Predizione Basata su Reti Neurali in Pazienti Critici con COVID-19
Previsione Basata su Reti Neurali nei Pazienti Critici con COVID-19
Nel contesto di una pandemia emergente senza un sistema di punteggio prognostico consolidato, gli approcci di deep learning possono essere utilizzati per sviluppare rapidamente modelli prognostici empirici.
Questo studio mirava a presentare un modello di rete neurale artificiale (ANN) per prevedere la durata della ventilazione meccanica e la mortalità nei pazienti COVID-19 in terapia intensiva.
Metodi: I dati sono stati raccolti dalle cartelle cliniche di 113 pazienti COVID-19 seguiti in terapia intensiva tra febbraio 2020 e giugno 2020. Un approccio ANN è stato utilizzato per prevedere la durata della ventilazione meccanica e la mortalità nei pazienti COVID-19 valutando i dati clinici dei pazienti (demografici, di laboratorio e comorbilità).
Panoramica dello studio
Stato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
La malattia da coronavirus 2019 (COVID-19) ha comportato un carico senza precedenti per le unità di terapia intensiva (UTI), in particolare a causa degli elevati tassi di insufficienza respiratoria che richiedono ventilazione meccanica invasiva.
L'identificazione precoce dei pazienti a rischio di ventilazione meccanica prolungata e mortalità è cruciale per ottimizzare l'allocazione delle risorse e il processo decisionale clinico.
Questo studio di coorte retrospettivo mirava a sviluppare e valutare un modello di rete neurale artificiale (RNA) per prevedere la durata della ventilazione meccanica e la mortalità intraospedaliera tra i pazienti COVID-19 ricoverati in UTI.
Dopo l'approvazione da parte del Comitato Etico per la Ricerca Clinica dell'Università di Gaziantep (Decisione N.: 2024/07, Data: 17.01.2024),
i dati di 113 pazienti adulti ricoverati in UTI tra il 1 febbraio 2020 e il 30 giugno 2020 sono stati analizzati retrospettivamente.
Dalle cartelle cliniche sono stati estratti caratteristiche demografiche, comorbidità, segni vitali, parametri di laboratorio, punteggi di gravità (es. APACHE, SOFA), modalità di trattamento ed esiti clinici.
I modelli di rete neurale artificiale sono stati sviluppati utilizzando un software disponibile in commercio (Alyuda NeuroIntelligence, Alyuda Research Inc., Los Altos, CA, USA).
Sono stati testati diversi algoritmi di addestramento, tra cui Propagazione Rapida, Discesa del Gradiente Coniugato, Quasi-Newton a Memoria Limitata, Retropropagazione Online e Retropropagazione in Batch.
Le prestazioni del modello sono state valutate utilizzando una convalida incrociata a 10 volte.
Sono state calcolate l'accuratezza predittiva per la mortalità e le prestazioni di correlazione per la durata della ventilazione meccanica.
Sono stati eseguiti anche metodi statistici classici, inclusi la regressione lineare multipla e la regressione logistica binaria, per il confronto.
L'obiettivo principale era valutare le prestazioni predittive dei modelli RNA per la mortalità in UTI.
Un obiettivo secondario era valutare le prestazioni della RNA nella stima della durata della ventilazione meccanica.
Questo studio è stato condotto in conformità con la Dichiarazione di Helsinki.
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
-
Gaziantep, Turchia (Türkiye), 27310
- Gaziantep University Hospital
-
-
Criteri di partecipazione
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
Diagnosi confermata di COVID-19
Ricovero nell'unità di terapia intensiva (UTI) tra il 1 febbraio 2020 e il 30 giugno 2020
Disponibilità di dati clinici, di laboratorio e sugli esiti completi nelle cartelle cliniche
Criteri di esclusione:
Età < 18 anni
Dati clinici incompleti o mancanti
Trasferimento in un'altra istituzione prima della valutazione degli esiti
Riammissione in UTI durante lo stesso ricovero (solo il primo ricovero incluso)
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 |
|---|---|---|
|
Mortalità in terapia intensiva per tutte le cause
Lasso di tempo: Dal ricovero in terapia intensiva fino alla dimissione ospedaliera o al decesso (fino a 90 giorni)
|
Predizione della mortalità intraospedaliera (ex-status) tra i pazienti COVID-19 ricoverati nell'unità di terapia intensiva utilizzando la modellizzazione di reti neurali artificiali basata su variabili demografiche, cliniche e di laboratorio.
|
Dal ricovero in terapia intensiva fino alla dimissione ospedaliera o al decesso (fino a 90 giorni)
|
Collaboratori e investigatori
Sponsor
Investigatori
- Investigatore principale: Elzem Sen, Assoc Prof, University of Gaziantep
Studiare le date dei record
Studia le date principali
Inizio studio (Effettivo)
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
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
- 2024/07
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (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 .