Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Maskinlæringsbaserte modeller for prediksjon av DVT og PTE hos AECOPD-pasienter

7. juni 2023 oppdatert av: Yuhan Yang, West China Hospital

Maskinlæringsbaserte modeller for prediksjon av DVT og PTE hos AECOPD-pasienter: en multiinstitusjonsstudie

Kronisk obstruktiv lungesykdom (KOLS) er en vanlig luftveissykdom som kjennetegnes av vedvarende luftveissymptomer og irreversibel luftstrømsrestriksjon, som setter folks helse i alvorlig fare. Akutt forverring av kronisk obstruktiv lungesykdom (AECOPD) refererer til individer som opplever kontinuerlig forverring utover sin daglige tilstand og trenger å endre rutinemedisinering. AECOPD er vanligvis forårsaket av virus og bakterier, og pasienter trenger sykehusinnleggelse, noe som medfører en enorm økonomisk byrde for samfunnet. AECOPD-pasienter har ofte begrensede aktiviteter. Fordi langvarig kronisk hypoksi forårsaker venøs blodstase, siltasjon forårsaker sekundær økning av røde blodlegemer og blodhyperkoagulabilitet, har AECOPD-pasienter høy risiko for lungeemboli (PE).

Lungetromboemboli (PTE) refererer til en sykdom forårsaket av blokkering av lungearterien eller dens grener forårsaket av en trombe fra venesystemet eller høyre hjerte. AECOPD-pasienter opplever forhøyede hemoglobinnivåer og økt blodviskositet på grunn av langvarig hypoksi. Samtidig har slike pasienter nedsatt aktivitet, venøs overbelastning og er utsatt for trombose. Etter at tromben faller av, kan den reise opp i venen, noe som forårsaker at PTE oppstår i høyre hjerte. PTE er ofte sekundært til lav dyp venetrombose (DVT). Omtrent 70 % av pasientene ble diagnostisert som dyp venetrombose ved fargeultralydundersøkelse av underekstremiteter. SteinPD gjennomførte en undersøkelse om KOLS-pasienter og generelle pasienter fra flere sykehus. Resultatene viste at ved å sammenligne voksne KOLS-pasienter med ikke-KOLS-pasienter, var den relative risikoen for DVT 1,30, noe som ga bevis for at AECOPD er mer sannsynlig å kombinere med PTE AECOPD-pasienter med PTE har likheter i sine kliniske manifestasjoner. Det er vanskelig å skille mellom de to utelukkende basert på symptomer, som hoste, økt oppspyttproduksjon, økt kortpustethet og pustevansker. De mangler spesifisitet og er vanskelige å skille mellom de to kun basert på symptomer, noe som lett kan føre til manglende diagnose. CT pulmonal angiografi (CTPA) er gullstandarden for diagnostisering av PTE, men på grunn av de høye kostnadene ved testing og høye utstyrspriser er populariteten på grasrotsykehus ikke høy. Derfor er analyse av risikofaktorene til AECOPD-pasienter komplisert med PTE av stor betydning for tidlig identifisering av PTE. For tiden, selv om det er rapporter om risikofaktorer for samtidig PTE hos AECOPD-pasienter, er det ingen spesifikk prediktiv modell for å forutsi PTE hos AECOPD-pasienter. I klinisk praksis brukes risikovurderingsverktøy som Caprini risikovurderingsmodellen og den modifiserte Genève-skalaen ofte for VTE, mens Wells-skåren er PTE-diagnostisk sannsynlighetsscore. Evalueringsindikatorene for disse verktøyene er for det meste kliniske symptomer, og laboratorieindikatorer er mindre involvert. Det er vanskelig å reflektere pasientens tilstand fullstendig, så spesifisiteten til AECOPD-pasienter med PTE er ikke sterk.

Kolonnediagrammodellen etablert i denne studien presenterer en visuell prediksjonsmodell, som er praktisk for klinisk bruk og har positiv hjelp til tidlig oppdagelse av AECOPD-pasienter med PTE. I tillegg kan medisinsk personell presentere beregningsresultatene av kolonnediagrammodellen for pasienter, noe som gjør det lettere for pasientene å forstå. Det bidrar til å forbedre tidlig identifisering og behandling av AECOPD kombinert med PTE-pasienter, og forbedrer dermed prognosen.

Studieoversikt

Studietype

Observasjonsmessig

Registrering (Antatt)

1000

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studer Kontakt Backup

  • Navn: Qinrao Jia
  • Telefonnummer: +8613258389788
  • E-post: 4941291@qq.com

Studiesteder

    • Guangdong
      • Shenzhen, Guangdong, Kina
        • Rekruttering
        • University of Chinese Academy of Sciences Shenzhen Hospital, Shenzhen, People's Republic of China & The first Affiliated Hospital of Jinan University
        • Ta kontakt med:

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

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Sannsynlighetsprøve

Studiepopulasjon

AECOPD-pasientene siden januar 2015 til januar 2022 fra University of Chinese Academy of Sciences Shenzhen Hospital, Shenzhen, Folkerepublikken Kina og det første tilknyttede sykehuset ved Jinan University ble tildelt som treningssett, og AECOPD-pasientene fra Affiliated Hospital of North Sichuan Medical College og Nanchong Central Hospital i samme periode ble tildelt som valideringssett.

Beskrivelse

Inklusjonskriterier:

  • Diagnose i henhold til AECOPD;
  • Utføre CT lungeangiografiundersøkelse i nåværende institusjoner;
  • Den relevante informasjonen som skal analyseres er fullstendig.

Ekskluderingskriterier:

  • Pasienter som allerede hadde PTE før diagnosen AECOPD;
  • Pasienter med samtidig bronkial astma, interstitiell lungesykdom og andre lungesykdommer;
  • Pasienter med andre trombotiske sykdommer;
  • De som fikk antikoagulerende behandling før innskrivning.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
AECOPD-pasienter har DVT og/eller PTE
Den maskinlæringsbaserte prediksjonsmodellen vil bli brukt til å forutsi om tilstedeværelsen av DVT og/eller PTE eller ikke hos AECOPD-pasienter etter standardisert behandling.
AECOPD-pasienter fraværende med DVT og/eller PTE
Den maskinlæringsbaserte prediksjonsmodellen vil bli brukt til å forutsi om tilstedeværelsen av DVT og/eller PTE eller ikke hos AECOPD-pasienter etter standardisert behandling.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Antall pasienter med DVT og/eller PTE
Tidsramme: 1 år
Antall pasienter med DVT og/eller PTE
1 år

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Dødelighet på sykehus
Tidsramme: 1 år
Forekomsten av dødsfall på grunn av AECOPD eller DVT/PTE
1 år
ICU innleggelse
Tidsramme: 1 år
Pasienter innlagt på intensivavdeling på grunn av alvorlighetsgraden av AECOPD
1 år

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

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)

1. januar 2023

Primær fullføring (Antatt)

31. desember 2024

Studiet fullført (Antatt)

31. desember 2024

Datoer for studieregistrering

Først innsendt

9. mai 2023

Først innsendt som oppfylte QC-kriteriene

7. juni 2023

Først lagt ut (Faktiske)

15. juni 2023

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

15. juni 2023

Siste oppdatering sendt inn som oppfylte QC-kriteriene

7. juni 2023

Sist bekreftet

1. juni 2023

Mer informasjon

Begreper knyttet til denne studien

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

UBESLUTTE

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. .

Kliniske studier på Maskinlæringsbasert prediksjonsmodell

3
Abonnere