- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT06421480
Machine learning gebruiken om risicovol gedrag in psychiatrische klinieken te detecteren
Risicovol gedrag detecteren en een veilige omgeving bieden bij patiënten die intramurale behandeling krijgen in een psychiatrische kliniek met behulp van het Machine Learning-model
Studie Overzicht
Toestand
Conditie
Gedetailleerde beschrijving
Het doel van deze studie is om risicovol gedrag van patiënten in een psychiatrische kliniek te detecteren met behulp van de machine learning-methode. Risicovol gedrag; Het wordt gedefinieerd als gedrag dat persoonlijk, sociaal en ontwikkelingsongewenst is en het leven en de gezondheid in gevaar brengt. Patiëntveiligheid en het zorgen voor een veilige omgeving behoren tot de belangrijkste taken van beroepsbeoefenaren in de gezondheidszorg. Zelfmoord is de belangrijkste op bewijs gebaseerde risicofactor, vooral bij personen met psychiatrische aandoeningen, en is een van de belangrijkste factoren die de patiëntveiligheid bedreigen. Zelfmoordpoging is een crisissituatie die vaak voorkomt in klinieken. Het is bekend dat het aantal zelfmoordpogingen 5 tot 10 maal toeneemt bij ziekenhuispatiënten. In klinieken met intramurale patiënten komen zelfmoordpogingen en ander risicovol gedrag vaak voor.
Het voorkomen van risicovol gedrag en het bieden van een veilige omgeving in psychiatrische klinieken is een belangrijke kwestie in ons land en in de wereld. Om risicovol gedrag op te sporen en de veiligheid van patiënten en werknemers te garanderen, zijn er maatregelen om patiënten met camera's in psychiatrische klinieken te monitoren, binnen het kader van de kwaliteitsnormen op het gebied van de gezondheidszorg. Deze maatregelen zijn echter niet voldoende om het probleem volledig op te lossen. In psychiatrische klinieken wordt de patiëntmonitoring verzorgd door een verpleegkundige die voortdurend de in de kamers geplaatste camerabeelden op het computerscherm in de gaten houdt. Het lage aantal verpleegkundigen, vooral tijdens nachtdiensten, maakt cameratoezicht tijdens nachtdiensten lastig en vormt een probleem op het gebied van de patiëntveiligheid. Het voortdurend monitoren van de monitoren door de verpleegkundige vermindert de tijd die aan de patiënt wordt besteed en verhoogt de werkdruk. Bovendien kan risicovol gedrag niet worden gedetecteerd als er geen schermmonitoring wordt uitgevoerd. Daarom moeten er nieuwe methoden worden ontwikkeld om een veilige omgeving in psychiatrische klinieken te garanderen. In die zin is de machine learning-methode, die steeds vaker wordt gebruikt bij kunstmatige intelligentie en data-analyse, een gespecialiseerde subtak van kunstmatige intelligentie-algoritmen die probeert betekenisvolle resultaten/voorspellingen af te leiden uit bestaande gegevens. De machine learning-methode wordt vaak gebruikt op het gebied van de gezondheidszorg, en de psychiatrie is daar één van. Het belangrijkste doel van deze studie is het detecteren van risicovol en risicovol gedrag van patiënten die in een psychiatrische kliniek worden behandeld met behulp van de machine learning-methode en om ervoor te zorgen dat patiënten in een veiligere omgeving worden behandeld.
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: ceyda öztürk akdeniz, 1
- Telefoonnummer: 05394124524
- E-mail: ceyda.ozturk@artvin.edu.tr
Studie Locaties
-
-
-
Istanbul, Kalkoen, 34000
- Detecting Risky Behaviors and Providing a Safe Environment in Patients Receiving Inpatient Treatment in a Psychiatric Clinic Using Machine Learning Model
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Het is geschikt voor alle volwassen patiënten die intramuraal worden behandeld in psychiatrische klinieken. Het is ontworpen voor de kamer waar patiënten slapen.
Uitsluitingscriteria:
- Mensen jonger dan 18 jaar worden uitgesloten van het onderzoek
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
---|---|---|
Gerichte output
Tijdsspanne: 01.05.2024-01.08.2024
|
Detectie van zelfmoord en gewelddadig gedrag met behulp van de machine learning-methode
|
01.05.2024-01.08.2024
|
Medewerkers en onderzoekers
Sponsor
Studie record data
Bestudeer belangrijke data
Studie start (Geschat)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
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
- İstanbulMedeniyet
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 Machinaal leren
-
Chelsea and Westminster NHS Foundation TrustNational Institute for Health Research, United Kingdom; OCB MediaVoltooidKwaliteitsverbetering | Aan het leren | e-learningVerenigd Koninkrijk
-
Orsi AcademyVoltooid
-
Maastricht University Medical CenterActief, niet wervendActinische keratosen | Dermatologie | E-learningNederland
-
Kerman University of Medical SciencesVoltooidVoorspelling van hypothyreoïdiepatiënten met behulp van machine learning-algoritmen | Identificatie van belangrijke symptomen van hypothyreoïdieIran, Islamitische Republiek
-
BrainswayOnbekendGegevensverzameling voor het faciliteren van machine learning-algoritmen voor gepersonaliseerde behandelingVerenigde Staten
-
Wuhan Union Hospital, ChinaNog niet aan het wervenNiet-kleincellige longkanker | Pathologische volledige respons | Neoadjuvante chemo-immunotherapie | Deep Learning-model
-
Sun Yat-sen UniversityWervingDeep Learning-modelChina
-
Bahria UniversityWervingCovid-19 | Medisch student | E-learningPakistan
-
Fondazione Policlinico Universitario Agostino Gemelli...WervingBeschrijf typische grijswaarden/kleurendoppler-echografiekenmerken van zwangerschaps-trofoblastische neoplasie bij het Amerikaanse onderzoek | Om te beoordelen of er bij de Amerikaanse baseline-scan verschillen zijn tussen patiënten met een laag risico en patiënten met een hoog... en andere voorwaardenItalië
-
Third Affiliated Hospital, Sun Yat-Sen UniversityWervingOntwikkel een op CT gebaseerd tumorontluikend voorspellend model voor blaaskanker met behulp van deep learning-algoritmenChina