Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Az eredmény súlyosságához kapcsolódó COVID-19 klinikai állapot: felügyelet nélküli gépi tanulási megközelítés

2023. május 14. frissítette: Prof. Triantafyllos Didangelos, Aristotle University Of Thessaloniki

Hozzájárul-e a koronavírus-betegség (COVID)-19 klinikai állapota az eredmény súlyosságához? Felügyelet nélküli gépi tanulási megközelítés a tudáskinyeréshez

A COVID-19 világjárvány kezdete óta 195 millió ember fertőződött meg, és 4,2 millióan haltak meg a betegségben vagy annak mellékhatásaiban. Az orvosok, egészségügyi tudósok és egészségügyi dolgozók folyamatosan igyekeznek kezelni a túlterhelt kórházi felvételeket, ezzel párhuzamosan pedig érdemi összefüggéseket keresnek a fertőzött betegek súlyossága és tünetei, társbetegségei és biomarkerei között. A mesterséges intelligenciát (AI) és a gépi tanulást (ML) a közelmúltban a COVID-19 egészségügyi ellátásával kapcsolatos számos területen alkalmazzák. A fő cél a COVID-19-hez és annak következményeihez kapcsolódó számos probléma hatékony kezelése. Az ML jelenlegi alkalmazásai a COVID-19 egészségügyi ellátásban felügyelt osztályozáson alapulnak, amelyek megkövetelik a tanulás referenciapontjaként szolgáló címkézett képzési adatkészletet, valamint előre meghatározott osztályokat. A COVID-19-vel és annak következményeivel kapcsolatos ismeretek azonban még mindig nem szilárdak, és a különböző tudományos közösségek közötti közös megegyezési pontok továbbra sem tisztázottak.

Ezért ez a tanulmány egy felügyelet nélküli klaszterezési megközelítést kívánt követni, ahol nincs szükség előzetes tudásra (tabula rasa).

Pontosabban, a Thesszaloniki AHEPA Egyetemi Kórház első Propedeutikai Belgyógyászati ​​Osztályán 268 kórházba került beteget 40 klinikai változó (numerikus és kategorikus) alapján értékeltek, ami egy nagy dimenziós adatkészlethez vezetett. A dimenziócsökkentést az adathalmaz numerikus részén főkomponens-elemzés (PCA), az adatkészlet kategorikus részén pedig többszörös megfeleltetési elemzés (MCA) alkalmazásával végeztük. Ezután a Bayes-féle információs kritériumot (BIC) alkalmazták a Gauss-féle keverékmodellekre (GMM) annak érdekében, hogy azonosítsák a klaszterek optimális számát, amely alatt a betegek legjobb csoportosítása történik.

A javasolt módszertan 4 hasonló klinikai jellemzőkkel rendelkező betegcsoportot azonosított. Az elemzés tünetmentes betegek csoportját tárta fel, amelyek 23,8%-os halálozási arányt jelentettek.

Ez a megdöbbentő eredmény arra késztet bennünket, hogy újragondoljuk a kapcsolatot a COVID-19 klinikai tüneteinek súlyossága és a betegek mortalitása között.

A tanulmány áttekintése

Állapot

Befejezve

Körülmények

Részletes leírás

Ebben a tanulmányban egy olyan, felügyelt gépi tanulási algoritmusokon alapuló algoritmikus folyamatot javasolunk, amely az orvosokkal párhuzamosan működik, és további ismereteket nyújt a COVID-19-fertőzött betegek súlyosságuk szerinti megfelelő kategorizálásához. A klinikánkon kórházba került betegek adatait külön Microsoft Excel fájlokban (.xlsx) gyűjtjük és tároljuk, amelyeket a memóriába töltünk be. Egy szkript összefűzi őket egyetlen adatkeretbe, ahol ellenőrzi a NaN (Not a Number) értékeket. Az adatok természetéből adódóan a hiányzó információkkal rendelkező betegek teljes egészében kikerülnek az adatkészletből, mivel az információs következtetés az adott alkalmazás esetében elfogult gyakorlat lenne. Ezután az adatok normalizálását alkalmazzuk úgy, hogy az összes numerikus változót a (0,1) tartomány közé skálázzuk, így az összes numerikus változó tartománya azonos, és elkerülhető az egyes változók irányába történő torzítás. Alapos és részletes adatgyűjtési folyamatot terveztünk. annak érdekében, hogy információkat gyűjtsenek a betegek számára anélkül, hogy a klinikai kezelést megzavarnák, vagy a folyamat során felzaklatnák őket.

Tanulmány típusa

Megfigyelő

Beiratkozás (Tényleges)

268

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

  • Görögország
      • Thessaloníki, Görögország, 54621
        • University General Hospital of Thessaloniki AHEPA

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Gyermek
  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Valószínűségi minta

Tanulmányi populáció

betegek, akik a sürgősségi osztályra kerültek és COVID-19 fertőzést diagnosztizáltak

Leírás

Bevételi kritériumok:

  • betegek, akik a sürgősségi osztályra kerültek és COVID-19 fertőzést diagnosztizáltak

Kizárási kritériumok:

  • egyik sem

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
Csoport
Koronavírus-betegségben szenvedő kórházi betegek

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
A betegek csoportja a fertőzés súlyosságától függően
Időkeret: 1 év
Mesterséges intelligencia és gépi tanulási megközelítéssel előállított algoritmus a betegek COVID-19-fertőzöttségi állapotuk szerinti osztályozására
1 év

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Aristotle University Of Thessaloniki

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2019. november 1.

Elsődleges befejezés (Tényleges)

2021. június 30.

A tanulmány befejezése (Tényleges)

2021. június 30.

Tanulmányi regisztráció dátumai

Először benyújtva

2021. november 12.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2021. november 12.

Első közzététel (Tényleges)

2021. november 15.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2023. május 16.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2023. május 14.

Utolsó ellenőrzés

2023. május 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Kulcsszavak

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • 19400_21052021

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Klinikai vizsgálatok a COVID-19

Keressen hasonló próbaverziókban

Szponzorok és közreműködők

Egészségi állapot

Kábítószer-beavatkozások

CROs by country

CROs in Singapore

Körülmények

Ritka betegségek

Kábítószer-beavatkozások

Táplálék-kiegészítők

Szponzor / közreműködők

Helyek

3
Iratkozz fel