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

Bruke maskinlæring for å oppdage risikofylt atferd i psykiatriske klinikker

9. juni 2024 oppdatert av: CEYDA ÖZTÜRK AKDENİZ, Istanbul Medeniyet University

Oppdage risikoatferd og gi et trygt miljø hos pasienter som mottar døgnbehandling i en psykiatrisk klinikk ved hjelp av maskinlæringsmodell

Målet med denne studien er å sikre sikkerheten til pasienter i en psykiatrisk klinikk og å oppdage risikofylt atferd ved å bruke maskinlæringsmetode. Risikoatferd er definert som atferd som er personlig, sosialt og utviklingsmessig uønsket og setter liv og helse i fare. Pasientsikkerhet og opprettholdelse av et trygt miljø er blant helsepersonells primære oppgaver. Selvmord er den viktigste evidensbaserte risikofaktoren, spesielt blant personer med psykiatriske sykdommer, og er en av de viktigste faktorene som truer pasientsikkerheten. På slutten av denne studien er den rettet mot å oppdage risikofylt atferd hos pasienter før de skader seg selv og å gjøre det mulig for helsepersonell å gjøre tidlig intervensjon for denne atferden, og dermed støtte et trygt behandlingsmiljø, med datasystemet som har blitt trent med maskinlæringsmodell installert i klinikkene.

Studieoversikt

Detaljert beskrivelse

Målet med denne studien er å oppdage risikoatferd hos pasienter i en psykiatrisk klinikk ved hjelp av maskinlæringsmetode. Risikofylt oppførsel; Det defineres som atferd som er personlig, sosialt og utviklingsmessig uønsket og setter liv og helse i fare. Pasientsikkerhet og å sikre et trygt miljø er blant helsepersonells hovedoppgaver. Selvmord er den viktigste evidensbaserte risikofaktoren, spesielt hos personer med psykiatriske sykdommer, og er en av de viktigste faktorene som truer pasientsikkerheten. Selvmordsforsøk er en krisesituasjon man ofte møter på klinikker. Det er kjent at frekvensen av selvmordsforsøk øker 5-10 ganger hos innlagte pasienter. I klinikker med innlagte pasienter, er det ofte selvmordsforsøk, så vel som annen risikofylt atferd.

Å forhindre risikoatferd og sørge for trygge omgivelser på psykiatriske klinikker er en viktig sak i vårt land og i verden. For å avdekke risikoatferd og sikre pasient/ansattes sikkerhet, er det tiltak for å overvåke pasienter med kamera i psykiatriske klinikker innenfor rammen av kvalitetsstandarder i helse. Disse tiltakene er imidlertid ikke tilstrekkelige til å løse problemet fullstendig. På psykiatriske klinikker utføres pasientovervåking av en sykepleier som hele tiden overvåker kamerabildene som er plassert i rommene på dataskjermen. Det lave antallet sykepleiere, spesielt på nattevakter, gjør kameraovervåking vanskelig i nattskift og utgjør et problem med tanke på pasientsikkerhet. Konstant overvåking av monitorer av sykepleier reduserer tidsbruken med pasienten og øker arbeidsbelastningen. I tillegg, når skjermovervåking ikke er utført, kan ikke risikofylt atferd oppdages. Derfor må det utvikles nye metoder for å sikre trygge rammer i psykiatriske klinikker. Slik sett er maskinlæringsmetoden, som i økende grad brukes i kunstig intelligens og dataanalyse, en spesialisert undergren av kunstig intelligensalgoritmer som prøver å utlede meningsfulle resultater/prediksjoner fra eksisterende data. Maskinlæringsmetode er hyppig brukt innen helse, og psykiatri er et av disse feltene. Hovedformålet med denne studien er å oppdage risiko- og høyrisikoatferd hos pasienter behandlet i en psykiatrisk klinikk ved hjelp av maskinlæringsmetoden og å sikre at pasienter får behandling i et tryggere miljø.

Studietype

Observasjonsmessig

Registrering (Antatt)

1

Kontakter og plasseringer

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

Studiekontakt

Studiesteder

      • Istanbul, Tyrkia, 34000
        • Detecting Risky Behaviors and Providing a Safe Environment in Patients Receiving Inpatient Treatment in a Psychiatric Clinic Using Machine Learning Model

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

  • Barn
  • Voksen
  • Eldre voksen

Tar imot friske frivillige

N/A

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Befolkningen i studien var teater- og dramaskuespillere som tilfeldig viste selvmord og voldelig atferd, ved å bruke et tomt rom på en psykiatrisk klinikk for å trene og teste maskinlæringsmodellen. Antall skuespillere er 4-5 personer

Beskrivelse

Inklusjonskriterier:

  • Den passer for alle voksne pasienter som får døgnbehandling i psykiatriske klinikker. Den er designet for rommet der pasientene sover.

Ekskluderingskriterier:

  • Personer under 18 år vil bli ekskludert fra studien

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
Målrettet utgang
Tidsramme: 01.05.2024-01.08.2024
Påvisning av selvmord og voldelig atferd ved hjelp av maskinlæringsmetode
01.05.2024-01.08.2024

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 (Antatt)

20. juni 2024

Primær fullføring (Antatt)

1. september 2024

Studiet fullført (Antatt)

20. september 2024

Datoer for studieregistrering

Først innsendt

20. april 2024

Først innsendt som oppfylte QC-kriteriene

14. mai 2024

Først lagt ut (Faktiske)

20. mai 2024

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

11. juni 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

9. juni 2024

Sist bekreftet

1. juni 2024

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • İstanbulMedeniyet

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. .

Abonnere