En kunstig intelligensmodell for intensiv omsorgslengde, nevrologisk utfall og kostnadsestimering etter hjerte -lungeredning: en kohortstudie.
30. september 2025 oppdatert av: Nıgar Kangarlı, Bezmialem Vakif University
En kunstig intelligensmodell for intensivpleielengde, nevrologisk utfall og estimering av kostnader etter kardiopulmonal gjenopplivning: en kohortstudie
Studien tar sikte på å oversiktspasienter som er registrert til Bezmialem Vakıf University Hospital Intensive Care Unit etter påfølgende gjenopplivning av hjertestans fra oktober 2010 til september 2025.
Målet er å bestemme lengden på oppholdet i reanimering, nevrologisk klinisk utfall og kostnader for disse pasientene ved utskrivning fra avdelingen.
Alle disse dataene er ment å bli evaluert av kunstig intelligens for å evaluere en prediktiv modell.
Studieoversikt
Status
Har ikke rekruttert ennå
Intervensjon / Behandling
Studietype
Observasjonsmessig
Registrering (Antatt)
5000
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
Pasienter over 18 år etter vellykket gjenopplivning av hjerte -lunger med ROSC registrert ved Bezmialem Vakıf University Hospital Intensive Care Unit fra oktober 2010 til september 2025 vil bli inkludert i Resesarch.
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
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 |
|---|---|
|
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
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
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
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)
1. oktober 2025
Primær fullføring (Antatt)
1. desember 2025
Studiet fullført (Antatt)
1. desember 2025
Datoer for studieregistrering
Først innsendt
30. september 2025
Først innsendt som oppfylte QC-kriteriene
30. september 2025
Først lagt ut (Antatt)
7. oktober 2025
Oppdateringer av studieposter
Sist oppdatering lagt ut (Antatt)
7. oktober 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
30. september 2025
Sist bekreftet
1. september 2025
Mer informasjon
Begreper knyttet til denne studien
Andre studie-ID-numre
- Nkangarli002
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. .