Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Voorspelling van achteruitgang van de patiënt met behulp van machine learning

15 september 2021 bijgewerkt door: David Levine, Brigham and Women's Hospital
Dit is een retrospectieve observationele studie op basis van gegevens uit de database van Brigham en Women's Home Hospital. Sociodemografische en klinische gegevens van een trainingscohort werden gebruikt om een ​​machine learning-algoritme te trainen om de achteruitgang van de patiënt tijdens de opname van een patiënt te voorspellen. Dit algoritme is vervolgens gevalideerd in een validatiecohort.

Studie Overzicht

Toestand

Actief, niet wervend

Conditie

Interventie / Behandeling

Studietype

Observationeel

Inschrijving (Verwacht)

500

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studie Locaties

  • Verenigde Staten
    • Massachusetts
      • Boston, Massachusetts, Verenigde Staten, 02115
        • Brigham and Women's Hospital
      • Boston, Massachusetts, Verenigde Staten, 02130
        • Brigham and Women's Faulkner Hospital

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

18 jaar en ouder (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

Nee

Geslachten die in aanmerking komen voor studie

Allemaal

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Proefpersonen die zijn opgenomen in het Brigham and Women's Hospital en het Brigham and Women's Faulkner Hospital die voldoen aan de vereisten voor primaire diagnose, leeftijd en geografische woonplaats en zijn ingeschreven in het thuisziekenhuis.

Beschrijving

Inclusiecriteria:

Verzorgd in het Brigham and Women's Home Hospital-onderzoek

Uitsluitingscriteria:

Onvolledige continue monitoringgegevens

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

Cohorten en interventies

Groep / Cohort
Interventie / Behandeling
Opleiding
Een subset van patiënten die worden gebruikt om het machine learning-algoritme te trainen.
Ander: Traditionele alarmen voor vitale functies versus de BioVitals Index versus de National Early Warning Score 2
We zullen retrospectief de alarmen van traditionele vitale functies (drempels ingesteld door clinici) vergelijken met de BioVitals Index versus de National Early Warning Score 2
Geldigmaking
Een subset van patiënten die "teruggehouden" worden en gebruikt worden om de nauwkeurigheid van het algoritme te valideren.
Ander: Traditionele alarmen voor vitale functies versus de BioVitals Index versus de National Early Warning Score 2
We zullen retrospectief de alarmen van traditionele vitale functies (drempels ingesteld door clinici) vergelijken met de BioVitals Index versus de National Early Warning Score 2

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Alarm last
Tijdsspanne: Van opname tot ontslag, gemeten in uren, gemiddeld 5 dagen
Het aantal alarmen per patiënt per uur
Van opname tot ontslag, gemeten in uren, gemiddeld 5 dagen

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Gevoeligheid voor herkenning van een veiligheidscomposiet
Tijdsspanne: Van opname tot ontslag gemiddeld 5 dagen
De gevoeligheid (true positives gedeeld door condition positives) voor detectie van een veiligheidscomposiet (overnachting, extra ongepland bezoek, terugplaatsing naar het ziekenhuis, overlijden tijdens opname, delirium, bewustzijnsverlies of andere belangrijke gebeurtenis).
Van opname tot ontslag gemiddeld 5 dagen
Specificiteit voor de erkenning van een veiligheidscomposiet
Tijdsspanne: Van opname tot ontslag gemiddeld 5 dagen
De specificiteit (echte negatieven gedeeld door conditienegatieven) voor detectie van een veiligheidscomposiet (overnachtend bezoek, extra ongepland bezoek, terugplaatsing naar het ziekenhuis, overlijden tijdens opname, delirium, bewustzijnsverlies of andere belangrijke gebeurtenis).
Van opname tot ontslag gemiddeld 5 dagen
Positieve voorspellende waarde voor herkenning van een veiligheidscomposiet
Tijdsspanne: Van opname tot ontslag gemiddeld 5 dagen
De positief voorspellende waarde (waar-positieven gedeeld door de som van terecht-positieven plus fout-positieven) voor detectie van een veiligheidscomposiet (overnachtingsbezoek, extra ongepland bezoek, terugplaatsing naar het ziekenhuis, overlijden tijdens opname, delirium, bewustzijnsverlies of andere grote gebeurtenis).
Van opname tot ontslag gemiddeld 5 dagen
Negatieve voorspellende waarde voor herkenning van een veiligheidscomposiet
Tijdsspanne: Van opname tot ontslag gemiddeld 5 dagen
De negatief voorspellende waarde (waar-negatieven gedeeld door de som van echt-negatieven plus fout-negatieven) voor detectie van een veiligheidscomposiet (overnachtingsbezoek, extra ongepland bezoek, terugplaatsing naar het ziekenhuis, overlijden tijdens opname, delirium, bewustzijnsverlies of andere grote gebeurtenis).
Van opname tot ontslag gemiddeld 5 dagen
Aantal alarmen met klinisch nut
Tijdsspanne: Van opname tot ontslag gemiddeld 5 dagen
We zullen algemene schattingsvergelijkingen (GEE) gebruiken met drie uitkomsten per patiënt (het aantal klinisch belangrijke alarmen voor BioVitals, NEWS2 en traditionele vitale functies); de GEE zal verantwoordelijk zijn voor de clustering tussen de drie uitkomsten bij een patiënt. De GEE zal een negatief binomiaal marginaal model gebruiken met een log-link voor het aantal alarmen met klinisch nut en een offset voor log-verblijfsduur (in uren); met dit model modelleren we het aantal alarmen per uur met klinische bruikbaarheid met BI, NEWS2 en traditionele vitale functies. De belangrijkste covariabele in het negatieve binominale model zal een covariabele met drie niveaus zijn voor de methode: BI versus NEWS2 versus traditionele vitale functies, en het exponentiële effect van deze covariabele zal een paarsgewijze frequentieverhouding zijn voor BI versus NEWS2 versus traditionele vitale functies. tekens.
Van opname tot ontslag gemiddeld 5 dagen

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Brigham and Women's Hospital

Medewerkers

Biofourmis Inc.

Onderzoekers

  • Hoofdonderzoeker: David Levine, MD MPH MA, Associate Physician

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

20 maart 2021

Primaire voltooiing (Verwacht)

1 december 2021

Studie voltooiing (Verwacht)

1 december 2021

Studieregistratiedata

Eerst ingediend

14 april 2021

Eerst ingediend dat voldeed aan de QC-criteria

15 september 2021

Eerst geplaatst (Werkelijk)

16 september 2021

Updates van studierecords

Laatste update geplaatst (Werkelijk)

16 september 2021

Laatste update ingediend die voldeed aan QC-criteria

15 september 2021

Laatst geverifieerd

1 september 2021

Meer informatie

Termen gerelateerd aan deze studie

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 2017P002583d

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

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 Hartfalen

Zoek naar vergelijkbare onderzoeken

Sponsors en medewerkers

Medische omstandigheden

Geneesmiddelinterventies

CROs by country

CROs in Germany

Voorwaarden

Zeldzame ziekten

Geneesmiddelinterventies

Voedingssupplementen

Sponsor / medewerkers

Locaties

3
Abonneren