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

Wykorzystanie uczenia maszynowego do optymalizacji duńskiej formuły utonięcia (DROWN_DDF2)

20 sierpnia 2025 zaktualizowane przez: Niklas Breindahl, Prehospital Center, Region Zealand

Identyfikacja utonięć wspomagana uczeniem maszynowym na potrzeby przedszpitalnych danych dotyczących utonięć w Danii: wykorzystanie uczenia maszynowego do optymalizacji wzoru utonięcia w Danii

Duńska formuła utonięcia (DDF) została zaprojektowana w celu przeszukiwania nieustrukturyzowanych pól tekstowych w ogólnokrajowej duńskiej przedszpitalnej elektronicznej dokumentacji medycznej na podstawie nieograniczonych terminów i kompleksowych kryteriów wyszukiwania w celu identyfikacji wszystkich potencjalnych zdarzeń związanych z wodą i osiągnięcia wysokiej czułości. Było to ważne, ponieważ utonięcie jest zjawiskiem rzadkim, ale skutkowało niską pozytywną wartością predykcyjną w zakresie wykrywania konkretnych przypadków utonięcia. Celem tego badania jest zwiększenie pozytywnej wartości predykcyjnej DDF i zmniejszenie wymagań czasowych związanych z ręczną walidacją.

Przegląd badań

Status

Aktywny, nie rekrutujący

Warunki

Interwencja / Leczenie

Szczegółowy opis

DDF został opublikowany w 2023 roku. Jest to algorytm wyszukiwania tekstowego przeznaczony do przeszukiwania nieustrukturyzowanych pól tekstowych w bazach danych zawierających elektroniczną dokumentację medyczną w celu identyfikacji wszelkich potencjalnych zdarzeń związanych z wodą. DDF składa się z wielu słów wyzwalających związanych z obrażeniami spowodowanymi zanurzeniem (np. „drukn” / utonięcie, „vand” / woda, „hav” / ocean i „båd” / łódź).

Trwające badanie wykazało imponujące wskaźniki wydajności DDF jako narzędzia identyfikacji tonięcia po zastosowaniu go do duńskiego PEMR na nieograniczonych warunkach. Jednakże PPV był niski w przypadku wykrywania utonięć. Celem tego badania jest zwiększenie pozytywnej wartości predykcyjnej DDF i zmniejszenie wymagań czasowych związanych z ręczną walidacją.

Dane są pobierane z ogólnokrajowej duńskiej przedszpitalnej elektronicznej dokumentacji medycznej przy użyciu DDF i ręcznie sprawdzane przed wprowadzeniem do duńskich przedszpitalnych danych o utonięciach (DPDD).

Dane z DPDD z lat 2016-2021 zostaną podzielone na 80% (dane szkoleniowe) i 20% (dane testowe) i wykorzystane do szkolenia uczenia maszynowego.

Dane z DPDD z lat 2022–2023 zostaną wykorzystane jako dane walidacyjne do obliczenia wskaźników wydajności uczenia maszynowego.

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

1500

Kontakty i lokalizacje

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

Lokalizacje studiów

  • Dania
    • Region Sjælland
      • Næstved, Region Sjælland, Dania, 4700
        • Prehospital Center

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 bez prawdopodobieństwa

Badana populacja

Wszyscy utonięcia ze skutkiem śmiertelnym i bez skutku śmiertelnego w Danii leczeni przez pogotowie ratunkowe (EMS) w latach 2016–2023.

Opis

Kryteria przyjęcia:

  • U pacjenta musiały wystąpić zaburzenia oddychania spowodowane zanurzeniem lub zanurzeniem w cieczy (w tym utrzymujący się kaszel, zatrzymanie oddechu i utrata przytomności).
  • Pacjent musiał mieć kontakt z duńskim przedszpitalnym pogotowiem ratunkowym.

Kryteria wyłączenia:

  • Dublety
  • Nieprawidłowy numer rejestracyjny stanu cywilnego

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
Śmiertelne utonięcie
Incydenty utonięcia, w przypadku których pacjent zmarł w ciągu 30 dni od zdarzenia w wyniku urazu spowodowanego zanurzeniem
Inny: Incydent utonięcia
Utonięcie zostało zdefiniowane przez WHO w 2002 r. jako „proces doświadczania zaburzeń oddychania w wyniku zanurzenia lub zanurzenia w cieczy”.
Utonięcie bez skutku śmiertelnego
Przypadki utonięć, w przypadku których pacjent przeżył do 30 dni
Inny: Incydent utonięcia
Utonięcie zostało zdefiniowane przez WHO w 2002 r. jako „proces doświadczania zaburzeń oddychania w wyniku zanurzenia lub zanurzenia w cieczy”.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Czułość algorytmu uczenia maszynowego jako narzędzia identyfikacji tonięcia
Ramy czasowe: Czułość wytrenowanego uczenia maszynowego zostanie obliczona na podstawie danych z lat 2022 i 2023.
Czułość [TP / (TP+FN)] zostanie obliczona, aby pokazać skuteczność uczenia maszynowego jako narzędzia identyfikacji tonięcia.
Czułość wytrenowanego uczenia maszynowego zostanie obliczona na podstawie danych z lat 2022 i 2023.
Specyfika algorytmu uczenia maszynowego jako narzędzia identyfikacji tonięcia
Ramy czasowe: Specyfika wyszkolonego uczenia maszynowego zostanie obliczona na podstawie danych z lat 2022 i 2023.
Specyficzność [TN / (FP+TN)] zostanie obliczona, aby pokazać skuteczność uczenia maszynowego jako narzędzia identyfikacji tonięcia.
Specyfika wyszkolonego uczenia maszynowego zostanie obliczona na podstawie danych z lat 2022 i 2023.
PPV algorytmu uczenia maszynowego
Ramy czasowe: PPV wyszkolonego uczenia maszynowego zostanie obliczone na podstawie danych z lat 2022 i 2023.
PPV [TP / (TP+FP)] zostanie obliczone, aby pokazać wynik testu uczenia maszynowego.
PPV wyszkolonego uczenia maszynowego zostanie obliczone na podstawie danych z lat 2022 i 2023.
NPV algorytmu uczenia maszynowego
Ramy czasowe: Wartość NPV wytrenowanego uczenia maszynowego zostanie obliczona na podstawie danych z lat 2022 i 2023.
Wartość NPV [TN / (FN+TN)] zostanie obliczona, aby pokazać wynik testu uczenia maszynowego.
Wartość NPV wytrenowanego uczenia maszynowego zostanie obliczona na podstawie danych z lat 2022 i 2023.

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Prehospital Center, Region Zealand

Śledczy

  • Dyrektor Studium: Helle Collatz Christensen, Ass. Prof., Prehospital Center, Region Zealand

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 stycznia 2024

Zakończenie podstawowe (Szacowany)

31 grudnia 2025

Ukończenie studiów (Szacowany)

31 grudnia 2025

Daty rejestracji na studia

Pierwszy przesłany

7 marca 2024

Pierwszy przesłany, który spełnia kryteria kontroli jakości

13 marca 2024

Pierwszy wysłany (Rzeczywisty)

15 marca 2024

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Szacowany)

27 sierpnia 2025

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

20 sierpnia 2025

Ostatnia weryfikacja

1 sierpnia 2025

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • DROWN_DDF2

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

Opis planu IPD

Dane są przeznaczone do wykorzystania przez badaczy w kraju i za granicą w celu zmniejszenia częstości występowania, śmiertelności i zachorowalności na utonięcia. Dane są udostępniane na uzasadnioną prośbę badaczy po złożeniu wniosku do odpowiedniego autora, pod warunkiem uzyskania niezbędnych zgód odpowiednich władz.

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

produkt wyprodukowany i wyeksportowany z USA

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 .

Subskrybuj