- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04771429
Un modello predittivo di Machine Learning per la sepsi
Un modello di rischio di apprendimento automatico per i bambini con sepsi
La previsione tempestiva e accurata dell'insorgenza della sepsi e l'intervento attivo nel trattamento possono migliorare efficacemente la sopravvivenza e il tasso di guarigione dei pazienti con sepsi.
Utilizzando l'apprendimento automatico e l'elaborazione del linguaggio naturale, vogliamo sviluppare modelli per 1) identificare tutti i bambini con sepsi ricoverati in ospedale e 2) stratificarli per distinguere quelli ad alto rischio di morte b) Come intraprenderai il tuo lavoro? Dagli ospedali di Shanghai e MIMIC III, svilupperemo un set di dati molto ampio di ricoveri di pazienti per tutte le condizioni mediche inclusa la sepsi dalla cartella clinica elettronica. Questi dati includeranno sia dati strutturati come età, sesso, farmaci, valori di laboratorio, comorbilità, sia dati non strutturati come riassunti delle dimissioni e note del medico. Utilizzando il set di dati, addestreremo un modello attraverso l'elaborazione del linguaggio naturale e l'apprendimento automatico per essere in grado di identificare le persone ricoverate con sepsi e identificare quei pazienti che saranno ad alto rischio di morte. Verificheremo la capacità di questi modelli di determinare la nostra accuratezza predittiva. Successivamente testeremo questi modelli presso altre istituzioni.
Panoramica dello studio
Stato
Condizioni
Descrizione dettagliata
Introduzione: la previsione tempestiva e accurata dell'insorgenza di sepsi e l'intervento attivo nel trattamento possono migliorare efficacemente la sopravvivenza e il tasso di guarigione dei pazienti con sepsi. Ci sono stati un gran numero di risultati di ricerca sulla previsione della sepsi prodotti da due metodi: il metodo di rilevamento e valutazione della sepsi basato su meccanismi di punteggio clinico e il metodo di rilevamento della sepsi basato sul modello di apprendimento automatico.
Obiettivo: una pre-elaborazione dei dati ragionevole ed efficace può migliorare significativamente la tempestività e l'accuratezza dei modelli di allerta precoce della sepsi. Dati i problemi di elevata dispersione temporale, distribuzione non uniforme e grandi differenze di indicatori comuni di modellazione della previsione della sepsi, lo studio ha proposto un metodo di interpolazione ibrida basato su indicatori di sepsi relativi alla finestra temporale.
Metodi: Lo studio ha progettato il metodo di interpolazione dei dati tradizionale basato su lineare, MGP, media, vicino più vicino e il metodo di interpolazione ibrida (CTWH) basato sulla finestra temporale di correlazione (CTW) proposto nello studio per il confronto sperimentale. Gli esperimenti sono stati eseguiti rispettivamente in set di campioni senza rimozione di dati sperimentali e set di campioni con rimozione dei valori mancanti del 90%. Confrontando le prestazioni dei metodi di interpolazione degli indicatori di sepsi esistenti sullo stesso modello di base, l'efficacia del metodo è stata dimostrata dall'accuratezza e dalla tempestività dei risultati della previsione. Alla fine, i risultati del metodo sperimentale sono stati analizzati e spiegati da una prospettiva clinica.
Significato:
In considerazione delle caratteristiche di elevata dispersione, distribuzione non uniforme e grandi differenze tra le caratteristiche degli indicatori comunemente utilizzati nei modelli di previsione della sepsi, questo studio ha proposto un'efficiente strategia di interpolazione dei dati. Dopo l'eliminazione dei dati mancanti del 90% e dello 0%, il metodo di interpolazione proposto in questo studio ha funzionato meglio dei metodi esistenti come l'interpolazione media e l'interpolazione lineare, KNN, MGP sulla baseline statica e sui modelli di serie temporali. Allo stesso tempo, questo metodo ha anche fornito un'idea per esplorare la lunghezza della finestra di interpolazione e ha supportato lo studio prospettico dell'interpolazione del valore mancante e della pre-elaborazione dei dati.
Tipo di studio
Iscrizione (Anticipato)
Contatti e Sedi
Luoghi di studio
-
-
Yangpu
-
Shanghai, Yangpu, Cina, 200092
- Reclutamento
- Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China
-
Contatto:
- Xin Sun, PhD
- Numero di telefono: 18902268716
- Email: Doctorsunxin@hotmail.com
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- diagnosi di "infezione", "shock settico" o "sepsi" o "setticemia"
Criteri di esclusione:
- Infezione acuta del tratto respiratorio superiore
- Neonati
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Identificazione della sepsi
Lasso di tempo: Linea di base
|
I pazienti con sepsi sono stati sottoposti a screening in base allo standard Sepsis-III
|
Linea di base
|
Collaboratori e investigatori
Investigatori
- Investigatore principale: Xin Sun, MD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Anticipato)
Completamento dello studio (Anticipato)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Effettivo)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- XHEC-C-2021-104-1
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
Descrizione del piano IPD
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 .