Vapaan tekstin ennustusalgoritmi umpilisäkkeen tulehdukselle
Tulevaisuuden tutkimus umpilisäkkeen vapaan tekstin diagnoosin ennustusalgoritmista päivystysosastolla
Tutkimuksen yleiskatsaus
Tila
Tila
Ehdot
Ehdot
Interventio / Hoito
Interventio / Hoito
Yksityiskohtainen kuvaus
Sellaisten koneoppimismallien kehittäminen, joilla on vahva ennustevoima umpilisäkkeen tulehduksen diagnosoinnissa lääkärin syöttämän vapaan tekstin avulla, voi parantaa lääkäreiden diagnostista tarkkuutta. Se tarjoaa myös mahdollisuuden käyttää ennustusalgoritmeja parantamaan rutiinihoitoa. Tulevaisuudessa useita koneoppimismalleja voidaan yhdistää ennustetarkkuuden lisäämiseksi ja ennustealgoritmeja voidaan laajentaa muihin diagnooseihin.
18 000 ensiapuosaston esittelytapausta 10 vuoden aikana käytettiin koulutus- ja validointitietoaineistona. Umpilisäkkeen tulehduksen ennustemallin kehittämiseen käytettiin syväoppivia hermoverkkoja, joissa oli räätälöity lääketieteellinen ontologia. Mallin diagnostinen tarkkuus ilmaistaan herkkyydellä (recall), spesifisyydellä ja F1-pisteellä (harmoninen keskiarvo). Kehitetty diagnoosin ennustava malli osoittaa korkeaa herkkyyttä (86,3 %), spesifisyyttä (91,9 %) ja F1-pistemäärää (88,8) vatsakipuja kärsivien potilaiden umpilisäkkeen tulehduksen diagnosoinnissa.
Ennustava mallialgoritmi korostaa myös vapaassa tekstissä (hoitavan lääkärin syöttämät) sanat, joille se antaa suuremman todennäköisyyden tuloksen ennustamiselle. Lääkäreitä neuvotaan antamaan umpilisäkkeen tulehduksen prosenttiosuus kliinisen esityksen ja käytettävissä olevien laboratoriotutkimusten perusteella. Sitten lääkärille näytetään algoritmin ennuste sekä korostetut sanat syötetylle potilaalle. Hänen on sitten annettava toinen ennuste umpilisäkkeen tulehduksen todennäköisyydestä nähtyään algoritmin luoman ennusteen.
Tavoitteena on arvioida algoritmin suorituskykyä ja arvioida, voiko algoritmin käyttö auttaa päivystyslääkäreitä parantamaan umpilisäkkeentulehduksen diagnoosiaan. Ennustetulokset taulukoidaan algoritmin tarkkuuden arvioimiseksi, lääkärit ennen algoritmin syöttämistä ja lääkärit algoritmin syöttämisen jälkeen. Tarkkuus ilmaistaan herkkyydellä, spesifisyydellä, tarkkuudella, positiivisella ennustearvolla, F1-pisteellä ja F0,5-pisteellä.
Noin 100 ensiapulääkäriä rekrytoidaan vuoden aikana tutkimukseen osallistujiksi. Lääkärit jaetaan satunnaisesti kahteen ryhmään - algoritmihaaraan ja ei-algoritmia käsittävään ryhmään. Satunnaistaminen tapahtuu ajan mukaan (viikoittain) käyttämällä muuttuvan lohkon satunnaistamista 4 ja 6. Potilaita seurataan lopullisia kotiutusdiagnooseja varten.
Opintotyyppi
Opintotyyppi
Ilmoittautuminen (Todellinen)
Ilmoittautuminen
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Singapore, Singapore, 119074
- National University Hospital
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Hoitavia lääkäreitä rekrytoidaan tutkimukseen osallistujiksi ja satunnaistetaan viikoittain "algoritmin käyttöön" verrattuna "ei algoritmin käyttöä".
Potilaiden, jotka täyttivät yllä olevat kelpoisuusehdot, tiedot kerätään ja syötetään ennakoivaan algoritmiin.
Kuvaus
Lääkäreiden kelpoisuusehdot - Sisällytämiskriteerit: Päivystyspoliklinikalla työskentelevät nuoret lääkärit Poissulkemiskriteerit: suostumuksen epääminen
Potilaiden kelpoisuuskriteerit -
Sisällyttämiskriteerit:
- Vatsakipujen esiintyminen, TAI
- Ruoansulatuskanavan oireet, kuten pahoinvointi, oksentelu tai ripuli, TAI
- Kuume ja anoreksia
Poissulkemiskriteerit:
- Aiempi umpilisäkkeen poistohistoria
- Suostumuksen epääminen
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Ryhmien/kohorttien lukumäärä
Kohortit ja interventiot
Ryhmä/KohorttiRyhmä/Kohortti |
Interventio / HoitoInterventio / Hoito |
|---|---|
|
Algoritmin käytöllä
|
Vapaan tekstin ennustusohjelmisto, joka ennustaa akuutin umpilisäkkeen tulehduksen todennäköisyyden
|
|
Ei algoritmin käyttöä
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Akuutin umpilisäkkeen ennustusalgoritmin tarkkuus
Aikaikkuna: 30 päivää
|
Ennustavan algoritmin tarkkuus ja algoritmin syöttämien lääkäreiden tarkkuus akuutin umpilisäkkeen tulehduksen diagnosoinnissa
|
30 päivää
|
Yhteistyökumppanit ja tutkijat
Sponsori
Sponsori
Tutkijat
Tutkijat
- Päätutkija: Kee Yuan Ngiam, Dr, National University Hospital, Singapore
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (TODELLINEN)
Opiskelun aloitus
Ensisijainen valmistuminen (TODELLINEN)
Ensisijainen valmistuminen
Opintojen valmistuminen (TODELLINEN)
Opintojen valmistuminen
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (TODELLINEN)
Ensimmäinen Lähetetty
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (TODELLINEN)
Viimeisin päivitys julkaistu
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
Muut tutkimustunnusnumerot
- N-171-000-456-001
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .