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

Potilaan heikkenemisen ennustaminen koneoppimisen avulla

maanantai 16. maaliskuuta 2026 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 heikkenemistä potilaan vastaanoton aikana. Tämä algoritmi validoitiin sitten validointikohortissa.

Tutkimuksen yleiskatsaus

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Todellinen)

526

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

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Brigham and Women's Hospital ja Brigham and Women's Faulkner Hospital -sairaalaan otetut koehenkilöt, jotka täyttävät ensisijaisen diagnoosin, iän ja maantieteellisen asuinpaikan vaatimukset ja jotka on kirjattu kotisairaalaan.

Kuvaus

Sisällyttämiskriteerit:

Hoidossa Brigham and Women's Home Hospitalin tutkimuksessa

Poissulkemiskriteerit:

Epätäydelliset jatkuvan seurantatiedot

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
Koulutus
Osa potilaista, joita käytetään koneoppimisalgoritmin kouluttamiseen.
Vertaamme takautuvasti perinteisistä elintoimintohälytyksistä (lääkäreiden asettamat kynnysarvot) saatuja hälytyksiä BioVitals-indeksiin vs National Early Warning Score 2.
Validointi
Potilaiden osajoukko, jota "pidätetään" ja joita käytetään algoritmin tarkkuuden vahvistamiseen.
Vertaamme takautuvasti perinteisistä elintoimintohälytyksistä (lääkäreiden asettamat kynnysarvot) saatuja hälytyksiä BioVitals-indeksiin vs National Early Warning Score 2.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Hälytystaakka
Aikaikkuna: Saapumisesta kotiutukseen tunneissa mitattuna keskimäärin 5 päivää
Hälytysten määrä potilasta kohti tunnissa
Saapumisesta kotiutukseen tunneissa mitattuna keskimäärin 5 päivää

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Herkkyys turvakomposiitin tunnistamiseen
Aikaikkuna: Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Herkkyys (todelliset positiiviset jaettuna tilan positiivisilla) turvallisuusyhdistelmän havaitsemiseksi (yön yli käynti, ylimääräinen suunnittelematon käynti, kuljetus takaisin sairaalaan, kuolema hoidon aikana, delirium, tajunnan menetys tai muu merkittävä tapahtuma).
Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Spesifisyys turvakomposiitin tunnistamiseen
Aikaikkuna: Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Spesifisyys (todelliset negatiivit jaettuna tilan negatiivisilla) turvallisuusyhdistelmien havaitsemiseksi (yön yli käynti, ylimääräinen suunnittelematon käynti, kuljetus takaisin sairaalaan, kuolema hoidon aikana, delirium, tajunnan menetys tai muu merkittävä tapahtuma).
Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Positiivinen ennustearvo turvakomposiitin tunnistamiselle
Aikaikkuna: Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Positiivinen ennustearvo (oikeat positiiviset jaettuna todellisten positiivisten plus väärien positiivisten summalla) turvallisuusyhdistelmän havaitsemiseksi (yön ylimääräinen käynti, ylimääräinen suunnittelematon käynti, kuljetus takaisin sairaalaan, kuolema hoidon aikana, delirium, tajunnanmenetys tai muu suuri tapahtuma).
Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Negatiivinen ennustearvo turvakomposiitin tunnistamiselle
Aikaikkuna: Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Negatiivinen ennustearvo (oikeat negatiivit jaettuna todellisten negatiivisten plus väärien negatiivisten summalla) turvallisuusyhdistelmän havaitsemiseksi (yön ylimääräinen käynti, ylimääräinen suunnittelematon käynti, kuljetus takaisin sairaalaan, kuolema hoidon aikana, delirium, tajunnan menetys tai muu suuri tapahtuma).
Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Hälytysten määrä kliinisellä hyödyllä
Aikaikkuna: Sisäänpääsystä kotiutukseen keskimäärin 5 päivää
Käytämme yleisiä estimointiyhtälöitä (GEE) kolmella tuloksella potilasta kohti (BioVitalsin kliinisesti tärkeiden hälytysten määrä, NEWS2 ja perinteiset elintoiminnot); GEE ottaa huomioon kolmen potilaan tuloksen välisen klusterin. GEE käyttää negatiivista binomiaalista marginaalimallia, jossa on log-linkki hälytysten lukumäärälle, jolla on kliinistä hyötyä, ja offset lokaiselle oleskelun pituudelle (tunteina); Tämän mallin avulla mallinnamme hälytysten määrän tuntikohtaisesti kliinisellä hyödyllä BI:n, NEWS2:n ja perinteisten elintoimintojen avulla. Negatiivisen binomimallin pääkovariaatti on kolmitasoinen kovariaatti menetelmälle: BI vs NEWS2 vs perinteiset elinmerkit, ja tämän kovariaatin vaikutuksen eksponentiaali on pariittainen suhde BI vs NEWS2 vs perinteinen vitaali. merkkejä.
Sisäänpääsystä kotiutukseen keskimäärin 5 päivää

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Yhteistyökumppanit

Tutkijat

  • Päätutkija: David Levine, MD MPH MA, Associate Physician

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 (Todellinen)

Torstai 20. maaliskuuta 2025

Opintojen valmistuminen (Todellinen)

Maanantai 16. helmikuuta 2026

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Keskiviikko 14. huhtikuuta 2021

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Keskiviikko 15. syyskuuta 2021

Ensimmäinen Lähetetty (Todellinen)

Torstai 16. syyskuuta 2021

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Tiistai 17. maaliskuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Maanantai 16. maaliskuuta 2026

Viimeksi vahvistettu

Sunnuntai 1. maaliskuuta 2026

Lisää tietoa

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 .

Tilaa