Maskinlæring på intensivavdelingen: Forutsigelse av dødelighet ved blodstrømsinfeksjoner (ICU: Intensive Care Unit) (ICU)
Maskinlæring på intensivavdelingen: Forutsigelse av dødelighet hos pasienter med karbapenem-resistente gramnegative bakterielle blodstrømsinfeksjoner
Ved å bruke våre egne pasientdata, hadde vår studie som mål å forutsi dødelighet som kan utvikle seg i karbapenem-resistente gramnegative basiller blodstrøminfeksjoner med en maskinlæringsbasert modell.
På intensivavdelingen vil pasienter med blodbaneinfeksjoner, både med og uten dødelighet, bli undersøkt retrospektivt i to undergrupper for sammenligning.
Studieoversikt
Status
Status
Forhold
Forhold
Intervensjon / Behandling
Intervensjon / Behandling
Detaljert beskrivelse
Karbapenemer er en av de siste utveisantibiotika som brukes til å behandle alvorlige infeksjoner forårsaket av multi-medikamentresistente gramnegative patogener. Infeksjoner med karbapenem-resistente gramnegative basiller (CR-GNB) har blitt utbredt det siste tiåret, og utgjør en alvorlig trussel mot folkehelsen. Carbapenem-resistente Enterobacteriaceae (CRE), Carbapenem-resistente Acinetobacter baumannii (CRAB) og Carbapenem-resistente Pseudomonas aeruginosa (CRPA) topper prioriteringslisten over antibiotika-resistente bakterier over hele verden. CR-GNB forårsaker et bredt spekter av infeksjoner, inkludert bakteriemi, urinveisinfeksjoner, lungebetennelse og intraabdominale infeksjoner. Karbapenem-resistente blodbaneinfeksjoner er en betydelig årsak til sykelighet og dødelighet, og terapeutiske alternativer i behandlingen er ekstremt begrensede. Ved å evaluere risikofaktorer hos pasienter som overvåkes på intensivavdelingen, reduserer skåringssystemer som kan forutsi prognose dødelighetsrisiko ved å sikre tidlig bruk av effektive antibiotika og rettidig hemodynamisk støtte som er i bruk.
Med akkumulering av store data og fremskritt innen datalagringsteknikker, demonstrerer innovative og pragmatiske maskinlæringsmetoder som har kommet inn i livene våre god prediksjonsytelse på det medisinske feltet. Maskinlæringsbaserte modeller utviklet for å forutsi dødelighet hos pasienter overvåket på intensivavdelingen er tilgjengelig i litteraturen og gir mulighet for tidligere intervensjon hos pasienter.
Ved bruk av egne pasientdata, På intensivavdelingen vil pasienter med blodbaneinfeksjoner, både med og uten dødelighet, bli undersøkt retrospektivt i to undergrupper for sammenligning. Vi tar sikte på å forutsi dødelighet som kan utvikle seg i karbapenem-resistente gramnegative basiller blodstrøminfeksjoner med en maskinlæringsbasert modell.
Studietype
Studietype
Registrering (Faktiske)
Registrering
Kontakter og plasseringer
Studiekontakt
Studiekontakt
- Navn: özlem güler
- Telefonnummer: +90 543 927 24 38
- E-post: ozlemozkanguler@gmail.com
Studiesteder
-
-
-
Kocaeli, Tyrkia (Türkiye)
- Kocaeli University
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- I vår studie vil pasienter som ble overvåket på sykehusets tertiære intensivavdeling mellom juni 2017 og juni 2023 og utviklet blodbaneinfeksjoner med Carbapenem-resistente Enterobacteriaceae, Carbapenem-resistente Acinetobacter baumannii og Carbapenem-resistente Pseudomonas aerinkluderes.
Ekskluderingskriterier:
- Pasienter under 18 år og de med andre infeksjoner enn blodbaneinfeksjoner vil ikke bli inkludert.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Antall grupper / kohorter
Kohorter og intervensjoner
Gruppe / KohortGruppe / Kohort |
Intervensjon / BehandlingIntervensjon / Behandling |
|---|---|
|
Avdøde pasienter
Karbapenem-resistente gramnegative basiller Blodstrømsinfeksjon med dødelighet
|
Ved å bruke dyp læring prøver vi å utvikle en algoritme og forutse dødelighet
|
|
Overlevende pasienter
Karbapenem-resistente gramnegative basiller Blodstrømsinfeksjon uten dødelighet
|
Ved å bruke dyp læring prøver vi å utvikle en algoritme og forutse dødelighet
|
Hva måler studien?
Primære resultatmål
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Risiko for dødelighet
Tidsramme: 3 måneder
|
Sensitiviteten og spesifisiteten vil bli definert med AUC-ROC-kurve (Area Under the Receiver Operating Characteristic-kurve) ved bruk av maskinlæringsalgoritme
|
3 måneder
|
Samarbeidspartnere og etterforskere
Sponsor
Sponsor
Etterforskere
Etterforskere
- Hovedetterforsker: özlem güler, Kocaeli University
Publikasjoner og nyttige lenker
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Studiestart
Primær fullføring (Faktiske)
Primær fullføring
Studiet fullført (Faktiske)
Studiet fullført
Datoer for studieregistrering
Først innsendt
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Først lagt ut
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Sist oppdatering lagt ut
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
Andre studie-ID-numre
- GOKAEK-2023/12.31
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .