Gépi tanulás az intenzív osztályon: A halálozás előrejelzése a véráramfertőzésekben (ICU: intenzív osztály) (ICU)
Gépi tanulás az intenzív osztályon: a halálozás előrejelzése karbapenem-rezisztens gram-negatív bacillus véráram-fertőzésben szenvedő betegeknél
Vizsgálatunk saját betegadataink felhasználásával a carbapenem-rezisztens Gram-negatív bacillusos véráramfertőzésekben kialakuló mortalitás előrejelzését tűzte ki célul gépi tanuláson alapuló modellel.
Az intenzív osztályon a véráram-fertőzésben szenvedő betegeket, mind mortalitással, mind anélkül, összehasonlítás céljából retrospektív módon, két alcsoportban vizsgálják.
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
A karbapenemek az egyik legutolsó antibiotikum, amelyet a többszörösen rezisztens Gram-negatív kórokozók által okozott súlyos fertőzések kezelésére alkalmaznak. A Carbapenem-rezisztens Gram-negatív bacillusok (CR-GNB) által okozott fertőzések az elmúlt évtizedben széles körben elterjedtek, és komoly veszélyt jelentenek a közegészségügyre. A Carbapenem-rezisztens Enterobacteriaceae (CRE), a Carbapenem-rezisztens Acinetobacter baumannii (CRAB) és a Carbapenem-rezisztens Pseudomonas aeruginosa (CRPA) vezeti az antibiotikum-rezisztens baktériumok elsőbbségi listáját világszerte. A CR-GNB fertőzések széles spektrumát okozza, beleértve a bakteriémiát, a húgyúti fertőzéseket, a tüdőgyulladást és az intraabdominális fertőzéseket. A karbapenem-rezisztens véráramfertőzések jelentős morbiditási és mortalitási okok, és a kezelés terápiás lehetőségei rendkívül korlátozottak. Az intenzív osztályon megfigyelt betegek kockázati tényezőinek értékelésével a prognózist előrejelző pontozási rendszerek csökkentik a halálozási kockázatot azáltal, hogy biztosítják a hatékony antibiotikumok korai alkalmazását és a jelenleg használatos hemodinamikai támogatást.
A nagy adatok felhalmozódásával és az adattárolási technikák fejlődésével az életünkbe bekerült innovatív és pragmatikus gépi tanulási módszerek jó előrejelzési teljesítményt mutatnak az orvostudomány területén. Az intenzív osztályon megfigyelt betegek mortalitásának előrejelzésére kifejlesztett gépi tanuláson alapuló modellek elérhetők a szakirodalomban, és lehetőséget adnak a betegek korábbi beavatkozására.
Saját betegadataink felhasználásával, az intenzív osztályon a véráram-fertőzésben szenvedő betegeket, mind mortalitással, mind anélkül, összehasonlítás céljából retrospektív módon két alcsoportban vizsgáljuk. Célunk a carbapenem-rezisztens Gram-negatív bacillus véráramfertőzésekben kialakuló mortalitás előrejelzése gépi tanuláson alapuló modellel.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Kocaeli, Törökország (Türkiye)
- Kocaeli University
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Vizsgálatunkba azokat a betegeket vonjuk be, akiket kórházunk felsőfokú intenzív osztályán 2017 júniusa és 2023 júniusa között monitoroztak, és akiknél Carbapenem-rezisztens Enterobacteriaceae, Carbapenem-rezisztens Acinetobacter baumannii és Carbapenem-rezisztens Pseudomonas aeruginosa fertőzések alakultak ki retrospektív módon.
Kizárási kritériumok:
- Nem számítanak bele a 18 év alatti betegek és a véráramfertőzéstől eltérő fertőzésben szenvedők.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Elhunyt betegek
Carbapenem-rezisztens Gram-negatív bacillusok Véráram-fertőzés halálozással
|
A mély tanulás segítségével próbálunk algoritmust kidolgozni és előre jelezni a halálozást
|
|
Túlélő betegek
Karbapenem-rezisztens Gram-negatív bacillusok Véráram-fertőzés halálozás nélkül
|
A mély tanulás segítségével próbálunk algoritmust kidolgozni és előre jelezni a halálozást
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Halálozás kockázata
Időkeret: 3 hónap
|
Az érzékenységet és a specificitást az AUC-ROC görbével (A vevő működési karakterisztikája alatti terület) gépi tanulási algoritmus segítségével határozzuk meg.
|
3 hónap
|
Együttműködők és nyomozók
Szponzor
Nyomozók
- Kutatásvezető: özlem güler, Kocaeli University
Publikációk és hasznos linkek
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- GOKAEK-2023/12.31
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
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. .