Maskinlæringsmodell for perioperativ transfusjonsprediksjon
7. mars 2022 oppdatert av: DILEK YAZICIOGLU, Diskapi Teaching and Research Hospital
Utvikling og tolkning av en maskinlæringsmodell for perioperativ transfusjonsprediksjon
Denne studien hadde som mål å utvikle og tolke en maskinlæringsmodell for å forutsi transfusjon av røde blodlegemer (RBC).
Studieoversikt
Status
Fullført
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Et datasett fra en multisenterstudie som involverte 6121 pasienter gjennomgikk elektiv større kirurgi, ble analysert.
Data om pasienter som fikk upassende RBC-transfusjon ble ekskludert.
Tjueen perioperative funksjoner ble brukt til å forutsi RBC-transfusjon.
Datasettet ble tilfeldig delt opp i tog- og valideringssett (70-30).
Beslutningstre, tilfeldig skog, k-nærmeste naboer, logistisk regresjon og eXtreme garadient boosting (XGBoost) metoder ble brukt for prediksjon.
Arealet under kurvene (AUC) til mottakerens driftskarakteristikkkurver for maskinlæringsmodellene brukt for RBC-transfusjonsprediksjon ble sammenlignet.
Studietype
Observasjonsmessig
Registrering (Faktiske)
6121
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
-
Ankara, Tyrkia, 06110
- Dilek D Unal
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
18 år til 100 år (Voksen, Eldre voksen)
Tar imot friske frivillige
Nei
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Pasienter som gjennomgikk større elektive kirurgiske prosedyrer ble ansett som kvalifiserte.
Alle aldersgrupper og begge kjønn ble inkludert.
De kirurgiske prosedyrene ble forhåndsdefinert i henhold til klassifiseringen av diagnostiske, terapeutiske og kirurgiske prosedyrer fra National Social Insurance Institution, der hver prosedyre har en unik torsk
Beskrivelse
Inklusjonskriterier:
- Voksen
- Gjennomgikk en større elektiv operasjon
Ekskluderingskriterier:
- Pediatriske pasienter
- Nødsaker
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Antall pasienter fikk røde blodlegemer
Tidsramme: Peroperativ periode
|
Antall pasienter fikk røde blodlegemer
|
Peroperativ periode
|
|
Området under kurven
Tidsramme: Peroperativ periode
|
Området under kurven til mottakerens driftskarakteristikker
|
Peroperativ periode
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Dilek D Unal, Prof, UNIVERSITY OF HEALTH SCIENCES TURKEY DISKAPI YILDIRIM BEYAZIT TRAINING RESEARCH HOSPITAL ANKARA
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- Murphy GJ, Reeves BC, Rogers CA, Rizvi SI, Culliford L, Angelini GD. Increased mortality, postoperative morbidity, and cost after red blood cell transfusion in patients having cardiac surgery. Circulation. 2007 Nov 27;116(22):2544-52. doi: 10.1161/CIRCULATIONAHA.107.698977. Epub 2007 Nov 12.
- Bernard AC, Davenport DL, Chang PK, Vaughan TB, Zwischenberger JB. Intraoperative transfusion of 1 U to 2 U packed red blood cells is associated with increased 30-day mortality, surgical-site infection, pneumonia, and sepsis in general surgery patients. J Am Coll Surg. 2009 May;208(5):931-7, 937.e1-2; discussion 938-9. doi: 10.1016/j.jamcollsurg.2008.11.019. Epub 2009 Mar 26.
- Walczak S, Velanovich V. Prediction of perioperative transfusions using an artificial neural network. PLoS One. 2020 Feb 24;15(2):e0229450. doi: 10.1371/journal.pone.0229450. eCollection 2020.
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
13. januar 2022
Primær fullføring (Faktiske)
1. februar 2022
Studiet fullført (Faktiske)
1. februar 2022
Datoer for studieregistrering
Først innsendt
13. januar 2022
Først innsendt som oppfylte QC-kriteriene
27. januar 2022
Først lagt ut (Faktiske)
8. februar 2022
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
8. mars 2022
Siste oppdatering sendt inn som oppfylte QC-kriteriene
7. mars 2022
Sist bekreftet
1. januar 2022
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- Machine learning DiskapiTRH
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
NEI
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
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. .