Sztuczny model inteligencji dla intensywnej opieki pobytu, wyników neurologicznych i oszacowania kosztów po resuscytacji krążeniowo -oddechowej: badanie kohortowe.
Sztuczny model inteligencji dla intensywnej opieki długości pobytu, wyników neurologicznych i oszacowania kosztów po resuscytacji krążeniowej: badanie kohortowe
Przegląd badań
Status
Status
Warunki
Warunki
Interwencja / Leczenie
Interwencja / Leczenie
Typ studiów
Typ studiów
Zapisy (Szacowany)
Zapisy
Kryteria uczestnictwa
Kryteria kwalifikacji
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
- Wiek> 18 lat
- Kolejna resuscytacja krążeniowo -oddechowa
- Przynajmniej 1 godzinę przyjęcia na OIOM po powrocie spontanicznego krążenia (ROSC)
Kryteria wykluczenia:
- wiek < 18 lat
- > 80% brakujących danych w rekordach pacjenta
- Pacjenci bez ROSC
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Liczba grup / kohort
Kohorty i interwencje
Grupa / KohortaGrupa / Kohorta |
Interwencja / LeczenieInterwencja / Leczenie |
|---|---|
|
Wiek> 18 lat Pacjenci po udanej resuscytacji krążeniowo -oddechowej zaobserwowanej podczas reanimacji
|
Dane pacjentów po kolejnych resuscytacjach będą oceniane za pomocą programów uczenia maszynowego.
|
Co mierzy badanie?
Podstawowe miary wyniku
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Program Python uczenia maszynowego
Ramy czasowe: 3 miesiące
|
Utworzona baza danych zostanie przeanalizowana przy użyciu algorytmu sztucznej inteligencji uczenia maszynowego z językiem programowania Python.
Po przetworzeniu brakujących i niepełnych danych według sztucznej inteligencji baza danych zostanie podzielona na dwie części: trening modelu i sprawdzanie poprawności modelu.
Znaczące dane zostaną wybrane poprzez szkolenie modelu, a model prognostyki zostanie zbudowany na podstawie tych danych.
Aby zwiększyć interpretację modelu prognozowania i pomóc użytkownikom zrozumieć, w jaki sposób i dlaczego są dokonywane pewne prognozy, zostanie zastosowany algorytm wyjaśnienia addytywnego Shapleya (SHAP).
W uczeniu maszynowym technika SHAP służy do interpretacji procesów decyzyjnych złożonych modeli uczenia maszynowego.
|
3 miesiące
|
Współpracownicy i badacze
Sponsor
Sponsor
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Szacowany)
Rozpoczęcie studiów
Zakończenie podstawowe (Szacowany)
Zakończenie podstawowe
Ukończenie studiów (Szacowany)
Ukończenie studiów
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Szacowany)
Pierwszy wysłany
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Szacowany)
Ostatnia wysłana aktualizacja
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
Inne numery identyfikacyjne badania
- Nkangarli002
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .