Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Opracowanie algorytmu identyfikacji wzorca choroby zapalnej jelit z wykorzystaniem danych z serii przypadków

4 marca 2020 zaktualizowane przez: Hyangsook Lee, KMD, PhD

Ziołolecznictwo w nieswoistych zapaleniach jelit: opracowanie algorytmu identyfikacji wzorców poprzez retrospektywną analizę danych z serii przypadków

Badanie to miało na celu identyfikację wzorców nieswoistych zapaleń jelit (IBD) na podstawie prezentowanych objawów oraz zaproponowanie algorytmów określania wzorców i recept ziołowych dla odpowiednich wzorców. Badacze zebrali dane dotyczące objawów 67 pacjentów z nieswoistym zapaleniem jelit, którzy osiągnęli i utrzymali remisję kliniczną po przyjęciu recept na leki ziołowe. Recepty zostały podzielone na 5 wzorców, które zostały nazwane na podstawie głównych cech i objawów włączonych pacjentów. Zależności między prezentowanymi objawami a wzorcami wizualizowano za pomocą metody odwrotnej częstotliwości dokumentu (TF-IDF). Określenie wzorców IBD na podstawie objawów pacjentów zostało przeanalizowane i przedstawione na wykresach za pomocą modelowania drzewa decyzyjnego.

Przegląd badań

Status

Zakończony

Warunki

Interwencja / Leczenie

Szczegółowy opis

Recepty ziołowe są jedną z najbardziej poszukiwanych strategii leczenia medycyny komplementarnej i alternatywnej dla pacjentów z nieswoistymi zapaleniami jelit. Jednak zmienność w identyfikacji wzorców Tradycyjnej Medycyny Chińskiej (TCM) / Tradycyjnej Medycyny Wschodnioazjatyckiej (TEAM) była krytykowana. Korzystając z danych pacjentów, którzy osiągnęli i utrzymali remisję kliniczną po przepisaniu leków ziołowych TCM/TEAM, badacze postawili sobie za cel opracowanie algorytmów leczenia udoskonalonych na podstawie zidentyfikowanego wzorca i kluczowych objawów, które lekarze mogą łatwo rozróżnić.

Na podstawie recept ziołowych, które indukowały remisję kliniczną, pacjentów z IBD podzielono na 5 wzorców, tj. typ jelita grubego, typ wodno-wilgotny, typ oddechowy, typ górnego odcinka przewodu pokarmowego (GI) i typ zimna. Za pomocą metody odwrotnej częstotliwości dokumentów (TF-IDF) przeanalizowano związek między 22 objawami, które zostały opisane jako wskazania na receptę na leki ziołowe, a 5 wzorcami. Do przewidywania odpowiednich wzorców na podstawie objawów zastosowano modelowanie drzewa decyzyjnego.

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

67

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

  • Republika Korei
      • Seoul, Republika Korei, 02447
        • Acupuncture & Meridian Science Research Centre

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

15 lat do 65 lat (Dziecko, Dorosły, Starszy dorosły)

Akceptuje zdrowych ochotników

Nie

Płeć kwalifikująca się do nauki

Wszystko

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

Pacjenci, u których rozpoznano NZJ przez gastroenterologa i uzyskali remisję kliniczną po leczeniu lekami ziołowymi

Opis

Kryteria przyjęcia:

  • Rozpoznanie IBD przez gastroenterologa
  • Pacjenci osiągnęli i utrzymali kliniczną remisję objawów IBD po przyjęciu leków na receptę
  • Pacjenci wyrazili pisemną świadomą zgodę

Kryteria wyłączenia:

  • Pominięto szczegóły dotyczące któregokolwiek z 25 objawów

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
Szkolenie/testowanie algorytmu drzewa decyzyjnego
Badacze podzielili dane 67 pacjentów na 5 grup, aby przeprowadzić 5-krotną walidację krzyżową. Do trenowania algorytmu drzewa decyzyjnego wykorzystano cztery grupy, a jedną do jego testowania.
Inny: Modelowanie drzewa decyzyjnego

Zastosowano analizę drzewa decyzyjnego w celu zbadania procesu podejmowania decyzji w sprawie typów wzorców w oparciu o istnienie lub nieistnienie symptomu. Na końcu drzewa przedstawiony jest odsetek pacjentów, którzy są podzieleni na poszczególne wzorce.

W tym badaniu klasyfikacja została przeprowadzona przy użyciu algorytmu drzewa klasyfikacji i regresji (CART) z wykorzystaniem pakietu Scikit-learn języka Python, który wykonuje dzielenie za pomocą współczynnika Giniego lub dekrementacji dyspersji. Współczynnik Giniego jest jednym z narzędzi do pomiaru entropii lub różnorodności w każdym węźle i mierzy ubytek poprzez porównanie entropii informacyjnej przed i po separacji. Aby uniknąć przeuczenia, ograniczono maksymalną liczbę węzłów liściowych do czterech i zastosowano metodę przycinania zgodną z zasadą minimalnej długości opisu.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Dokładność algorytmu identyfikacji wzorców
Ramy czasowe: Październik 2015 r
Zaproponowano algorytm identyfikacji wzorców z wykorzystaniem metody drzewa decyzyjnego. Metoda drzewa decyzyjnego została wykorzystana do zbadania procesu podejmowania decyzji o typach wzorców na podstawie cech klinicznych pacjentów.
Październik 2015 r

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Hyangsook Lee, KMD, PhD

Publikacje i pomocne linki

Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.

Publikacje ogólne

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

1 listopada 2007

Zakończenie podstawowe (Rzeczywisty)

28 lutego 2015

Ukończenie studiów (Rzeczywisty)

28 października 2015

Daty rejestracji na studia

Pierwszy przesłany

3 marca 2020

Pierwszy przesłany, który spełnia kryteria kontroli jakości

3 marca 2020

Pierwszy wysłany (Rzeczywisty)

5 marca 2020

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

6 marca 2020

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

4 marca 2020

Ostatnia weryfikacja

1 marca 2020

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • KyungheeU

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

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 .

Badania kliniczne na Modelowanie drzewa decyzyjnego

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Bulgaria

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

Subskrybuj