Koneoppimismalli perioperatiiviseen verensiirtojen ennustamiseen
maanantai 7. maaliskuuta 2022 päivittänyt: DILEK YAZICIOGLU, Diskapi Teaching and Research Hospital
Perioperatiivisen verensiirron ennustamisen koneoppimismallin kehittäminen ja tulkinta
Tämän tutkimuksen tarkoituksena oli kehittää ja tulkita koneoppimismalli punasolujen (RBC) verensiirron ennustamiseksi.
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Analysoitiin tietojoukko monikeskustutkimuksesta, johon osallistui 6121 potilasta, joille tehtiin suuri elektiivinen leikkaus.
Tiedot potilaista, joille oli annettu sopimaton punasolujen siirto, jätettiin pois.
Kaksikymmentäyksi perioperatiivista ominaisuutta käytettiin punasolujen verensiirron ennustamiseen.
Tietojoukko jaettiin satunnaisesti juna- ja validointijoukkoon (70-30).
Ennustukseen käytettiin päätöspuuta, satunnaista metsää, k-lähimpiä naapureita, logistista regressiota ja eXtreme garadient boosting (XGBoost) -menetelmiä.
Verrattiin punasolujen verensiirron ennustamiseen käytettyjen koneoppimismallien vastaanottimen toiminta-ominaisuuksien käyrien alapuolista pinta-alaa (AUC).
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
6121
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Ankara, Turkki, 06110
- Dilek D Unal
-
-
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 - 100 vuotta (Aikuinen, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Potilaat, joille tehtiin suuria elektiivisiä kirurgisia toimenpiteitä, katsottiin kelpoisiksi.
Mukana olivat kaikki ikäryhmät ja molemmat sukupuolet.
Kirurgiset toimenpiteet määriteltiin etukäteen Kansaneläkelaitoksen diagnostisten, terapeuttisten ja kirurgisten toimenpiteiden luokituksen mukaisesti, jossa jokaisella toimenpiteellä on yksilöllinen turska.
Kuvaus
Sisällyttämiskriteerit:
- Aikuinen
- Kävi suuressa elektiivisessä leikkauksessa
Poissulkemiskriteerit:
- Pediatriset potilaat
- Hätätapaukset
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Punasolusiirtoa saaneiden potilaiden määrä
Aikaikkuna: Perioperatiivinen ajanjakso
|
Punasolusiirtoa saaneiden potilaiden määrä
|
Perioperatiivinen ajanjakso
|
|
Käyrän alla oleva alue
Aikaikkuna: Perioperatiivinen ajanjakso
|
Vastaanottimen toiminta-ominaisuuksien käyrän alapuolella oleva pinta-ala
|
Perioperatiivinen ajanjakso
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Yhteistyökumppanit
Tutkijat
- Päätutkija: Dilek D Unal, Prof, UNIVERSITY OF HEALTH SCIENCES TURKEY DISKAPI YILDIRIM BEYAZIT TRAINING RESEARCH HOSPITAL ANKARA
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Murphy GJ, Reeves BC, Rogers CA, Rizvi SI, Culliford L, Angelini GD. Increased mortality, postoperative morbidity, and cost after red blood cell transfusion in patients having cardiac surgery. Circulation. 2007 Nov 27;116(22):2544-52. doi: 10.1161/CIRCULATIONAHA.107.698977. Epub 2007 Nov 12.
- Bernard AC, Davenport DL, Chang PK, Vaughan TB, Zwischenberger JB. Intraoperative transfusion of 1 U to 2 U packed red blood cells is associated with increased 30-day mortality, surgical-site infection, pneumonia, and sepsis in general surgery patients. J Am Coll Surg. 2009 May;208(5):931-7, 937.e1-2; discussion 938-9. doi: 10.1016/j.jamcollsurg.2008.11.019. Epub 2009 Mar 26.
- Walczak S, Velanovich V. Prediction of perioperative transfusions using an artificial neural network. PLoS One. 2020 Feb 24;15(2):e0229450. doi: 10.1371/journal.pone.0229450. eCollection 2020.
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)
Torstai 13. tammikuuta 2022
Ensisijainen valmistuminen (Todellinen)
Tiistai 1. helmikuuta 2022
Opintojen valmistuminen (Todellinen)
Tiistai 1. helmikuuta 2022
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Torstai 13. tammikuuta 2022
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Torstai 27. tammikuuta 2022
Ensimmäinen Lähetetty (Todellinen)
Tiistai 8. helmikuuta 2022
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 8. maaliskuuta 2022
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Maanantai 7. maaliskuuta 2022
Viimeksi vahvistettu
Lauantai 1. tammikuuta 2022
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muut tutkimustunnusnumerot
- Machine learning DiskapiTRH
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 .