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

Een prognosevoorspellingsmodel construeren voor ECMO-patiënten op basis van machine learning-algoritmen

22 oktober 2024 bijgewerkt door: Gao Xiaoya, Zhujiang Hospital
Extracorporale membraanoxygenatie (ECMO) is een cruciale levensondersteunende techniek voor patiënten met ernstige medische aandoeningen. Verschillende factoren beïnvloeden de sterftecijfers van patiënten op intensive care-afdelingen, wat een aanzienlijke klinische uitdaging vormt bij het nauwkeurig voorspellen van de uitkomsten op basis van een beperkte reeks indicatoren.

Studie Overzicht

Toestand

Voltooid

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

Observationeel

Inschrijving (Werkelijk)

290

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

    • Guangdong
      • Guangzhou, Guangdong, China, 510000
        • ZhuJiang Hospital of Southern Medical University

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

Bij het onderzoek waren patiënten betrokken die van 2018 tot 2024 een ECMO-behandeling kregen in het Zhujiang-ziekenhuis van de Southern Medical University. Exclusiecriteria omvatten patiënten die ECMO-ondersteuning ontvingen in externe ziekenhuizen en patiënten jonger dan 18 jaar. Van de patiënten werden er 100 levend ontslagen, terwijl 190 stierven tijdens de ziekenhuisopname.

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

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
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

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

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

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)

1 januari 2018

Primaire voltooiing (Werkelijk)

1 oktober 2024

Studie voltooiing (Werkelijk)

1 oktober 2024

Studieregistratiedata

Eerst ingediend

9 oktober 2024

Eerst ingediend dat voldeed aan de QC-criteria

22 oktober 2024

Eerst geplaatst (Werkelijk)

23 oktober 2024

Updates van studierecords

Laatste update geplaatst (Werkelijk)

23 oktober 2024

Laatste update ingediend die voldeed aan QC-criteria

22 oktober 2024

Laatst geverifieerd

1 januari 2018

Meer informatie

Termen gerelateerd aan deze studie

Andere studie-ID-nummers

  • 2022-KY-026-01

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