Uczenie maszynowe na OIT: Przewidywanie śmiertelności w zakażeniach krwi (OIOM: Oddział Intensywnej Terapii) (ICU)
Uczenie maszynowe na oddziałach intensywnej terapii: przewidywanie śmiertelności u pacjentów z zakażeniami krwi pałeczkami Gram-ujemnymi opornymi na karbapenemy
Wykorzystując własne dane pacjentów, nasze badanie miało na celu przewidzenie śmiertelności, która może wystąpić w przypadku zakażeń krwiobiegu pałeczkami Gram-ujemnymi opornymi na karbapenemy, za pomocą modelu opartego na uczeniu maszynowym.
Na oddziale intensywnej terapii pacjenci z zakażeniami krwi, zarówno ze śmiertelnością, jak i bez niej, będą retrospektywnie badani w dwóch podgrupach dla porównania.
Przegląd badań
Status
Interwencja / Leczenie
Szczegółowy opis
Karbapenemy to antybiotyki ostatniej szansy stosowane w leczeniu ciężkich zakażeń wywołanych przez wielolekooporne patogeny Gram-ujemne. Zakażenia pałeczkami Gram-ujemnymi opornymi na karbapenemy (CR-GNB) stały się powszechne w ciągu ostatniej dekady, stwarzając poważne zagrożenie dla zdrowia publicznego. Enterobacteriaceae oporne na karbapenemy (CRE), Acinetobacter baumannii oporne na karbapenemy (CRAB) i Pseudomonas aeruginosa oporne na karbapenemy (CRPA) zajmują pierwsze miejsca na liście priorytetowych bakterii opornych na antybiotyki na całym świecie. CR-GNB powoduje szerokie spektrum infekcji, w tym bakteriemię, infekcje dróg moczowych, zapalenie płuc i infekcje w obrębie jamy brzusznej. Zakażenia krwi oporne na karbapenemy są istotną przyczyną zachorowalności i śmiertelności, a możliwości terapeutyczne są niezwykle ograniczone. Oceniając czynniki ryzyka u pacjentów monitorowanych na oddziale intensywnej terapii, systemy punktacji umożliwiające przewidywanie rokowania zmniejszają ryzyko śmiertelności, zapewniając wczesne zastosowanie skutecznych antybiotyków i terminowe wsparcie hemodynamiczne, które jest obecnie stosowane.
Wraz z gromadzeniem się dużych zbiorów danych i postępem w technikach przechowywania danych, innowacyjne i pragmatyczne metody uczenia maszynowego, które wkroczyły w nasze życie, wykazują dobrą skuteczność przewidywania w dziedzinie medycyny. W literaturze dostępne są modele oparte na uczeniu maszynowym, opracowane w celu przewidywania śmiertelności pacjentów monitorowanych na oddziale intensywnej terapii, które dają możliwość wcześniejszej interwencji u pacjentów.
Korzystając z własnych danych pacjentów, na oddziale intensywnej terapii pacjenci z zakażeniami krwi, zarówno ze śmiertelnością, jak i bez niej, będą retrospektywnie badani w dwóch podgrupach dla porównania. Naszym celem jest przewidywanie śmiertelności, jaka może wystąpić w przypadku zakażeń krwiobiegu pałeczkami Gram-ujemnymi opornymi na karbapenemy, za pomocą modelu opartego na uczeniu maszynowym.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Kocaeli, Turcja (Türkiye)
- Kocaeli University
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Do naszego badania retrospektywnie uwzględnieni zostaną pacjenci, którzy byli monitorowani na Oddziale Intensywnej Terapii trzeciego stopnia naszego szpitala i u których wystąpiły zakażenia krwi wywołane przez Enterobacteriaceae oporne na karbapenemy, Acinetobacter baumannii oporne na karbapenemy i Pseudomonas aeruginosa oporne na karbapenemy.
Kryteria wyłączenia:
- Pacjenci w wieku poniżej 18 lat i osoby z infekcjami innymi niż zakażenia krwi nie będą uwzględniani.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Zmarli Pacjenci
Gram-ujemne pałeczki oporne na karbapenemy Zakażenie krwi ze śmiertelnością
|
Korzystając z głębokiego uczenia się, staramy się opracować algorytm i przewidywać śmiertelność
|
|
Pacjenci, którzy przeżyli
Gram-ujemne pałeczki oporne na karbapenemy Zakażenie krwi bez śmiertelności
|
Korzystając z głębokiego uczenia się, staramy się opracować algorytm i przewidywać śmiertelność
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Ryzyko śmiertelności
Ramy czasowe: 3 miesiące
|
Czułość i swoistość zostaną określone za pomocą krzywej AUC-ROC (obszar pod krzywą charakterystyki działania odbiornika) przy użyciu algorytmu uczenia maszynowego
|
3 miesiące
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: özlem güler, Kocaeli University
Publikacje i pomocne linki
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
- GOKAEK-2023/12.31
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 .