Predicción Basada en Redes Neuronales en Pacientes Críticos con COVID-19
Predicción Basada en Redes Neuronales en Pacientes Críticos de COVID-19
En el contexto de una pandemia emergente sin un sistema de puntuación pronóstica establecido, los enfoques de aprendizaje profundo pueden utilizarse para desarrollar rápidamente modelos pronósticos empíricos.
Este estudio tuvo como objetivo presentar un modelo de red neuronal artificial (RNA) para predecir la duración de la ventilación mecánica y la mortalidad en pacientes con COVID-19 en la unidad de cuidados intensivos.
Métodos: Se recopilaron datos de los registros médicos de 113 pacientes con COVID-19 que fueron seguidos en la unidad de cuidados intensivos entre febrero de 2020 y junio de 2020. Se utilizó un enfoque de RNA para predecir la duración de la ventilación mecánica y la mortalidad en pacientes con COVID-19 evaluando los datos clínicos de los pacientes (demográficos, de laboratorio y comorbilidades).
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
La enfermedad por coronavirus de 2019 (COVID-19) ha provocado una carga sin precedentes en las unidades de cuidados intensivos (UCI), especialmente debido a las altas tasas de insuficiencia respiratoria que requieren ventilación mecánica invasiva. La identificación temprana de pacientes con riesgo de ventilación mecánica prolongada y mortalidad es crucial para optimizar la asignación de recursos y la toma de decisiones clínicas.
Este estudio de cohorte retrospectivo tuvo como objetivo desarrollar y evaluar un modelo de red neuronal artificial (RNA) para predecir la duración de la ventilación mecánica y la mortalidad intrahospitalaria entre los pacientes con COVID-19 ingresados en la UCI.
Tras la aprobación del Comité de Ética de Investigación Clínica de la Universidad de Gaziantep (Decisión Nº: 2024/07, Fecha: 17.01.2024), se analizaron retrospectivamente los datos de 113 pacientes adultos ingresados en la UCI entre el 1 de febrero de 2020 y el 30 de junio de 2020. De los registros médicos se extrajeron características demográficas, comorbilidades, signos vitales, parámetros de laboratorio, puntuaciones de gravedad (por ejemplo, APACHE, SOFA), modalidades de tratamiento y resultados clínicos.
Los modelos de red neuronal artificial se desarrollaron utilizando un software disponible comercialmente (Alyuda NeuroIntelligence, Alyuda Research Inc., Los Altos, CA, EE. UU.). Se probaron múltiples algoritmos de entrenamiento, incluidos Propagación Rápida, Descenso de Gradiente Conjugado, Cuasi-Newton de Memoria Limitada, Retropropagación en Línea y Retropropagación por Lotes. El rendimiento del modelo se evaluó mediante validación cruzada de 10 pliegues. Se calculó la precisión predictiva para la mortalidad y el rendimiento de correlación para la duración de la ventilación mecánica. También se realizaron métodos estadísticos clásicos, como la regresión lineal múltiple y la regresión logística binaria, para comparación.
El objetivo principal fue evaluar el rendimiento predictivo de los modelos de RNA para la mortalidad en la UCI. Un objetivo secundario fue evaluar el rendimiento de la RNA en la estimación de la duración de la ventilación mecánica. Este estudio se realizó de acuerdo con la Declaración de Helsinki.
Tipo de estudio
Inscripción (Actual)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
-
Gaziantep, Turquía (Türkiye), 27310
- Gaziantep University Hospital
-
-
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:
Edad ≥ 18 años
Diagnóstico confirmado de COVID-19
Ingreso en la unidad de cuidados intensivos (UCI) entre el 1 de febrero de 2020 y el 30 de junio de 2020
Disponibilidad de datos clínicos, de laboratorio y de resultados completos en los registros médicos
Criterios de exclusión:
Edad < 18 años
Datos clínicos incompletos o faltantes
Traslado a otra institución antes de la evaluación de resultados
Reingreso en la UCI durante la misma hospitalización (solo se incluye el primer ingreso)
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Mortalidad en UCI por todas las causas
Periodo de tiempo: Desde el ingreso en la UCI hasta el alta hospitalaria o el fallecimiento (hasta 90 días)
|
Predicción de la mortalidad intrahospitalaria (ex-status) entre pacientes con COVID-19 ingresados en la unidad de cuidados intensivos mediante modelado de redes neuronales artificiales basado en variables demográficas, clínicas y de laboratorio.
|
Desde el ingreso en la UCI hasta el alta hospitalaria o el fallecimiento (hasta 90 días)
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Elzem Sen, Assoc Prof, University of Gaziantep
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
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 2024/07
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. .