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

Többszörös fertőzés gépi tanulási előrejelzése idős sebészeti betegeknél

2024. szeptember 21. frissítette: Weidong Mi

Idős, sebészeti betegek többszörös fertőzésének előrejelzése: gépi tanulási modell fejlesztése és érvényesítése SHAP-analízissel

Gépi tanulási technikák felhasználásával kifejlesztettük a geriátriai fertőzésértékelési modellt, hazai adatbázisok felhasználásával idős betegek többszörös posztoperatív fertőzésének előrejelzésére. A modell az idős sebészeti betegekre szabott prediktív eszközök jelenlegi hiányát kezeli Kínában, és betekintést nyújt az általános és a specifikus fertőzési kockázatokba.

A tanulmány áttekintése

Állapot

Befejezve

Részletes leírás

Hátterek:

A posztoperatív fertőzések a nemkívánatos perioperatív kimenetelek vezető okai, különösen az idős betegek esetében. Tekintettel a fertőzések változatos diagnosztikai bemutatására, jelentős hiányosságok mutatkoznak a prediktív eszközök használatában az ilyen szövődmények kialakulásának magas kockázatának kitett személyek azonosítására.

Célkitűzés:

Célunk olyan gépi tanulási modellek kidolgozása volt, amelyek előre jelezhetik az idős betegek posztoperatív fertőzési kockázatait, elősegítve a korai felismerést és a beavatkozást.

Mód:

Retrospektív elemzést végeztek 42 540 idős betegen, akik nem szívműtéten estek át a Kínai PLA Általános Kórház Első Egészségügyi Központjában 2014 januárja és 2019 augusztusa között, így alkották meg a képzési készletet. Ebből véletlenszerűen egy 30%-os részhalmazt jelöltünk ki Teszthalmaznak. A modellek 51 változót tartalmaztak, beleértve a fertőzéssel kapcsolatos legfontosabb tényezőket. Három gépi tanulási technikát – a Logisztikus Regressziót (LR), a Random Forestet (RF) és a Gradient Boosting Machines (GBM) – alkalmazták az általános és specifikus posztoperatív fertőzések prediktív modelljének kidolgozására, amelyeket az Európai Perioperatív Klinikai Eredmény (EPCO) definíciói szerint kategorizáltak. . A modell teljesítményét olyan mérőszámokkal mérték, mint a vevő működési jellemzői (ROC) görbe (AUC), pontosság és precizitás. A modell értelmezhetőségének javítása érdekében az RF modell Variable Importance (VIMP) és Shapley Additive Explanations (SHAP) algoritmusát alkalmaztuk. A specifikus fertőzéstípusok kimutatható előrejelzése érdekében véletlenszerűen kiválasztott 5 beteg adatait betápláltuk a modellbe, a kapott valószínűségeket egy radardiagramon ábrázoltuk.

Tanulmány típusa

Megfigyelő

Beiratkozás (Tényleges)

42540

Kapcsolatok és helyek

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

Tanulmányi helyek

    • Beijing
      • Beijing, Beijing, Kína, 100853
        • Depatment of Anesthesiology, The First Medical Center Affiliation: Chinese PLA General Hospital

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

  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

A képzési készlet 42 540 idős beteget tartalmazott, akiket a Kínai PLA Általános Kórház (PLAGH) Első Orvosi Központjában kezeltek 2014 januárja és 2019 augusztusa között.

Leírás

Bevételi kritériumok:

  1. Életkor ≥ 65 év;
  2. Helyi érzéstelenítést nem igénylő műtéten átesett betegek.

Kizárási kritériumok:

  1. idegsebészeti vagy szívsebészeti beavatkozáson átesett betegek;
  2. Preoperatív fertőzésben szenvedő betegek (beleértve a tüdőgyulladást, az SSI-t, a húgyúti fertőzéseket és a véráramfertőzéseket).

Tanulási terv

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

Hogyan készül a tanulmány?

Tervezési részletek

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Többszörös fertőzés gépi tanulási előrejelzése idős sebészeti betegeknél
Időkeret: 2012. január - 2018. augusztus
A kutatók gépi tanulási technikákat alkalmazva kidolgozták a geriátriai fertőzésértékelési modellt, hazai adatbázisok felhasználásával az idős betegek többszörös posztoperatív fertőzésének előrejelzésére.
2012. január - 2018. augusztus

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Nyomozók

  • Tanulmányi szék: Weidong Mi, Depatment of Anesthesiology, The First Medical Center Affiliation: Chinese PLA General Hospital

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)

2022. szeptember 1.

Elsődleges befejezés (Tényleges)

2023. december 30.

A tanulmány befejezése (Tényleges)

2024. március 30.

Tanulmányi regisztráció dátumai

Először benyújtva

2024. augusztus 7.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2024. augusztus 7.

Első közzététel (Tényleges)

2024. augusztus 9.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2024. szeptember 24.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2024. szeptember 21.

Utolsó ellenőrzés

2024. szeptember 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Egyéb vizsgálati azonosító számok

  • PLAGH-AOC-L03

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. .

Iratkozz fel