Model uczenia maszynowego do przewidywania okołooperacyjnej transfuzji
7 marca 2022 zaktualizowane przez: DILEK YAZICIOGLU, Diskapi Teaching and Research Hospital
Opracowanie i interpretacja modelu uczenia maszynowego do przewidywania okołooperacyjnej transfuzji
Badanie to miało na celu opracowanie i interpretację modelu uczenia maszynowego do przewidywania transfuzji krwinek czerwonych (RBC).
Przegląd badań
Status
Zakończony
Warunki
Interwencja / Leczenie
Szczegółowy opis
Przeanalizowano zbiór danych z wieloośrodkowego badania obejmującego 6121 pacjentów poddanych planowej dużej operacji.
Wykluczono dane dotyczące pacjentów, którzy otrzymali niewłaściwą transfuzję krwinek czerwonych.
Do przewidywania transfuzji krwinek czerwonych wykorzystano dwadzieścia jeden cech okołooperacyjnych.
Zestaw danych został losowo podzielony na zestawy pociągów i walidacji (70-30).
Do przewidywania wykorzystano drzewo decyzyjne, losowy las, k najbliższych sąsiadów, regresję logistyczną i eXtreme garadient boosting (XGBoost).
Porównano pole pod krzywymi (AUC) krzywych charakterystyk pracy odbiornika dla modeli uczenia maszynowego wykorzystywanych do przewidywania transfuzji krwinek czerwonych.
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
6121
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
-
Ankara, Indyk, 06110
- Dilek D Unal
-
-
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
18 lat do 100 lat (Dorosły, Starszy dorosły)
Akceptuje zdrowych ochotników
Nie
Płeć kwalifikująca się do nauki
Wszystko
Metoda próbkowania
Próbka bez prawdopodobieństwa
Badana populacja
Pacjenci poddawani poważnym planowym zabiegom chirurgicznym zostali uznani za kwalifikujących się.
Uwzględniono wszystkie grupy wiekowe i obie płcie.
Procedury chirurgiczne zostały predefiniowane zgodnie z Klasyfikacji Postępowań Diagnostycznych, Leczniczych i Chirurgicznych Zakładu Ubezpieczeń Społecznych, w której każdy zabieg ma swój unikalny kod
Opis
Kryteria przyjęcia:
- Dorosły
- Przeszedł poważną planową operację
Kryteria wyłączenia:
- Pacjenci pediatryczni
- Przypadki nagłe
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
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Liczba pacjentów, którym przetoczono krwinki czerwone
Ramy czasowe: Okres okołooperacyjny
|
Liczba pacjentów, którym przetoczono krwinki czerwone
|
Okres okołooperacyjny
|
|
Pole pod krzywą
Ramy czasowe: Okres okołooperacyjny
|
Pole pod krzywą krzywych charakterystyk pracy odbiornika
|
Okres okołooperacyjny
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Współpracownicy
Śledczy
- Główny śledczy: Dilek D Unal, Prof, UNIVERSITY OF HEALTH SCIENCES TURKEY DISKAPI YILDIRIM BEYAZIT TRAINING RESEARCH HOSPITAL ANKARA
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
- Murphy GJ, Reeves BC, Rogers CA, Rizvi SI, Culliford L, Angelini GD. Increased mortality, postoperative morbidity, and cost after red blood cell transfusion in patients having cardiac surgery. Circulation. 2007 Nov 27;116(22):2544-52. doi: 10.1161/CIRCULATIONAHA.107.698977. Epub 2007 Nov 12.
- Bernard AC, Davenport DL, Chang PK, Vaughan TB, Zwischenberger JB. Intraoperative transfusion of 1 U to 2 U packed red blood cells is associated with increased 30-day mortality, surgical-site infection, pneumonia, and sepsis in general surgery patients. J Am Coll Surg. 2009 May;208(5):931-7, 937.e1-2; discussion 938-9. doi: 10.1016/j.jamcollsurg.2008.11.019. Epub 2009 Mar 26.
- Walczak S, Velanovich V. Prediction of perioperative transfusions using an artificial neural network. PLoS One. 2020 Feb 24;15(2):e0229450. doi: 10.1371/journal.pone.0229450. eCollection 2020.
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)
13 stycznia 2022
Zakończenie podstawowe (Rzeczywisty)
1 lutego 2022
Ukończenie studiów (Rzeczywisty)
1 lutego 2022
Daty rejestracji na studia
Pierwszy przesłany
13 stycznia 2022
Pierwszy przesłany, który spełnia kryteria kontroli jakości
27 stycznia 2022
Pierwszy wysłany (Rzeczywisty)
8 lutego 2022
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
8 marca 2022
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
7 marca 2022
Ostatnia weryfikacja
1 stycznia 2022
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
- Machine learning DiskapiTRH
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 .