Machine learning op de intensive care: het voorspellen van sterfte bij bloedbaaninfecties (ICU: Intensive Care) (ICU)
Machine learning op de intensive care: het voorspellen van de sterfte bij patiënten met carbapenem-resistente gramnegatieve bacillen-bloedbaaninfecties
Met behulp van onze eigen patiëntgegevens was ons onderzoek gericht op het voorspellen van de mortaliteit die zich kan ontwikkelen bij carbapenem-resistente Gram-negatieve bacillen bloedbaaninfecties met een op machine learning gebaseerd model.
Op de intensive care zullen patiënten met bloedbaaninfecties, zowel met als zonder sterfte, ter vergelijking retrospectief in twee subgroepen worden onderzocht.
Studie Overzicht
Toestand
Interventie / Behandeling
Gedetailleerde beschrijving
Carbapenems zijn een van de laatste redmiddel-antibiotica die worden gebruikt voor de behandeling van ernstige infecties veroorzaakt door multiresistente gramnegatieve pathogenen. Infecties met carbapenem-resistente gramnegatieve bacillen (CR-GNB) zijn de afgelopen tien jaar wijdverspreid geworden en vormen een ernstige bedreiging voor de volksgezondheid. Carbapenem-resistente Enterobacteriaceae (CRE), Carbapenem-resistente Acinetobacter baumannii (CRAB) en Carbapenem-resistente Pseudomonas aeruginosa (CRPA) staan wereldwijd bovenaan de prioriteitenlijst van antibioticaresistente bacteriën. CR-GNB veroorzaakt een breed spectrum aan infecties, waaronder bacteriëmie, urineweginfecties, longontsteking en intra-abdominale infecties. Carbapenem-resistente bloedbaaninfecties zijn een belangrijke oorzaak van morbiditeit en mortaliteit, en de therapeutische opties voor de behandeling zijn uiterst beperkt. Door risicofactoren te evalueren bij patiënten die op de intensive care worden gevolgd, kunnen scoresystemen die de prognose kunnen voorspellen het sterfterisico verminderen door de vroege toepassing van effectieve antibiotica en tijdige hemodynamische ondersteuning te garanderen die momenteel in gebruik zijn.
Met de accumulatie van big data en de vooruitgang op het gebied van dataopslagtechnieken, demonstreren innovatieve en pragmatische machine learning-methoden die in ons leven zijn verschenen, goede voorspellingsprestaties op medisch gebied. Op machine learning gebaseerde modellen die zijn ontwikkeld om de mortaliteit te voorspellen bij patiënten die worden gevolgd op de intensive care, zijn beschikbaar in de literatuur en bieden de mogelijkheid voor eerder ingrijpen bij patiënten.
Met behulp van onze eigen patiëntgegevens zullen op de intensive care patiënten met bloedbaaninfecties, zowel met als zonder sterfte, retrospectief in twee subgroepen worden onderzocht ter vergelijking. Ons doel is om de sterfte die zich kan ontwikkelen bij carbapenem-resistente Gram-negatieve bacillen bloedbaaninfecties te voorspellen met een op machine learning gebaseerd model.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
-
Kocaeli, Turkije (Türkiye)
- Kocaeli University
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- In ons onderzoek zullen patiënten die tussen juni 2017 en juni 2023 werden gevolgd op de tertiaire intensive care-afdeling van ons ziekenhuis en bloedbaaninfecties ontwikkelden met Carbapenem-resistente Enterobacteriaceae, Carbapenem-resistente Acinetobacter baumannii en Carbapenem-resistente Pseudomonas aeruginosa met terugwerkende kracht worden geïncludeerd.
Uitsluitingscriteria:
- Patiënten jonger dan 18 jaar en patiënten met andere infecties dan bloedbaaninfecties worden niet opgenomen.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Overleden patiënten
Carbapenem-resistente Gram-negatieve bacillen Bloedstroominfectie Met sterfte
|
Met behulp van deep learning proberen we een algoritme te ontwikkelen en te anticiperen op sterfte
|
|
Overlevende patiënten
Carbapenem-resistente Gram-negatieve bacillen Bloedstroominfectie Zonder sterfte
|
Met behulp van deep learning proberen we een algoritme te ontwikkelen en te anticiperen op sterfte
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Risico op sterfte
Tijdsspanne: 3 maanden
|
De gevoeligheid en specificiteit worden gedefinieerd met de AUC-ROC-curve (Area Under the Receiver Operating Characteristic-curve) met behulp van een machine learning-algoritme
|
3 maanden
|
Medewerkers en onderzoekers
Sponsor
Onderzoekers
- Hoofdonderzoeker: özlem güler, Kocaeli University
Publicaties en nuttige links
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
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
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- GOKAEK-2023/12.31
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
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 .