Sairaalassa oleskelun odotetun pituuden ennuste koneoppimisen avulla
keskiviikko 14. huhtikuuta 2021 päivittänyt: David Levine, Brigham and Women's Hospital
Tämä on retrospektiivinen havainnointitutkimus, joka perustuu Brigham and Women's Home Hospital -tietokannan tietoihin.
Koulutuskohortin sosiodemografisia ja kliinisiä tietoja käytettiin koneoppimisalgoritmin kouluttamiseen ennustamaan potilaan oleskelun kesto koko potilaan vastaanoton ajan.
Tämä algoritmi validoitiin sitten validointikohortissa.
Tutkimuksen yleiskatsaus
Tila
Aktiivinen, ei rekrytointi
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Odotettu)
500
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Massachusetts
-
Boston, Massachusetts, Yhdysvallat, 02115
- Brigham and Women's Hospital
-
Boston, Massachusetts, Yhdysvallat, 02130
- Brigham and Women's Faulkner Hospital
-
-
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, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Brigham and Women's Hospital ja Brigham and Women's Faulkner Hospital -sairaalaan otetut koehenkilöt, jotka täyttävät perusdiagnoosin, iän ja asuinpaikan 5 mailin säteellä ja jotka on kirjattu kotisairaalaan.
Kuvaus
Oli koehenkilö Brigham and Women's Home Hospital -tutkimuksessa ja hänellä on täytetty tietue tutkimuksen tietokannassa.
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 |
|---|
|
Koulutus
Osa potilaista, joita käytetään koneoppimisalgoritmin kouluttamiseen.
|
|
Validointi
Potilaiden osajoukko, jota "pidätetään" ja joita käytetään algoritmin tarkkuuden vahvistamiseen.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Oleskelun kesto
Aikaikkuna: Maahantulopäivästä irtisanoutumispäivään (1-24 päivää)
|
Kunkin potilaan kotisairaalassa viettämä aika vastaanottohetkestä kotiutukseen, tunteina mitattuna
|
Maahantulopäivästä irtisanoutumispäivään (1-24 päivää)
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Tutkijat
- Päätutkija: David Levine, MD MPH MA, Associate Physician
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Lubelski D, Ehresman J, Feghali J, Tanenbaum J, Bydon A, Theodore N, Witham T, Sciubba DM. Prediction calculator for nonroutine discharge and length of stay after spine surgery. Spine J. 2020 Jul;20(7):1154-1158. doi: 10.1016/j.spinee.2020.02.022. Epub 2020 Mar 13.
- Karnuta JM, Churchill JL, Haeberle HS, Nwachukwu BU, Taylor SA, Ricchetti ET, Ramkumar PN. The value of artificial neural networks for predicting length of stay, discharge disposition, and inpatient costs after anatomic and reverse shoulder arthroplasty. J Shoulder Elbow Surg. 2020 Nov;29(11):2385-2394. doi: 10.1016/j.jse.2020.04.009. Epub 2020 Jun 9.
- Ramkumar PN, Navarro SM, Haeberle HS, Karnuta JM, Mont MA, Iannotti JP, Patterson BM, Krebs VE. Development and Validation of a Machine Learning Algorithm After Primary Total Hip Arthroplasty: Applications to Length of Stay and Payment Models. J Arthroplasty. 2019 Apr;34(4):632-637. doi: 10.1016/j.arth.2018.12.030. Epub 2018 Dec 27.
- Ma X, Si Y, Wang Z, Wang Y. Length of stay prediction for ICU patients using individualized single classification algorithm. Comput Methods Programs Biomed. 2020 Apr;186:105224. doi: 10.1016/j.cmpb.2019.105224. Epub 2019 Nov 20.
- Daghistani TA, Elshawi R, Sakr S, Ahmed AM, Al-Thwayee A, Al-Mallah MH. Predictors of in-hospital length of stay among cardiac patients: A machine learning approach. Int J Cardiol. 2019 Aug 1;288:140-147. doi: 10.1016/j.ijcard.2019.01.046. Epub 2019 Jan 19.
- Bacchi S, Oakden-Rayner L, Menon DK, Jannes J, Kleinig T, Koblar S. Stroke prognostication for discharge planning with machine learning: A derivation study. J Clin Neurosci. 2020 Sep;79:100-103. doi: 10.1016/j.jocn.2020.07.046. Epub 2020 Aug 5.
- Navarro SM, Wang EY, Haeberle HS, Mont MA, Krebs VE, Patterson BM, Ramkumar PN. Machine Learning and Primary Total Knee Arthroplasty: Patient Forecasting for a Patient-Specific Payment Model. J Arthroplasty. 2018 Dec;33(12):3617-3623. doi: 10.1016/j.arth.2018.08.028. Epub 2018 Sep 5.
- Young AJ, Hare A, Subramanian M, Weaver JL, Kaufman E, Sims C. Using Machine Learning to Make Predictions in Patients Who Fall. J Surg Res. 2021 Jan;257:118-127. doi: 10.1016/j.jss.2020.07.047. Epub 2020 Aug 18.
- Sinha I, Aluthge DP, Chen ES, Sarkar IN, Ahn SH. Machine Learning Offers Exciting Potential for Predicting Postprocedural Outcomes: A Framework for Developing Random Forest Models in IR. J Vasc Interv Radiol. 2020 Jun;31(6):1018-1024.e4. doi: 10.1016/j.jvir.2019.11.030. Epub 2020 May 4.
- Merrill RK, Ferrandino RM, Hoffman R, Shaffer GW, Ndu A. Machine Learning Accurately Predicts Short-Term Outcomes Following Open Reduction and Internal Fixation of Ankle Fractures. J Foot Ankle Surg. 2019 May;58(3):410-416. doi: 10.1053/j.jfas.2018.09.004. Epub 2019 Feb 23.
- Nemati M, Ansary J, Nemati N. Machine-Learning Approaches in COVID-19 Survival Analysis and Discharge-Time Likelihood Prediction Using Clinical Data. Patterns (N Y). 2020 Aug 14;1(5):100074. doi: 10.1016/j.patter.2020.100074. Epub 2020 Jul 4.
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)
Lauantai 20. maaliskuuta 2021
Ensisijainen valmistuminen (Odotettu)
Sunnuntai 1. elokuuta 2021
Opintojen valmistuminen (Odotettu)
Keskiviikko 1. joulukuuta 2021
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Tiistai 2. maaliskuuta 2021
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Tiistai 2. maaliskuuta 2021
Ensimmäinen Lähetetty (Todellinen)
Perjantai 5. maaliskuuta 2021
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Maanantai 19. huhtikuuta 2021
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Keskiviikko 14. huhtikuuta 2021
Viimeksi vahvistettu
Torstai 1. huhtikuuta 2021
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
- Patologiset prosessit
- Sydänsairaudet
- Sydän-ja verisuonitaudit
- Hengityselinten sairaudet
- Keuhkosairaudet
- Urologiset sairaudet
- Munuaisten vajaatoiminta
- Rytmihäiriöt, sydän
- Munuaissairaudet
- Munuaisten vajaatoiminta, krooninen
- Keuhkosairaudet, obstruktiiviset
- Keuhkosairaus, krooninen obstruktiivinen
- Eteisvärinä
Muut tutkimustunnusnumerot
- 2017P002583b
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
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 Sydämen vajaatoiminta
-
Region SkaneIlmoittautuminen kutsustaSydämen vajaatoiminta New York Heart Associationin (NYHA) luokka II | Sydämen vajaatoiminta New York Heart Associationin (NYHA) luokka IIIRuotsi
-
Medical University of BialystokInstitute of Cardiology, Warsaw, Poland; Medical University of Lodz; Poznan... ja muut yhteistyökumppanitEi vielä rekrytointiaSystolinen sydämen vajaatoiminta | Sydämen vajaatoiminta pienentyneellä ejektiofraktiolla | Sydämen vajaatoiminta New York Heart Associationin luokka IV | Sydämen vajaatoiminta New York Heart Associationin luokka IIIPuola
-
Mathematica Policy Research, Inc.University of Pennsylvania; University of California, San Francisco; Arnold... ja muut yhteistyökumppanitAktiivinen, ei rekrytointiKeuhkokuume | COPD | CHF - Congestive Heart FailureYhdysvallat
-
Novartis PharmaceuticalsValmisPotilaat, jotka päättivät onnistuneesti ydintutkimuksen 12 kuukauden hoitojakson (de Novo Heart Recipipient), jotka olivat kiinnostuneita EC-MPS-hoidosta
-
University of WashingtonAmerican Heart AssociationValmisSydämen vajaatoiminta, kongestiivinen | Mitokondrioiden muutos | Sydämen vajaatoiminta New York Heart Associationin luokka IVYhdysvallat
-
CHX Technologies Inc.The Research Institute of St Joe's Hamilton; St. Joseph's Health System...Ei vielä rekrytointiaDialyysi | COPD (krooninen obstruktiivinen keuhkosairaus) | Krooninen aineenvaihduntahäiriö | Congestive Heart Failure (CHF)