Koneoppiminen teho-osastolla: Verenkierron infektioiden kuolleisuuden ennustaminen (ICU: tehohoitoyksikkö) (ICU)
Koneoppiminen teho-osastolla: kuolleisuuden ennustaminen potilailla, joilla on karbapeneemille resistenttejä gramnegatiivisia basilli-infektioita verenkierrossa
Oman potilastietomme perusteella tutkimuksemme pyrki ennustamaan kuolleisuutta, joka voi kehittyä karbapeneemille resistenttien gramnegatiivisten basillien aiheuttamiin verenkiertoinfektioihin koneoppimiseen perustuvalla mallilla.
Tehohoidon osastolla verisuonitulehduspotilaita, sekä kuolleisuutta että ilman kuolleisuutta, tutkitaan vertailun vuoksi takautuvasti kahdessa alaryhmässä.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Karbapeneemit ovat yksi viimeisimpiä antibiootteja, joita käytetään useille lääkkeille resistenttien gramnegatiivisten patogeenien aiheuttamien vakavien infektioiden hoitoon. Karbapeneemille vastustuskykyisten gramnegatiivisten basillien (CR-GNB) aiheuttamat infektiot ovat yleistyneet viime vuosikymmenen aikana, mikä on vakava uhka kansanterveydelle. Karbapeneemille resistentti Enterobacteriaceae (CRE), karbapeneemille resistentti Acinetobacter baumannii (CRAB) ja karbapeneemille resistentti Pseudomonas aeruginosa (CRPA) ovat antibioottiresistenttien bakteerien prioriteettilistalla maailmanlaajuisesti. CR-GNB aiheuttaa laajan kirjon infektioita, mukaan lukien bakteremia, virtsatieinfektiot, keuhkokuume ja vatsansisäiset infektiot. Karbapeneemille resistentit verenkiertoinfektiot ovat merkittävä sairastuvuuden ja kuolleisuuden syy, ja hoitovaihtoehdot ovat erittäin rajalliset. Arvioimalla teho-osastolla seurattujen potilaiden riskitekijöitä ennustetta ennustavat pisteytysjärjestelmät vähentävät kuolleisuusriskiä varmistamalla, että käytössä olevat tehokkaat antibiootit ja oikea-aikainen hemodynaaminen tuki aloitetaan ajoissa.
Big datan kertymisen ja tiedontallennustekniikoiden edistymisen myötä elämäämme tulleet innovatiiviset ja käytännölliset koneoppimismenetelmät osoittavat hyvää ennustettavuutta lääketieteen alalla. Tehohoidon osastolla seurattujen potilaiden kuolleisuuden ennustamiseen kehitetyt koneoppimispohjaiset mallit ovat saatavilla kirjallisuudessa ja tarjoavat mahdollisuuden potilaiden aikaisempiin interventioihin.
Tehohoidon osastolla tutkitaan takautuvasti potilaat, joilla on sekä kuolleisuus että ilman verenkiertoinfektioita kahdessa alaryhmässä vertailun vuoksi omien potilastietojen perusteella. Pyrimme ennustamaan kuolleisuutta, joka voi kehittyä karbapeneemiresistenttien gramnegatiivisten basillien aiheuttamiin verenkiertoinfektioihin koneoppimiseen perustuvalla mallilla.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Kocaeli, Turkki (Türkiye)
- Kocaeli University
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Tutkimuksessamme otetaan huomioon potilaat, joita seurattiin sairaalamme korkea-asteen teho-osastolla kesäkuun 2017 ja kesäkuun 2023 välisenä aikana ja jotka saivat verenkiertoon karbapeneemeille resistenttejä Enterobacteriaceae-, karbapeneemiresistenttejä Acinetobacter baumannii- ja karbapeneemiresistenttejä Pseudomonas aeruginosa-infektioita retrospektiivisesti.
Poissulkemiskriteerit:
- Alle 18-vuotiaat potilaat ja muut infektiot kuin verenkiertoinfektiot eivät sisälly.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Kuolleet potilaat
Karbapeneemille resistentti gramnegatiiviset basillit Verivirtainfektio kuolleisuuteen
|
Syväoppimisen avulla pyrimme kehittämään algoritmin ja ennakoimaan kuolleisuutta
|
|
Elossa olevat potilaat
Karbapeneemille resistentti gramnegatiiviset basillit Verivirtainfektio ilman kuolleisuutta
|
Syväoppimisen avulla pyrimme kehittämään algoritmin ja ennakoimaan kuolleisuutta
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kuolemanriski
Aikaikkuna: 3 kuukautta
|
Herkkyys ja spesifisyys määritetään AUC-ROC-käyrällä (vastaanottimen toiminta-ominaisuuskäyrän alla oleva alue) käyttämällä koneoppimisalgoritmia.
|
3 kuukautta
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: özlem güler, Kocaeli University
Julkaisuja ja hyödyllisiä linkkejä
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- GOKAEK-2023/12.31
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
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 .