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

Machine Learning-model om de uitkomst en duur van mechanische ventilatie bij acuut hypoxemisch ademhalingsfalen te voorspellen (MEMORIAL)

7 juli 2026 bijgewerkt door: Jesus Villar, Hospital Universitario de Gran Canaria Doctor Negrín

Een optimaal machinaal leermodel ontwikkelen om het resultaat van de ICU en de duur van mechanische beademing te voorspellen bij patiënten met acuut hypoxemisch ademhalingsfalen

Acuut hypoxemisch respiratoir falen (AHRF) is wereldwijd de meest voorkomende oorzaak van opname op de intensive care-afdelingen (UCI's). We zullen de waarde beoordelen van machine learning (ML)-technieken voor vroege voorspelling van overlijden op de IC en langdurige duur (>7 dagen) van mechanische beademing (MV) bij 1.241 patiënten die deelnamen aan de PANDORA-studie (Prevalence AND Outcome of acute Respiratory falen) in Spanje. De studie werd geregistreerd bij ClinicalTrials.gov (NCT03145974). Ons doel is om het minimumaantal variabelenmodellen te evalueren met behulp van logistische regressie en vier bewaakte ML-algoritmen: Random Forest, Extreme Gradient Boosting, Support Vector Machine en Multilayer Perceptron.

Studie Overzicht

Toestand

Voltooid

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Acuut hypoxemisch respiratoir falen (AHRF) is wereldwijd de meest voorkomende oorzaak van opname op de intensive care-afdelingen (UCI's). We zullen de waarde beoordelen van machine learning (ML) technieken voor vroege voorspelling van overlijden op de intensive care en langdurige duur (>7 dagen) van mechanische ventilatie (MV) bij AHRF-patiënten met MV. Er zijn weinig onderzoeken die de voorspelling van de mortaliteit en de duur van MV bij patiënten met AHRF hebben onderzocht.

Voor modelontwikkeling zullen de onderzoekers gegevens voor de eerste 3 dagen na de diagnose van AHRF extraheren van patiënten die zijn opgenomen in de geanonimiseerde database van het PANDORA-cohort. We hadden een database met 2.000.000 geanonimiseerde en gedissocieerde demografische en klinische gegevens van 1.241 patiënten met AHRF die deelnamen aan ons PANDORA-cohort (Prevalence AND Outcome of acute Respiratory falen) uit 22 Spaanse ziekenhuizen en gecoördineerd door de hoofdonderzoeker (JV). De onderzoekers zullen de richtlijnen voor transparante rapportage van een multivariabel voorspellingsmodel voor individuele prognose of diagnose (TRIPOD) voor modelvoorspelling volgen. We zullen de verzamelde variabelen screenen met behulp van een genetische algoritmevariabeleselectiemethode om spaarzaamheid te bereiken. We hebben het minimumaantal variabelenmodellen geëvalueerd met behulp van logistische regressie en 4 bewaakte ML-algoritmen: Random Forest, Extreme Gradient Boosting, Support Vector Machine en Multilayer Perceptron. We zullen een vijfvoudige kruisvalidatie gebruiken in de dataset van 1.000 patiënten die willekeurig zijn geselecteerd in trainingsgegevens (80%) en testgegevens (20%). Voor externe validatie zullen we de overige 241 patiënten gebruiken.

Studietype

Observationeel

Inschrijving (Werkelijk)

1241

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

  • Spanje
      • Ciudad Real, Spanje, 13005
        • Hospital General Universitario de Ciudad Real
      • Cuenca, Spanje, 16002
        • Hospital Virgen de La Luz
      • Madrid, Spanje, 28046
        • Hospital Universitario La Paz
      • Madrid, Spanje, 28222
        • Hospital Universitario Puerta de Hierro
      • Murcia, Spanje, 3012
        • Hospital Universitario Virgen de Arrixaca
      • Santa Cruz de Tenerife, Spanje, 38010
        • Hospital Universitario NS de Candelaria
      • Valencia, Spanje, 46010
        • Hospital Cinico de Valencia
      • Valladolid, Spanje, 47012
        • Hospital Universitario Rio Hortega

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

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Geanonimiseerde dataset met 1.241 mechanisch beademde patiënten met acuut hypoxemisch respiratoir falen die achtereenvolgens zijn opgenomen in een netwerk van Spaanse ICU's.

Beschrijving

Inclusiecriteria:

  • endotracheale intubatie plus mechanische ventilatie (MV)
  • PaO2/FiO2-verhouding ≤300 mmHg onder MV met positieve eindexpiratoire druk (PEEP) ≥5 cmH2O en FiO2 ≥0,3.

Uitsluitingscriteria:

  • Postoperatieve patiënten beademden <24 uur
  • Hersendoodpatiënten.

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
Validatiecohort
Het zal 200 willekeurig geselecteerde patiënten bevatten (20% van de 1000 patiënten met AHRF).
Ander: analyse van machine learning
We zullen robuuste machine learning-benaderingen gebruiken, zoals Random Forest, Extreme Gradient Boosting, Support Vector Machine en Multilayer Perceptron.
Andere namen:
  • Logistieke regressie, kruisvalidatie en oppervlakte onder de ROC-curven
Bevestigend cohort
Het zal de overige 241 willekeurig geselecteerde patiënten bevatten (door externe validatie)
Ander: analyse van machine learning
We zullen robuuste machine learning-benaderingen gebruiken, zoals Random Forest, Extreme Gradient Boosting, Support Vector Machine en Multilayer Perceptron.
Andere namen:
  • Logistieke regressie, kruisvalidatie en oppervlakte onder de ROC-curven
Afleiding cohort
Het zal willekeurig 800 patiënten bevatten (1.000 patiënten met AHRF)
Ander: analyse van machine learning
We zullen robuuste machine learning-benaderingen gebruiken, zoals Random Forest, Extreme Gradient Boosting, Support Vector Machine en Multilayer Perceptron.
Andere namen:
  • Logistieke regressie, kruisvalidatie en oppervlakte onder de ROC-curven

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Sterfte op de IC
Tijdsspanne: tot 100 weken (van opname tot overlijden of ontslag van de intensive care).
overlijden op de intensive care
tot 100 weken (van opname tot overlijden of ontslag van de intensive care).

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
MV-duur
Tijdsspanne: tot 100 weken (van opname tot extubatie)
duur van mechanische ventilatie
tot 100 weken (van opname tot extubatie)

Medewerkers en onderzoekers

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

Sponsor

Hospital Universitario de Gran Canaria Doctor Negrín

Onderzoekers

  • Hoofdonderzoeker: Jesus Villar, MD, PhD, Fundación Canaria Instituto de Investigación Sanitaria de Canarias

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)

19 maart 2024

Primaire voltooiing (Werkelijk)

30 mei 2026

Studie voltooiing (Werkelijk)

30 mei 2026

Studieregistratiedata

Eerst ingediend

19 maart 2024

Eerst ingediend dat voldeed aan de QC-criteria

26 maart 2024

Eerst geplaatst (Werkelijk)

27 maart 2024

Updates van studierecords

Laatste update geplaatst (Werkelijk)

9 juli 2026

Laatste update ingediend die voldeed aan QC-criteria

7 juli 2026

Laatst geverifieerd

1 juli 2026

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • PI24/00325

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 .

Abonneren