- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT04784351
Previsione della durata prevista della degenza ospedaliera utilizzando l'apprendimento automatico
16 marzo 2026 aggiornato da: David Levine, Brigham and Women's Hospital
Questo è uno studio osservazionale retrospettivo basato sui dati del database del Brigham and Women's Home Hospital.
I dati sociodemografici e clinici di una coorte di addestramento sono stati utilizzati per addestrare un algoritmo di apprendimento automatico per prevedere la durata della degenza durante il ricovero di un paziente.
Questo algoritmo è stato quindi convalidato in una coorte di convalida.
Panoramica dello studio
Stato
Ritirato
Tipo di studio
Osservativo
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Luoghi di studio
-
-
Massachusetts
-
Boston, Massachusetts, Stati Uniti, 02115
- Brigham and Women's Hospital
-
Boston, Massachusetts, Stati Uniti, 02130
- Brigham and Women's Faulkner Hospital
-
-
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
18 anni e precedenti (Adulto, Adulto più anziano)
Accetta volontari sani
No
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
Soggetti ricoverati presso il Brigham and Women's Hospital e il Brigham and Women's Faulkner Hospital che soddisfano i requisiti di diagnosi primaria, età e residenza entro 5 miglia e sono iscritti all'ospedale domiciliare.
Descrizione
Era un soggetto nello studio del Brigham and Women's Home Hospital e ha una registrazione completa nel database dello studio.
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
|---|
|
Formazione
Un sottoinsieme di pazienti utilizzati per addestrare l'algoritmo di apprendimento automatico.
|
|
Convalida
Un sottoinsieme di pazienti che vengono "trattenuti" e utilizzati per convalidare l'accuratezza dell'algoritmo.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Durata del soggiorno
Lasso di tempo: Dalla data di ricovero alla data di dimissione (da 1 a 24 giorni)
|
Il tempo trascorso da ciascun paziente in Home Hospital dal momento del ricovero al momento della dimissione, misurato in ore
|
Dalla data di ricovero alla data di dimissione (da 1 a 24 giorni)
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Collaboratori
Investigatori
- Investigatore principale: David Levine, MD MPH MA, Associate Physician
Pubblicazioni e link utili
La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.
Pubblicazioni generali
- Lubelski D, Ehresman J, Feghali J, Tanenbaum J, Bydon A, Theodore N, Witham T, Sciubba DM. Prediction calculator for nonroutine discharge and length of stay after spine surgery. Spine J. 2020 Jul;20(7):1154-1158. doi: 10.1016/j.spinee.2020.02.022. Epub 2020 Mar 13.
- Karnuta JM, Churchill JL, Haeberle HS, Nwachukwu BU, Taylor SA, Ricchetti ET, Ramkumar PN. The value of artificial neural networks for predicting length of stay, discharge disposition, and inpatient costs after anatomic and reverse shoulder arthroplasty. J Shoulder Elbow Surg. 2020 Nov;29(11):2385-2394. doi: 10.1016/j.jse.2020.04.009. Epub 2020 Jun 9.
- Ramkumar PN, Navarro SM, Haeberle HS, Karnuta JM, Mont MA, Iannotti JP, Patterson BM, Krebs VE. Development and Validation of a Machine Learning Algorithm After Primary Total Hip Arthroplasty: Applications to Length of Stay and Payment Models. J Arthroplasty. 2019 Apr;34(4):632-637. doi: 10.1016/j.arth.2018.12.030. Epub 2018 Dec 27.
- Ma X, Si Y, Wang Z, Wang Y. Length of stay prediction for ICU patients using individualized single classification algorithm. Comput Methods Programs Biomed. 2020 Apr;186:105224. doi: 10.1016/j.cmpb.2019.105224. Epub 2019 Nov 20.
- Daghistani TA, Elshawi R, Sakr S, Ahmed AM, Al-Thwayee A, Al-Mallah MH. Predictors of in-hospital length of stay among cardiac patients: A machine learning approach. Int J Cardiol. 2019 Aug 1;288:140-147. doi: 10.1016/j.ijcard.2019.01.046. Epub 2019 Jan 19.
- Bacchi S, Oakden-Rayner L, Menon DK, Jannes J, Kleinig T, Koblar S. Stroke prognostication for discharge planning with machine learning: A derivation study. J Clin Neurosci. 2020 Sep;79:100-103. doi: 10.1016/j.jocn.2020.07.046. Epub 2020 Aug 5.
- Navarro SM, Wang EY, Haeberle HS, Mont MA, Krebs VE, Patterson BM, Ramkumar PN. Machine Learning and Primary Total Knee Arthroplasty: Patient Forecasting for a Patient-Specific Payment Model. J Arthroplasty. 2018 Dec;33(12):3617-3623. doi: 10.1016/j.arth.2018.08.028. Epub 2018 Sep 5.
- Young AJ, Hare A, Subramanian M, Weaver JL, Kaufman E, Sims C. Using Machine Learning to Make Predictions in Patients Who Fall. J Surg Res. 2021 Jan;257:118-127. doi: 10.1016/j.jss.2020.07.047. Epub 2020 Aug 18.
- Sinha I, Aluthge DP, Chen ES, Sarkar IN, Ahn SH. Machine Learning Offers Exciting Potential for Predicting Postprocedural Outcomes: A Framework for Developing Random Forest Models in IR. J Vasc Interv Radiol. 2020 Jun;31(6):1018-1024.e4. doi: 10.1016/j.jvir.2019.11.030. Epub 2020 May 4.
- Merrill RK, Ferrandino RM, Hoffman R, Shaffer GW, Ndu A. Machine Learning Accurately Predicts Short-Term Outcomes Following Open Reduction and Internal Fixation of Ankle Fractures. J Foot Ankle Surg. 2019 May;58(3):410-416. doi: 10.1053/j.jfas.2018.09.004. Epub 2019 Feb 23.
- Nemati M, Ansary J, Nemati N. Machine-Learning Approaches in COVID-19 Survival Analysis and Discharge-Time Likelihood Prediction Using Clinical Data. Patterns (N Y). 2020 Aug 14;1(5):100074. doi: 10.1016/j.patter.2020.100074. Epub 2020 Jul 4.
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (Effettivo)
20 marzo 2021
Completamento primario (Stimato)
1 agosto 2026
Completamento dello studio (Stimato)
1 dicembre 2026
Date di iscrizione allo studio
Primo inviato
2 marzo 2021
Primo inviato che soddisfa i criteri di controllo qualità
2 marzo 2021
Primo Inserito (Effettivo)
5 marzo 2021
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
17 marzo 2026
Ultimo aggiornamento inviato che soddisfa i criteri QC
16 marzo 2026
Ultimo verificato
1 marzo 2026
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
- Malattie urogenitali
- Malattie vascolari
- Malattia cardiovascolare
- Processi patologici
- Malattie urogenitali maschili
- Malattie renali
- Malattie urologiche
- Malattie urogenitali femminili
- Malattie urogenitali femminili e complicanze della gravidanza
- Malattie cardiache
- Malattia cronica
- Attributi della malattia
- Malattie del sistema immunitario
- Malattie delle vie respiratorie
- Malattie polmonari
- Malattie bronchiali
- Malattie polmonari, ostruttive
- Ipersensibilità respiratoria
- Ipersensibilità, immediata
- Ipersensibilità
- Insufficienza renale
- Ipertensione
- Condizioni patologiche, segni e sintomi
- Crisi ipertensiva
- Arresto cardiaco
- Malattia polmonare, cronica ostruttiva
- Asma
- Infezioni
- Insufficienza renale cronica
Altri numeri di identificazione dello studio
- 2017P002583b
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
NO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
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 .
Prove cliniche su Arresto cardiaco
-
Region SkaneIscrizione su invitoInsufficienza cardiaca Classe II della New York Heart Association (NYHA). | Insufficienza cardiaca Classe III della New York Heart Association (NYHA).Svezia
-
Yonsei UniversityReclutamentoIschemic Heart Disease | Cardiopatia Non IschemicaCorea del Sud
-
Medical University of BialystokMedical University of Lodz; Poznan University of Medical Sciences; Nicolaus Copernicus... e altri collaboratoriTerminatoInsufficienza cardiaca, sistolica | Insufficienza cardiaca con frazione di eiezione ridotta | Scompenso cardiaco Classe IV della New York Heart Association | Scompenso cardiaco Classe III della New York Heart AssociationPolonia
-
V-Wave LtdJohnson & JohnsonNon ancora reclutamentoInsufficienza cardiaca congestizia | Insufficienza cardiaca e frazione di eiezione ridotta | Scompenso cardiaco Classe III della New York Heart Association | Heart Failure Chronic
-
University of WashingtonAmerican Heart AssociationCompletatoInsufficienza cardiaca, congestizia | Alterazione mitocondriale | Scompenso cardiaco Classe IV della New York Heart AssociationStati Uniti
-
Portuguese Association of Interventional CardiologyMedtronicReclutamentoStenosi Aortica Sintomatica Grave (Definita come Classe New York Heart Association (NYHA) ≥ II)Portogallo