nombres:
|
|
Cohorte de derivación
Contendrá 800 pacientes seleccionados al azar (1,000 pacientes con AHRF)
|
Utilizaremos enfoques sólidos de aprendizaje automático, como Random Forest, Extreme Gradient Boosting, Support Vector Machine y Multilayer Perceptron.
Otros nombres:
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Mortalidad en UCI
Periodo de tiempo: hasta 100 semanas (desde la inclusión hasta la muerte o el alta de la unidad de cuidados intensivos)
|
muerte en la unidad de cuidados intensivos
|
hasta 100 semanas (desde la inclusión hasta la muerte o el alta de la unidad de cuidados intensivos)
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Duración de la VM
Periodo de tiempo: hasta 100 semanas (desde la inclusión hasta la extubación)
|
duración de la ventilación mecánica
|
hasta 100 semanas (desde la inclusión hasta la extubación)
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Jesus Villar, MD, PhD, Fundación Canaria Instituto de Investigación Sanitaria de Canarias
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
- Enfermedades de las vías respiratorias
- Trastornos de la respiración
- Insuficiencia respiratoria
- Calidad, acceso y evaluación de la atención médica
- Técnicas de investigación
- Métodos epidemiológicos
- Mecanismos de evaluación de atención médica
- Calidad de la atención médica
- Salud pública
- Medio ambiente y salud pública
- Estadísticas como tema
- Modelos, teóricos
- Riesgo
- Probabilidad
- Models, Statistical
- Regression Analysis
- Logistic Models
Otros números de identificación del estudio
- PI24/00325
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .