- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT06654388
Een prognosevoorspellingsmodel construeren voor ECMO-patiënten op basis van machine learning-algoritmen
Studie Overzicht
Toestand
Conditie
Gedetailleerde beschrijving
Extracorporale membraanoxygenatie (ECMO) wordt gebruikt om continue extracorporale ademhalings- en bloedsomloopondersteuning te bieden aan patiënten met ernstig cardiopulmonaal falen. Het is de belangrijkste levensondersteunende methode in de intensive care-geneeskunde, en ook een van de meest complexe en dure behandelmethoden op de intensive care (ICU). Voor het onderhoud zijn veel hulpbronnen nodig. Daarom is het bijzonder belangrijk om de indicaties van patiënten strikt te begrijpen en de prognose van patiënten nauwkeurig te voorspellen om de klinische besluitvorming te ondersteunen.
Verschillende eerder gepubliceerde onderzoeken hebben klinische scores gebruikt om de prognose van ECMO-patiënten te voorspellen, maar de meeste daarvan concentreerden zich op ECMO-resultaten bij specifieke patiëntengroepen, zoals het volwassen ademhalingsnoodsyndroom (ARDS), respiratoir falen, longtransplantatie, cardiogene shock, enzovoort. op. Bovendien zijn de meeste van deze schattingen berekend met behulp van traditionele statistische methoden en hebben ze een beperkte fitkracht voor datasets met meer karakteristieke variabelen.
Kunstmatige intelligentie (AI) en machinaal leren (ML) bieden een geavanceerder alternatief voor traditionele statistische methoden en hebben ongeëvenaarde voordelen bij het omgaan met datasets met hoogdimensionale karakteristieke variabelen en niet-lineaire gegevens. En het kan zichzelf herhalen om de modelprestaties te verbeteren. Bovendien is ML, dat informatie kan verwerken op basis van causale of statistische gegevens, verborgen afhankelijkheden tussen klinische indicatoren en ziekteprognoses aan het licht kan brengen en de klinische besluitvorming kan ondersteunen, als het beste alternatief naar voren gekomen. ziekenhuisopname. In totaal werden 69 klinische karakteristieke indicatoren geïdentificeerd op basis van relevante literatuur en inzichten van ECMO-experts in de intensive care-geneeskunde. Deze indicatoren omvatten demografische gegevens zoals leeftijd, lengte, gewicht en de medische geschiedenis van ECMO-patiënten. Bovendien werden infectie-indicatoren beoordeeld binnen 24 uur voorafgaand aan de start van de ECMO-ondersteuning en binnen 24 uur na de stopzetting ervan. Bovendien werden indicatoren met betrekking tot de hart-, nier- en leverfunctie, evenals het type shock (distributieve shock, hypovolemische shock, cardiogene shock, obstructieve shock) opgenomen. Daarnaast werd ook gekeken naar het gemiddelde dagelijkse vloeistofvolume binnen drie dagen na aanvang van de ECMO-ondersteuning, de duur van de ECMO-ondersteuning en de verblijfsduur op de IC.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510000
- ZhuJiang Hospital of Southern Medical University
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Alle patiënten die ECMO ondergingen in ons ziekenhuis en geregistreerd waren in de CSECLS-registratiedatabase (ClinicalTrials.gov Identificatie: NCT04158479) van 1 januari 2018 tot nu zijn met terugwerkende kracht verzameld.
Uitsluitingscriteria:
- ECMO werd stopgezet om niet-medische redenen.
- Onder de 18 jaar.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
|---|
|
Dood
|
|
Overleven
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Tijdsspanne |
|---|---|
|
overleven
Tijdsspanne: Patiënten werden geregistreerd vanaf 48 uur vóór aanvang van de ecmo tot de datum van overleving tot ontslag uit het ziekenhuis of overlijden gedurende maximaal drie maanden
|
Patiënten werden geregistreerd vanaf 48 uur vóór aanvang van de ecmo tot de datum van overleving tot ontslag uit het ziekenhuis of overlijden gedurende maximaal drie maanden
|
|
dood
Tijdsspanne: Patiënten werden geregistreerd vanaf 48 uur vóór aanvang van de ecmo tot de datum van overleving tot ontslag uit het ziekenhuis of overlijden gedurende maximaal drie maanden
|
Patiënten werden geregistreerd vanaf 48 uur vóór aanvang van de ecmo tot de datum van overleving tot ontslag uit het ziekenhuis of overlijden gedurende maximaal drie maanden
|
Medewerkers en onderzoekers
Sponsor
Publicaties en nuttige links
Algemene publicaties
- Ayers B, Wood K, Gosev I, Prasad S. Predicting Survival After Extracorporeal Membrane Oxygenation by Using Machine Learning. Ann Thorac Surg. 2020 Oct;110(4):1193-1200. doi: 10.1016/j.athoracsur.2020.03.128. Epub 2020 May 23.
- Stephens AF, Seman M, Diehl A, Pilcher D, Barbaro RP, Brodie D, Pellegrino V, Kaye DM, Gregory SD, Hodgson C; Extracorporeal Life Support Organization Member Centres. ECMO PAL: using deep neural networks for survival prediction in venoarterial extracorporeal membrane oxygenation. Intensive Care Med. 2023 Sep;49(9):1090-1099. doi: 10.1007/s00134-023-07157-x. Epub 2023 Aug 7.
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
Andere studie-ID-nummers
- 2022-KY-026-01
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 .