Un modello di intelligenza artificiale per la durata della terapia intensiva del soggiorno, dei risultati neurologici e della stima dei costi dopo la rianimazione cardiopolmonare: uno studio di coorte.
Un modello di intelligenza artificiale per la durata della terapia intensiva del soggiorno, dei risultati neurologici e della stima dei costi dopo la rianimazione cardiopolmonare: uno studio di coorte
Panoramica dello studio
Stato
Stato
Condizioni
Condizioni
Intervento / Trattamento
Intervento / Trattamento
Tipo di studio
Tipo di studio
Iscrizione (Stimato)
Iscrizione
Criteri di partecipazione
Criteri di ammissibilità
Criteri di ammissibilità
Età idonea allo studio
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criteri di inclusione:
- età> 18 anni
- Rianimazione cardiopolmonare successiva
- Ammissione di almeno 1 ora in terapia intensiva dopo il ritorno della circolazione spontanea (ROSC)
Criteri di esclusione:
- età <18 anni
- >80% di dati mancanti nelle cartelle cliniche dei pazienti
- pazienti senza ROSC
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Numero di gruppi/coorti
Coorti e interventi
Gruppo / CoorteGruppo / Coorte |
Intervento / TrattamentoIntervento / Trattamento |
|---|---|
|
Età> 18 anni di pazienti dopo rianimazione cardiopolmonare di successo osservata nella rianimazione
|
I dati dei pazienti dopo un successivo soccorso saranno valutati da programmi di apprendimento automatico.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Programma Python di apprendimento automatico
Lasso di tempo: 3 mesi
|
Il database creato verrà analizzato utilizzando un algoritmo di intelligenza artificiale per l'apprendimento automatico con il linguaggio di programmazione Python.
Dopo aver elaborato dati mancanti e incompleti mediante intelligenza artificiale, il database sarà diviso in due parti: formazione del modello e validazione del modello.
Verranno selezionati dati significativi tramite formazione del modello e un modello di previsione sarà costruito in base a questi dati.
Per aumentare l'interpretazione del modello di previsione e aiutare gli utenti a capire come e perché vengono fatte alcune previsioni, verrà utilizzato l'algoritmo delle spiegazioni additive di Shapley (SHAP).
Nell'apprendimento automatico, la tecnica a forma viene utilizzata per interpretare i processi decisionali di modelli di apprendimento automatico complessi.
|
3 mesi
|
Collaboratori e investigatori
Sponsor
Sponsor
Studiare le date dei record
Studia le date principali
Inizio studio (Stimato)
Inizio studio
Completamento primario (Stimato)
Completamento primario
Completamento dello studio (Stimato)
Completamento dello studio
Date di iscrizione allo studio
Primo inviato
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Stimato)
Primo Inserito
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Stimato)
Ultimo aggiornamento pubblicato
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Altri numeri di identificazione dello studio
Altri numeri di identificazione dello studio
- Nkangarli002
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .