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

Status kliniczny COVID-19 powiązany z ciężkością wyniku: podejście do uczenia maszynowego bez nadzoru

14 maja 2023 zaktualizowane przez: Prof. Triantafyllos Didangelos, Aristotle University Of Thessaloniki

Czy stan kliniczny choroby wywołanej wirusem koronowym (COVID)-19 wiąże się z ciężkością wyników? Metoda uczenia maszynowego bez nadzoru w celu pozyskiwania wiedzy

Od początku pandemii COVID-19 195 milionów ludzi zostało zarażonych, a 4,2 miliona zmarło z powodu choroby lub jej skutków ubocznych. Lekarze, naukowcy zajmujący się opieką zdrowotną i personel medyczny nieustannie próbują radzić sobie z przeciążeniem przyjęć do szpitali, jednocześnie próbując zidentyfikować znaczące korelacje między ciężkością zakażonych pacjentów a ich objawami, chorobami współistniejącymi i biomarkerami. Sztuczna inteligencja (AI) i uczenie maszynowe (ML) są ostatnio wykorzystywane w wielu obszarach związanych z opieką zdrowotną związaną z COVID-19. Głównym celem jest efektywne zarządzanie szeroką gamą zagadnień związanych z COVID-19 i jego konsekwencjami. Istniejące zastosowania ML w opiece zdrowotnej COVID-19 opierają się na nadzorowanej klasyfikacji, która wymaga oznaczonego zestawu danych szkoleniowych, służącego jako punkt odniesienia do nauki, a także predefiniowanych klas. Jednak dotychczasowa wiedza na temat COVID-19 i jego konsekwencji wciąż nie jest solidna, a punkty wspólnej zgody między różnymi środowiskami naukowymi wciąż nie są jasne.

Dlatego też niniejsze badanie miało na celu zastosowanie nienadzorowanego podejścia do grupowania, w którym nie jest wymagana wcześniejsza wiedza (tabula rasa).

Dokładniej, 268 hospitalizowanych pacjentów na Pierwszym Propedeutycznym Oddziale Chorób Wewnętrznych Szpitala Uniwersyteckiego AHEPA w Salonikach zostało ocenionych pod kątem 40 zmiennych klinicznych (liczbowych i kategorycznych), co doprowadziło do zbioru danych o dużej wielowymiarowości. Redukcję wymiarowości przeprowadzono stosując analizę głównych składowych (PCA) w numerycznej części zbioru danych oraz analizę wielokrotnej korespondencji (MCA) w części kategorialnej zbioru danych. Następnie zastosowano Bayesowskie Kryterium Informacyjne (BIC) do Gaussian Mixture Models (GMM) w celu określenia optymalnej liczby skupień, w obrębie których występuje najlepsze grupowanie pacjentów.

Zaproponowana metodologia zidentyfikowała 4 skupienia pacjentów o podobnej charakterystyce klinicznej. Analiza ujawniła grupę bezobjawowych pacjentów, u których odsetek zgonów wyniósł 23,8%.

Ten uderzający wynik zmusza nas do ponownego rozważenia związku między nasileniem objawów klinicznych COVID-19 a śmiertelnością pacjentów.

Przegląd badań

Status

Zakończony

Warunki

Szczegółowy opis

W tym badaniu zaproponowano algorytmiczny potok oparty na nienadzorowanych algorytmach uczenia maszynowego, który ma działać w tandemie z lekarzami i dostarczać dodatkowej wiedzy do właściwej kategoryzacji pacjentów zakażonych COVID-19 na podstawie ich ciężkości. Dane od pacjentów hospitalizowanych w naszej klinice są gromadzone i przechowywane w osobnych plikach Microsoft Excel (.xlsx), które są ładowane do pamięci. Skrypt łączy je wszystkie w jedną ramkę danych, w której są sprawdzane pod kątem wartości NaN (Not a Number). Ze względu na charakter danych pacjenci z brakującymi informacjami są całkowicie odrzucani ze zbioru danych, ponieważ wnioskowanie o informacjach byłoby stronniczą praktyką w przypadku konkretnego zastosowania. Następnie stosujemy normalizację danych poprzez skalowanie wszystkich zmiennych numerycznych w zakresie (0,1), tak aby zakres wszystkich zmiennych numerycznych był taki sam i aby uniknąć jakichkolwiek odchyleń w stosunku do niektórych zmiennych. Zaprojektowano dokładny i szczegółowy proces gromadzenia danych w celu zebrania informacji dla pacjentów, bez zakłócania leczenia klinicznego lub denerwowania ich przy okazji.

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

268

Kontakty i lokalizacje

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

Lokalizacje studiów

  • Grecja
      • Thessaloníki, Grecja, 54621
        • University General Hospital of Thessaloniki AHEPA

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

  • Dziecko
  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie

Metoda próbkowania

Próbka prawdopodobieństwa

Badana populacja

pacjentów, którzy przybyli na oddział ratunkowy z rozpoznaniem zakażenia COVID-19

Opis

Kryteria przyjęcia:

  • pacjentów, którzy przybyli na oddział ratunkowy z rozpoznaniem zakażenia COVID-19

Kryteria wyłączenia:

  • nic

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
Grupa
Hospitalizowani pacjenci z chorobą wirusową Corona

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Skupienie pacjentów w zależności od ciężkości zakażenia
Ramy czasowe: 1 rok
Algorytm opracowany przy użyciu sztucznej inteligencji i uczenia maszynowego w celu klasyfikowania pacjentów według ich statusu zakażenia COVID-19
1 rok

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Aristotle University Of Thessaloniki

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 2019

Zakończenie podstawowe (Rzeczywisty)

30 czerwca 2021

Ukończenie studiów (Rzeczywisty)

30 czerwca 2021

Daty rejestracji na studia

Pierwszy przesłany

12 listopada 2021

Pierwszy przesłany, który spełnia kryteria kontroli jakości

12 listopada 2021

Pierwszy wysłany (Rzeczywisty)

15 listopada 2021

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

16 maja 2023

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

14 maja 2023

Ostatnia weryfikacja

1 maja 2023

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • 19400_21052021

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

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 COVID-19

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Mauritania

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

3
Subskrybuj