Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Koneoppimismalli leikkauksen jälkeisen hengitysvajauksen ennustamiseen

maanantai 29. elokuuta 2022 päivittänyt: Hyun-Kyu Yoon, Seoul National University Hospital

Koneoppimismallin kehittäminen ja tuleva arviointi leikkauksen jälkeisen hengitysvajauksen ennustamiseksi

Tämän tutkimuksen päätavoitteena on kehittää koneoppimismalli, joka ennustaa leikkauksen jälkeisen hengitysvajauksen 7 leikkauksen jälkeisen päivän sisällä käyttäen todellisia, paikallisia preoperatiivisia ja intraoperatiivisia sähköisiä terveystietoja, ei hallinnollisia koodeja.

Tutkimuksen yleiskatsaus

Tila

Valmis

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Postoperatiivisten keuhkokomplikaatioiden tiedetään pidentävän sairaalahoidon kestoa ja pidentävän terveydenhuollon kustannuksia. Yksi näiden komplikaatioiden vakavimmista muodoista on leikkauksen jälkeinen hengitysvajaus, johon liittyy myös sairastuvuutta ja kuolleisuutta. Useita riskikerrostumismalleja on kehitetty tunnistamaan potilaita, joilla on lisääntynyt riski saada leikkauksen jälkeinen hengitysvajaus. Nämä mallit on kuitenkin rakennettu käyttämällä perinteistä logistista regressioanalyysiä. Logistisessa regressioanalyysissä oli haittoja, koska riippuvien ja riippumattomien muuttujien välisen suhteen oletetaan olevan lineaarinen. Tekoälyn viimeaikainen kehitys mahdollistaa big datan hallinnan ja analysoinnin. Koneoppimistekniikkaa ja laajamittaista dataa käyttävä ennustemalli voi parantaa ennusteen tarkkuutta kuin aiemmissa perinteisiä tilastoja käyttävissä malleissa. Lisäksi koneoppimistekniikka voi olla hyödyllinen apuväline kliinisten päätösten tekemisessä tai reaaliaikaisessa ennustamisessa, jos se on integroitu terveydenhuoltojärjestelmään. Tietojemme mukaan ei kuitenkaan ollut tutkimusta, jossa olisi tutkittu leikkauksen jälkeisen hengitysvajauksen ennakoivia tekijöitä koneoppimismenetelmällä. Siksi tämän tutkimuksen päätavoitteena on kehittää koneoppimismalli, joka ennustaa leikkauksen jälkeisen hengitysvajauksen 7 leikkauksen jälkeisen päivän sisällä käyttäen todellisia, paikallisia preoperatiivisia ja intraoperatiivisia sähköisiä terveystietoja, ei hallinnollisia koodeja, ja arvioida sen suorituskykyä tulevaisuuteen.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

22250

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

18 vuotta ja vanhemmat (AIKUINEN, OLDER_ADULT)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Aikuiset potilaat, joille tehdään yleisanestesia ei-sydänleikkauksen vuoksi

Kuvaus

Sisällyttämiskriteerit:

  • Aikuiset potilaat, joille tehdään yleisanestesia ei-sydänleikkauksen vuoksi

Poissulkemiskriteerit:

  • Ikäraja alle 18 vuotta
  • Leikkauksen kesto < 1 h
  • Sydänkirurgia
  • Leikkauksessa tehtiin vain alue- tai paikallispuudutus, ääreishermotukos tai valvottu anestesiahoito
  • Elinsiirto
  • Potilas, jolla on ennen leikkausta henkitorven intubaatio
  • Potilaat, joilla oli trakeostooma ennen leikkausta
  • Trakeostomiaan varatut potilaat
  • Leikkaus tehtiin leikkaussalin ulkopuolella
  • Sairaalahoidon kesto < 24 h

Jos potilaille tehtiin useita leikkauksia saman sairaalahoidon aikana, sisällytimme tietoaineistoon ensimmäiset leikkaustapaukset.

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti
Interventio / Hoito
AI_PRF
Aikuiset potilaat, joille tehdään yleisanestesia
Diagnostinen testi: Leikkauksen jälkeisen hengitysvajauksen ennustaminen koneoppimisen avulla
Koneoppimismallin suorituskykyä leikkauksen jälkeisen hengitysvajauksen ennustamiseksi yleisanestesian jälkeen 7. postoperatiivisen päivän aikana testattiin prospektiivisesti.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
leikkauksen jälkeisen hengitysvajauksen ilmaantuvuus yleisanestesian jälkeen
Aikaikkuna: leikkauksen jälkeisenä päivänä 7
Leikkauksen jälkeinen hengitysvajaus, joka määriteltiin koneelliseksi ventilaatioksi > 48 tuntia tai uudelleenintubaatioksi leikkauksen jälkeen
leikkauksen jälkeisenä päivänä 7

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Seoul National University Hospital

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (TODELLINEN)

Keskiviikko 26. toukokuuta 2021

Ensisijainen valmistuminen (TODELLINEN)

Keskiviikko 25. toukokuuta 2022

Opintojen valmistuminen (TODELLINEN)

Lauantai 25. kesäkuuta 2022

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Perjantai 21. elokuuta 2020

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Perjantai 21. elokuuta 2020

Ensimmäinen Lähetetty (TODELLINEN)

Keskiviikko 26. elokuuta 2020

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (TODELLINEN)

Torstai 1. syyskuuta 2022

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Maanantai 29. elokuuta 2022

Viimeksi vahvistettu

Maanantai 1. elokuuta 2022

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • AI_PRF

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

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 .

Kliiniset tutkimukset Ei-sydänkirurgia

Hae vastaavia kokeiluja

Sponsorit ja yhteistyökumppanit

Sairaudet

Huumeiden interventiot

CROs by country

CROs in Ethiopia

Ehdot

Harvinaiset sairaudet

Huumeiden interventiot

Ravintolisät

Sponsori / yhteistyökumppanit

Sijainnit

Tilaa