- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04771429
Een voorspellend model voor machinaal leren voor sepsis
Een machine learning-risicomodel voor kinderen met sepsis
Het tijdig en nauwkeurig voorspellen van het optreden van sepsis en het actief ingrijpen in de behandeling kan de overlevingskans en het genezingspercentage van patiënten met sepsis effectief verbeteren.
Met behulp van machine learning en natuurlijke taalverwerking willen we modellen ontwikkelen om 1) alle kinderen met sepsis die in het ziekenhuis zijn opgenomen te identificeren en 2) ze te stratificeren om diegenen te onderscheiden die een hoog risico lopen om te overlijden b) Hoe gaat u uw werk uitvoeren? Vanuit de ziekenhuizen in Shanghai en MIMIC III zullen we een zeer grote dataset van patiëntopnames voor alle medische aandoeningen, inclusief sepsis, uit het elektronische patiëntendossier ontwikkelen. Deze gegevens omvatten zowel gestructureerde gegevens zoals leeftijd, geslacht, medicatie, laboratoriumwaarden, comorbiditeiten als ongestructureerde gegevens zoals ontslagoverzichten en aantekeningen van artsen. Met behulp van de dataset zullen we een model trainen door middel van natuurlijke taalverwerking en machine learning om mensen te kunnen identificeren die zijn opgenomen met sepsis en die patiënten kunnen identificeren die een hoog risico lopen om te overlijden. We zullen het vermogen van deze modellen testen om onze voorspellende nauwkeurigheid te bepalen. Die modellen gaan we dan testen bij andere instellingen.
Studie Overzicht
Toestand
Conditie
Gedetailleerde beschrijving
Inleiding: Tijdig en nauwkeurig voorspellen van het optreden van sepsis en actief ingrijpen in de behandeling kan de overlevings- en genezingsgraad van patiënten met sepsis effectief verbeteren. Er zijn een groot aantal onderzoeksresultaten over de voorspelling van sepsis geproduceerd door twee methoden: de sepsisdetectie- en evaluatiemethode op basis van klinische scoremechanismen en de sepsisdetectiemethode op basis van een machine learning-model.
Doelstelling: Redelijke en effectieve voorverwerking van gegevens kan de tijdigheid en nauwkeurigheid van modellen voor vroegtijdige waarschuwing van sepsis aanzienlijk verbeteren. Gezien de problemen van hoge tijdsspreiding, ongelijke verdeling en grote verschillen van gemeenschappelijke sepsis-voorspellingsmodelleringsindicatoren, stelde de studie een methode van hybride interpolatie voor op basis van tijdvenster-gerelateerde sepsis-indicatoren.
Methoden: De studie ontwierp de traditionele data-interpolatiemethode op basis van lineair, MGP, gemiddelde, dichtstbijzijnde buur en de hybride interpolatiemethode (CTWH) op basis van correlatietijdvenster (CTW) voorgesteld in de studie voor experimentele vergelijking. Experimenten werden respectievelijk uitgevoerd in sample sets zonder experimentele gegevensverwijdering en sample sets met 90% verwijdering van ontbrekende waarden. Door vergelijking met de prestaties van de bestaande interpolatiemethoden voor sepsisindicatoren op hetzelfde basislijnmodel, werd de effectiviteit van de methode bewezen door de nauwkeurigheid en tijdigheid van de voorspellingsresultaten. Uiteindelijk zijn de resultaten van de experimentele methode vanuit een klinisch perspectief geanalyseerd en toegelicht.
Betekenis:
Gezien de kenmerken van hoge spreiding, ongelijke verdeling en grote verschillen tussen kenmerken van veelgebruikte indicatoren in sepsis-voorspellingsmodellen, stelde deze studie een efficiënte data-interpolatiestrategie voor. Na eliminatie van ontbrekende gegevens van 90% en 0% presteerde de in deze studie voorgestelde interpolatiemethode beter dan de bestaande methoden zoals gemiddelde interpolatie en lineaire interpolatie, KNN, MGP op de statische basislijn en tijdreeksmodellen. Tegelijkertijd bood deze methode ook een idee om de lengte van het interpolatievenster te verkennen, en ondersteunde het de prospectieve studie van ontbrekende waarde-interpolatie en gegevensvoorverwerking.
Studietype
Inschrijving (Verwacht)
Contacten en locaties
Studie Locaties
-
-
Yangpu
-
Shanghai, Yangpu, China, 200092
- Werving
- Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China
-
Contact:
- Xin Sun, PhD
- Telefoonnummer: 18902268716
- E-mail: Doctorsunxin@hotmail.com
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- gediagnosticeerd met "infectie", "septische shock" of "sepsis" of "bloedvergiftiging"
Uitsluitingscriteria:
- Acute infectie van de bovenste luchtwegen
- Pasgeborenen
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
---|---|---|
Identificatie van sepsis
Tijdsspanne: Basislijn
|
Sepsis-patiënten werden gescreend op basis van de Sepsis-III-standaard
|
Basislijn
|
Medewerkers en onderzoekers
Onderzoekers
- Hoofdonderzoeker: Xin Sun, MD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Verwacht)
Studie voltooiing (Verwacht)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- XHEC-C-2021-104-1
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .
Klinische onderzoeken op Sepsis
-
University of Kansas Medical CenterUniversity of KansasWervingSepsis | Septische shock | Sepsis-syndroom | Sepsis, ernstig | Sepsis Bacterieel | Sepsis-bacteriëmieVerenigde Staten
-
Jip GroenInBiomeWervingMicrobiële kolonisatie | Neonatale infectie | Neonatale sepsis, vroege aanvang | Microbiële ziekte | Klinische sepsis | Kweeknegatieve neonatale sepsis | Neonatale sepsis, late aanvang | Kweek positieve neonatale sepsisNederland
-
Karolinska InstitutetÖrebro University, SwedenVoltooidSepsis | Sepsis-syndroom | Sepsis, ernstigZweden
-
The University of QueenslandRoyal Brisbane and Women's HospitalOnbekend
-
Ohio State UniversityVoltooidSepsis, ernstige sepsis en septische shockVerenigde Staten
-
Beckman Coulter, Inc.Biomedical Advanced Research and Development AuthorityWervingErnstige sepsis | Ernstige sepsis zonder septische shockVerenigde Staten
-
Indonesia UniversityVoltooidErnstige sepsis met septische shock | Ernstige sepsis zonder septische shockIndonesië
-
University of LeicesterUniversity Hospitals, Leicester; The Royal College of AnaesthetistsVoltooidSepsis | Septische shock | Ernstige sepsis | Sepsis-syndroomVerenigd Koninkrijk
-
Weill Medical College of Cornell UniversityNational Heart, Lung, and Blood Institute (NHLBI); New York Presbyterian Hospital en andere medewerkersVoltooidSepsis | Septische shock | Ernstige sepsis | Infectie | Sepsis-syndroomVerenigde Staten
-
Inverness Medical InnovationsVoltooidSepsis | Systemisch ontstekingsreactiesyndroom | Ernstige sepsis | Sepsis-syndroomVerenigde Staten