- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT05045742
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
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
-
-
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.
|
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.
|
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
Medewerkers
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
-
University Hospital TuebingenVoltooidHeart Assist-apparaatDuitsland
-
University of ChicagoVoltooidHartfalen | Heart Assist-apparaat | HyponatremischVerenigde Staten
-
Region SkaneAanmelden op uitnodigingHartfalen New York Heart Association (NYHA) Klasse II | Hartfalen New York Heart Association (NYHA) Klasse IIIZweden
-
Carmel Medical CenterOnbekendPneumoperitoneum | Heart Output StoornisIsraël
-
Medical University of BialystokInstitute of Cardiology, Warsaw, Poland; Medical University of Lodz; Poznan University... en andere medewerkersNog niet aan het wervenHartfalen, systolisch | Hartfalen met verminderde ejectiefractie | Hartfalen New York Heart Association Klasse IV | Hartfalen New York Heart Association Klasse IIIPolen
-
Triple-Gene, LLCIntrexon Corporation; Precigen, IncVoltooidHart-en vaatziekten | Hartfalen | Heart-Assist-apparaatVerenigde Staten
-
University of WashingtonAmerican Heart AssociationVoltooidHartfalen, congestief | Mitochondriale verandering | Hartfalen New York Heart Association Klasse IVVerenigde Staten
-
Novartis PharmaceuticalsVoltooidPatiënten die de behandelingsperiode van 12 maanden van de kernstudie met succes hebben afgerond (de Novo Heart-ontvangers) die geïnteresseerd waren om behandeld te worden met EC-MPS