Keinotekoinen älykkyysmalli oleskelun tehohoidon, neurologisen lopputuloksen ja kustannusten arvioinnin kannalta sydän- ja keuhkojen elvyttämisen jälkeen: kohorttitutkimus.
Keinotekoinen älykkyysmalli oleskelun tehohoidon, neurologisen lopputuloksen ja kustannusten arvioinnin kannalta sydän- ja keuhkojen elvyttämisen jälkeen: Kohorttitutkimus
Tutkimuksen yleiskatsaus
Tila
Tila
Ehdot
Ehdot
Interventio / Hoito
Interventio / Hoito
Opintotyyppi
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Ilmoittautuminen
Osallistumiskriteerit
Kelpoisuusvaatimukset
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- 18 -vuotias ikä
- peräkkäinen sydän- ja keuhkojen elvyttäminen
- Ainakin tunnin mittainen sisäänpääsy ICU: hon spontaanin verenkierron paluun jälkeen (ROSC)
Poissulkemiskriteerit:
- Ikä <18 vuotta
- > 80% puuttuvat tiedot potilasrekistereistä
- Potilaat, joilla ei ole ROSC: tä
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Ryhmien/kohorttien lukumäärä
Kohortit ja interventiot
Ryhmä/KohorttiRyhmä/Kohortti |
Interventio / HoitoInterventio / Hoito |
|---|---|
|
Ikä> 18 vuotta potilaita onnistuneen sydän- ja keuhkojen elvyttämisen jälkeen, jota havaittiin reanimaatiossa
|
Koneoppimisohjelmilla arvioidaan potilaiden tietoja peräkkäisen pelastamisen jälkeen.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Koneoppimisohjelma
Aikaikkuna: 3 kuukautta
|
Luotu tietokanta analysoidaan käyttämällä koneoppimisen tekoälyn algoritmia Python -ohjelmointikielellä.
Käsitellyn puuttuvien ja puutteellisten tietojen käsittelyn keinotekoisella älykkyydellä tietokanta jaetaan kahteen osaan: mallin koulutus ja mallin validointi.
Merkittävä tieto valitaan mallikoulutuksella, ja näiden tietojen perusteella rakennetaan ennustemalli.
Ennustemallin tulkittavuuden lisäämiseksi ja käyttäjien auttaminen ymmärtämään miten ja miksi tietyt ennusteet tehdään, käytetään Shapley -lisäaineiden selityksiä (SHAP) -algoritmia.
Koneoppimisessa SHAP-tekniikkaa käytetään tulkitsemaan monimutkaisten koneoppimismallien päätöksentekoprosesseja.
|
3 kuukautta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Sponsori
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Arvioitu)
Opiskelun aloitus
Ensisijainen valmistuminen (Arvioitu)
Ensisijainen valmistuminen
Opintojen valmistuminen (Arvioitu)
Opintojen valmistuminen
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Arvioitu)
Ensimmäinen Lähetetty
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Arvioitu)
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
Avainsanat
Muut tutkimustunnusnumerot
Muut tutkimustunnusnumerot
- Nkangarli002
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 .