Gépi tanulási modell a mechanikus lélegeztetés eredményének és időtartamának előrejelzésére akut hipoxémiás légzési elégtelenség esetén (MEMORIAL)
Optimális gépi tanulási modell kidolgozása az intenzív osztály kimenetének és a mechanikus lélegeztetés időtartamának előrejelzésére akut hipoxémiás légzési elégtelenségben szenvedő betegeknél
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
Az akut hipoxémiás légzési elégtelenség (AHRF) a leggyakoribb oka az intenzív osztályokon (UCI) történő felvételnek világszerte. Felmérjük a gépi tanulási (ML) technikák értékét az intenzív osztályos halálozás korai előrejelzésére és a mechanikus lélegeztetés (MV) elhúzódó időtartamára (>7 nap) MV-n szenvedő AHRF-betegeknél. Kevés tanulmány vizsgálta az MV mortalitásának és időtartamának előrejelzését AHRF-ben szenvedő betegeknél.
A modellfejlesztéshez a kutatók az AHRF diagnosztizálását követő első 3 napon adatokat gyűjtenek ki a PANDORA kohorsz azonosítatlan adatbázisában szereplő betegekből. Adatbázisunk 2 000 000 anonimizált és disszociált demográfiai és klinikai adatot tartalmazott, 1241 AHRF-ben szenvedő beteg adatait, akik 22 spanyol kórházból kerültek be a PANDORA kohorszunkba (az akut légzési elégtelenség prevalenciája és kimenetele), és a vizsgálatot a vezető kutató (JV) koordinálta. A vizsgálók követni fogják a többváltozós előrejelzési modell átlátszó jelentését az egyéni prognózishoz vagy diagnózishoz (TRIPOD) a modell-előrejelzéshez. Az összegyűjtött változókat genetikai algoritmusos változó szelekciós módszerrel szűrjük a szűkösség elérése érdekében. Logisztikus regresszióval és 4 felügyelt ML algoritmussal értékeltük a változómodellek minimális számát: Random Forest, Extreme Gradient Boosting, Support Vector Machine és Multilayer Perceptron. Ötszörös kereszt-validációt fogunk alkalmazni az 1000 páciensből álló adathalmazban, amelyet véletlenszerűen választottunk ki az edzési adatokból (80%) és a vizsgálati adatokból (20%). A külső validáláshoz a maradék 241 beteget fogjuk felhasználni.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Ciudad Real, Spanyolország, 13005
- Hospital General Universitario de Ciudad Real
-
Cuenca, Spanyolország, 16002
- Hospital Virgen de La Luz
-
Madrid, Spanyolország, 28046
- Hospital Universitario La Paz
-
Madrid, Spanyolország, 28222
- Hospital Universitario Puerta De Hierro
-
Murcia, Spanyolország, 3012
- Hospital Universitario Virgen de Arrixaca
-
Santa Cruz de Tenerife, Spanyolország, 38010
- Hospital Universitario NS de Candelaria
-
Valencia, Spanyolország, 46010
- Hospital Cinico de Valencia
-
Valladolid, Spanyolország, 47012
- Hospital Universitario Río Hortega
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- endotracheális intubáció plusz mechanikus lélegeztetés (MV)
- PaO2/FiO2 arány ≤300 Hgmm MV alatt pozitív kilégzési végnyomás (PEEP) ≥5 cmH2O és FiO2 ≥0,3 mellett.
Kizárási kritériumok:
- Posztoperatív betegek lélegeztetése <24 óra alatt
- Agyhalálos betegek.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Érvényesítési kohorsz
200 véletlenszerűen kiválasztott beteget tartalmaz (az 1000 AHRF-ben szenvedő beteg 20%-a
|
Robusztus gépi tanulási megközelítéseket fogunk használni, mint például a Random Forest, az Extreme Gradient Boosting, a Support Vector Machine és a Multilayer Perceptron.
Más nevek:
|
|
Megerősítő kohorsz
Tartalmazza a fennmaradó 241, véletlenszerűen kiválasztott beteget (külső validáció alapján)
|
Robusztus gépi tanulási megközelítéseket fogunk használni, mint például a Random Forest, az Extreme Gradient Boosting, a Support Vector Machine és a Multilayer Perceptron.
Más nevek:
|
|
Származási kohorsz
800 véletlenszerűen kiválasztott beteget fog tartalmazni (1000 AHRF -es beteg)
|
Robusztus gépi tanulási megközelítéseket fogunk használni, mint például a Random Forest, az Extreme Gradient Boosting, a Support Vector Machine és a Multilayer Perceptron.
Más nevek:
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Az intenzív osztályos halálozás
Időkeret: 100 hétig (a bezárástól a halálig vagy az intenzív osztályról való távozásig).
|
halál az intenzív osztályon
|
100 hétig (a bezárástól a halálig vagy az intenzív osztályról való távozásig).
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
MV időtartama
Időkeret: legfeljebb 100 hét (a befogadástól az extubálásig)
|
a gépi szellőztetés időtartama
|
legfeljebb 100 hét (a befogadástól az extubálásig)
|
Együttműködők és nyomozók
Nyomozók
- Kutatásvezető: Jesus Villar, MD, PhD, Fundación Canaria Instituto de Investigación Sanitaria de Canarias
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
- Légúti betegségek
- Légzési zavarok
- Légzési elégtelenség
- Egészségügyi ellátás minősége, hozzáférése és értékelése
- Nyomozási technikák
- Epidemiológiai módszerek
- Egészségügyi ellátási értékelési mechanizmusok
- Egészségügyi ellátás minősége
- Közegészségügy
- Környezet és közegészségügy
- Statisztika mint téma
- Modellek, elméleti
- Kockázat
- Valószínűség
- Models, Statistical
- Regression Analysis
- Logistic Models
Egyéb vizsgálati azonosító számok
- PI24/00325
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. .