En kunstig intelligensmodell for intensiv omsorgslengde, nevrologisk utfall og kostnadsestimering etter hjerte -lungeredning: en kohortstudie.
En kunstig intelligensmodell for intensivpleielengde, nevrologisk utfall og estimering av kostnader etter kardiopulmonal gjenopplivning: en kohortstudie
Studieoversikt
Status
Status
Forhold
Forhold
Intervensjon / Behandling
Intervensjon / Behandling
Studietype
Studietype
Registrering (Antatt)
Registrering
Deltakelseskriterier
Kvalifikasjonskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inkluderingskriterier:
- alder> 18 år
- Påfølgende kardiopulmonal gjenopplivning
- Minst 1 times lang opptak til ICU etter retur av spontan sirkulasjon (ROSC)
Eksklusjonskriterier:
- alder <18 år
- > 80% manglende data i pasientjournaler
- Pasienter uten ROSC
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Antall grupper / kohorter
Kohorter og intervensjoner
Gruppe / KohortGruppe / Kohort |
Intervensjon / BehandlingIntervensjon / Behandling |
|---|---|
|
Alder> 18 år pasienter etter vellykket hjerte -lungeredning observert ved reanimering
|
Data fra pasienter etter påfølgende redning av redning vil bli evaluert av maskinlæringsprogrammer.
|
Hva måler studien?
Primære resultatmål
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Machine Learning Python Program
Tidsramme: 3 måneder
|
Den opprettede databasen vil bli analysert ved hjelp av en maskinlæring kunstig intelligensalgoritme med Python -programmeringsspråket.
Etter å ha behandlet manglende og ufullstendige data etter kunstig intelligens, vil databasen bli delt inn i to deler: modelltrening og modellvalidering.
Meningsfulle data vil bli valgt gjennom modellopplæring, og en prediksjonsmodell vil bli bygget basert på disse dataene.
For å øke tolkbarheten til prediksjonsmodellen og hjelpe brukere til å forstå hvordan og hvorfor visse spådommer blir gjort, vil Shapley Additive Forklaringer (SHAP) -algoritmen bli brukt.
I maskinlæring brukes Shap-teknikken til å tolke beslutningsprosessene til komplekse maskinlæringsmodeller.
|
3 måneder
|
Samarbeidspartnere og etterforskere
Sponsor
Sponsor
Studierekorddatoer
Studer hoveddatoer
Studiestart (Antatt)
Studiestart
Primær fullføring (Antatt)
Primær fullføring
Studiet fullført (Antatt)
Studiet fullført
Datoer for studieregistrering
Først innsendt
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Antatt)
Først lagt ut
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
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
Andre studie-ID-numre
Andre studie-ID-numre
- Nkangarli002
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. .