- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT06310525
Utilizzo dell'apprendimento automatico per ottimizzare la formula danese dell'annegamento (DROWN_DDF2)
Identificazione dell'annegamento assistita dal machine learning per i dati danesi sull'annegamento preospedaliero: utilizzo del machine learning per ottimizzare la formula danese sull'annegamento
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Il FODD è stato pubblicato nel 2023. Si tratta di un algoritmo di ricerca testuale progettato per cercare nei campi di testo non strutturati nei database contenenti cartelle cliniche elettroniche per identificare tutti i potenziali incidenti legati all'acqua. Il DDF è costituito da numerose parole chiave correlate alle lesioni da immersione (ad esempio, "drukn"/annegare, "vand"/acqua, "hav"/oceano e "båd"/barca).
Uno studio in corso ha mostrato parametri di prestazione impressionanti del FODD come strumento di identificazione dell’annegamento quando applicato al PEMR danese a condizioni illimitate. Tuttavia, il PPV era basso per il rilevamento specifico degli incidenti di annegamento. Questo studio mira ad aumentare il valore predittivo positivo del FODD e a ridurre le esigenze temporali associate alla convalida manuale.
I dati vengono estratti dalla cartella clinica elettronica preospedaliera nazionale danese utilizzando il DDF e convalidati manualmente prima di essere inseriti nei dati sull'annegamento preospedaliero danese (DPDD).
I dati del DPDD dal 2016 al 2021 saranno suddivisi in 80% (dati di formazione) e 20% (dati di test) e utilizzati per addestrare l'apprendimento automatico.
I dati del DPDD del periodo 2022-2023 verranno utilizzati come dati di convalida per calcolare le metriche delle prestazioni per l'apprendimento automatico.
Tipo di studio
Iscrizione (Stimato)
Contatti e Sedi
Luoghi di studio
-
-
Region Zealand
-
Næstved, Region Zealand, Danimarca, 4700
- Prehospital Center
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Il paziente deve aver manifestato compromissione respiratoria dovuta all'immersione o all'immersione in liquidi (inclusa tosse persistente, arresto respiratorio e perdita di coscienza).
- Il paziente deve essere stato in contatto con i servizi medici di emergenza preospedalieri danesi.
Criteri di esclusione:
- Dupletti
- Numero di registrazione civile non valido
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
---|---|
Annegamento mortale
Episodi di annegamento in cui il paziente è deceduto entro 30 giorni dall'incidente in conseguenza della lesione da immersione
|
L'annegamento è stato definito dall'OMS nel 2002 come "il processo di compromissione respiratoria derivante dall'immersione o dall'immersione in un liquido".
|
Annegamento non mortale
Episodi di annegamento in cui il paziente è sopravvissuto fino a 30 giorni
|
L'annegamento è stato definito dall'OMS nel 2002 come "il processo di compromissione respiratoria derivante dall'immersione o dall'immersione in un liquido".
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
---|---|---|
Sensibilità dell'algoritmo di apprendimento automatico come strumento di identificazione dell'annegamento
Lasso di tempo: La sensibilità del machine learning addestrato sarà calcolata sulla base dei dati del 2022 e del 2023.
|
La sensibilità [TP / (TP+FN)] sarà calcolata per mostrare le prestazioni dell'apprendimento automatico come strumento di identificazione dell'annegamento.
|
La sensibilità del machine learning addestrato sarà calcolata sulla base dei dati del 2022 e del 2023.
|
Specificità dell'algoritmo di machine learning come strumento di identificazione dell'annegamento
Lasso di tempo: La specificità dell'apprendimento automatico addestrato sarà calcolata sulla base dei dati del 2022 e del 2023.
|
La specificità [TN / (FP+TN)] sarà calcolata per mostrare le prestazioni dell'apprendimento automatico come strumento di identificazione dell'annegamento.
|
La specificità dell'apprendimento automatico addestrato sarà calcolata sulla base dei dati del 2022 e del 2023.
|
PPV dell'algoritmo di machine learning
Lasso di tempo: Il PPV del machine learning addestrato sarà calcolato sulla base dei dati del 2022 e del 2023.
|
PPV [TP / (TP+FP)] verrà calcolato per mostrare il risultato del test di machine learning.
|
Il PPV del machine learning addestrato sarà calcolato sulla base dei dati del 2022 e del 2023.
|
VAN dell'algoritmo di machine learning
Lasso di tempo: Il VAN del machine learning addestrato sarà calcolato sulla base dei dati del 2022 e del 2023.
|
VAN [TN / (FN+TN)] verrà calcolato per mostrare il risultato del test di machine learning.
|
Il VAN del machine learning addestrato sarà calcolato sulla base dei dati del 2022 e del 2023.
|
Collaboratori e investigatori
Investigatori
- Direttore dello studio: Helle Collatz Christensen, Ass. Prof., Prehospital Center, Region Zealand
Pubblicazioni e link utili
Pubblicazioni generali
- Breindahl N, Wolthers SA, Jensen TW, Holgersen MG, Blomberg SNF, Steinmetz J, Christensen HC; Danish Cardiac Arrest Group. Danish Drowning Formula for identification of out-of-hospital cardiac arrest from drowning. Am J Emerg Med. 2023 Nov;73:55-62. doi: 10.1016/j.ajem.2023.08.024. Epub 2023 Aug 15.
- Breindahl N, Wolthers SA, Moller TP, Blomberg SNF, Steinmetz J, Christensen HC; Danish Drowning Validation Group. Characteristics and critical care interventions in drowning patients treated by the Danish Air Ambulance from 2016 to 2021: a nationwide registry-based study with 30-day follow-up. Scand J Trauma Resusc Emerg Med. 2024 Mar 6;32(1):17. doi: 10.1186/s13049-024-01189-y.
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Stimato)
Completamento dello studio (Stimato)
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
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- DROWN_DDF2
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 .