- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05119465
Status kliniczny COVID-19 powiązany z ciężkością wyniku: podejście do uczenia maszynowego bez nadzoru
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
Warunki
Szczegółowy opis
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Thessaloníki, Grecja, 54621
- University General Hospital of Thessaloniki AHEPA
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- pacjentów, którzy przybyli na oddział ratunkowy z rozpoznaniem zakażenia COVID-19
Kryteria wyłączenia:
- nic
Plan studiów
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
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Rzeczywisty)
Ukończenie studiów (Rzeczywisty)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
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)?
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 .
Badania kliniczne na COVID-19
-
University of Roma La SapienzaQueen Mary University of London; Università degli studi di Roma Foro Italico; Bios...ZakończonyOstre następstwa COVID-19 | Stan po COVID-19 | Długi-COVID | Przewlekły zespół Covid-19Włochy
-
Erasmus Medical CenterDa Vinci Clinic; HGC RijswijkJeszcze nie rekrutacjaSyndrom po COVID-19 | Długi COVID | Długi Covid19 | Stan po COVID-19 | Syndrom post-COVID | Stan po COVID-19, nieokreślony | Stan po Covid-19Holandia
-
Indonesia UniversityRekrutacyjnySyndrom po COVID-19 | Długi COVID | Stan po COVID-19 | Syndrom post-COVID | Długi COVID-19Indonezja
-
Yang I. PachankisAktywny, nie rekrutującyInfekcja dróg oddechowych COVID-19 | Zespół stresu wywołany przez COVID-19 | Niepożądana reakcja na szczepionkę COVID-19 | Choroba zakrzepowo-zatorowa związana z COVID-19 | Zespół po intensywnej terapii COVID-19 | Udar związany z COVID-19Chiny
-
Dr. Soetomo General HospitalIndonesia-MoH; Universitas Airlangga; Biotis Pharmaceuticals, IndonesiaRekrutacyjnyCovid-19 pandemia | Covid-19 szczepionki | Choroba wirusowa COVID-19Indonezja
-
Massachusetts General HospitalRekrutacyjnyZespół po ostrym COVID-19 | Długi COVID | Ostre następstwa COVID-19 | Długi COVID-19Stany Zjednoczone
-
First Affiliated Hospital Xi'an Jiaotong UniversityShangluo Central Hospital; Ankang Central Hospital; Hanzhong Central Hospital; Yulin... i inni współpracownicyRekrutacyjnyObserwacja kohortowa epidemii i neuroobrazowanie pacjentów podczas pierwszej fali COVID-19 w ChinachCOVID-19 | Syndrom po COVID-19 | Po ostrym COVID-19 | Ostra choroba COVID-19Chiny
-
Medisch Spectrum TwenteZiekenhuisgroep Twente; University of TwenteAktywny, nie rekrutujący
-
Jonathann Kuo, MDAktywny, nie rekrutującyZakażenie SARS-CoV2 | Syndrom po COVID-19 | Dysautonomia | Zespół po ostrym COVID-19 | Długi COVID | Długi Covid19 | COVID-19 Nawracające | Po ostrym COVID-19 | Po ostrej infekcji COVID-19 | Ostre następstwa COVID-19 | Dysautonomia jak zaburzenie | Dysautonomia Zespół niedociśnienia ortostatycznego | Stan po COVID-19 | Syndrom... i inne warunkiStany Zjednoczone