Hermoverkkoihin perustuva ennustaminen kriittisissä COVID-19-potilaissa
Nousevan pandemian yhteydessä, jossa ei ole vakiintunutta ennustepistemääritysjärjestelmää, syväoppimismenetelmiä voidaan käyttää empiiristen ennustemallien nopeaan kehittämiseen.
Tämän tutkimuksen tavoitteena oli esitellä tekoälyneuroverkkomalli (ANN), jolla voidaan ennustaa COVID-19-potilaiden mekaanisen hengityksen kestoa ja kuolleisuutta tehohoidossa.
Menetelmät: Aineisto kerättiin 113 COVID-19-potilaan sairauskertomuksista, joita oli seurattu tehohoidossa helmikuun 2020 ja kesäkuun 2020 välisenä aikana. Tekoälyneuroverkkomenetelmää käytettiin ennustamaan COVID-19-potilaiden mekaanisen hengityksen kestoa ja kuolleisuutta arvioimalla potilaiden kliinistä dataa (väestötiedot, laboratoriotulokset ja sairaudet).
Tutkimuksen yleiskatsaus
Yksityiskohtainen kuvaus
Koronavirustauti 2019 (COVID-19) on aiheuttanut ennennäkemättömän kuormituksen tehohoitoyksiköille (ICU), erityisesti korkeiden hengitysvajeen määrän vuoksi, joka vaatii invasiivista mekaanista hengitystä. Potilaiden varhainen tunnistaminen, jotka ovat vaarassa joutua pitkäaikaiseen mekaaniseen hengitykseen ja kuolemaan, on ratkaisevan tärkeää resurssien kohdentamisen ja kliinisen päätöksenteon optimoimiseksi.
Tämä retrospektiivinen kohorttitutkimus pyrki kehittämään ja arvioimaan keinotekoista hermoverkkomallia (ANN) ennustamaan mekaanisen hengityksen kestoa ja sairaalahoidon aikana tapahtuvaa kuolleisuutta COVID-19-potilaiden keskuudessa, jotka otettiin tehohoitoon.
Gaziantepin yliopiston kliinisen tutkimuksen eettisen komitean hyväksynnän jälkeen (Päätös nro: 2024/07, Päivämäärä: 17.01.2024), 113 aikuisen potilaan tiedot, jotka otettiin tehohoitoon 1. helmikuuta 2020 ja 30. kesäkuuta 2020 välisenä aikana, analysoitiin retrospektiivisesti. Demografiset ominaisuudet, komorbiditeetit, elintoimintojen merkit, laboratoriomittarit, vakavuuspisteet (esim. APACHE, SOFA), hoitomuodot ja kliiniset tulokset poimittiin lääketieteellisistä asiakirjoista.
Keinotekoiset hermoverkkomallit kehitettiin kaupallisesti saatavilla olevalla ohjelmistolla (Alyuda NeuroIntelligence, Alyuda Research Inc., Los Altos, CA, USA). Useita koulutusalgoritmeja, mukaan lukien Quick Propagation, Conjugate Gradient Descent, Limited Memory Quasi-Newton, Online Backpropagation ja Batch Backpropagation, testattiin. Mallin suorituskykyä arvioitiin käyttämällä 10-kertaista ristiinvalidointia. Ennustetarkkuus kuolleisuudelle ja korrelaatiosuorituskyky mekaanisen hengityksen kestolle laskettiin. Klassisia tilastollisia menetelmiä, mukaan lukien moninkertainen lineaarinen regressio ja binäärinen logistinen regressio, suoritettiin myös vertailua varten.
Ensisijainen tavoite oli arvioida ANN-mallien ennustesuorituskykyä tehohoidon kuolleisuudelle. Toissijainen tavoite oli arvioida ANN:n suorituskykyä mekaanisen hengityksen keston arvioinnissa. Tämä tutkimus suoritettiin Helsingin julistuksen mukaisesti.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Gaziantep, Turkki (Türkiye), 27310
- Gaziantep University Hospital
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Ottamiskriteerit:
Ikä ≥ 18 vuotta
Vahvistettu COVID-19-diagnoosi
Päästö teho-osastolle (ICU) 1.2.2020 - 30.6.2020 välisenä aikana
Täydellisten kliinisten, laboratorio- ja lopputulotietojen saatavuus potilastiedoissa
Poissulkemiskriteerit:
Ikä < 18 vuotta
Puutteelliset tai puuttuvat kliiniset tiedot
Siirto toiseen laitokseen ennen lopputuloksen arviointia
Uusi päästö teho-osastolle saman sairaalahoidon aikana (vain ensimmäinen päästö sisältyy)
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kaikkien syiden aiheuttama teho-osastokuolleisuus
Aikaikkuna: Teho-osaston sisäänpääsystä sairaalasta kotiutumiseen tai kuolemaan (jopa 90 päivää)
|
Sairaalahoidossa kuoleman (ex-status) ennustaminen COVID-19-potilailla, jotka on otettu tehohoitoon, käyttäen keinotekoista hermoverkkomallinnusta, joka perustuu demografisiin, kliinisiin ja laboratoriomuuttujiin.
|
Teho-osaston sisäänpääsystä sairaalasta kotiutumiseen tai kuolemaan (jopa 90 päivää)
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: Elzem Sen, Assoc Prof, University of Gaziantep
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
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 2024/07
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 .