Przewidywanie wielu infekcji u starszych pacjentów poddawanych zabiegom chirurgicznym za pomocą uczenia maszynowego
Przewidywanie wielu infekcji u starszych pacjentów poddawanych zabiegom chirurgicznym: opracowywanie i walidacja modelu uczenia maszynowego za pomocą analizy SHAP
Przegląd badań
Status
Szczegółowy opis
Tła:
Zakażenia pooperacyjne są główną przyczyną niekorzystnych wyników w okresie okołooperacyjnym, zwłaszcza u pacjentów w podeszłym wieku. Biorąc pod uwagę różnorodne objawy diagnostyczne zakażenia, istnieje znaczna luka w stosowaniu narzędzi predykcyjnych w celu identyfikacji osób z wysokim ryzykiem wystąpienia takich powikłań.
Cel:
Naszym celem było opracowanie modeli uczenia maszynowego pozwalających przewidywać różne ryzyko infekcji pooperacyjnych u pacjentów w podeszłym wieku, ułatwiając wczesne wykrywanie i interwencję.
Metody:
Retrospektywną analizę przeprowadzono na 42 540 starszych pacjentach, którzy przeszli operację niekardiochirurgiczną w Pierwszym Centrum Medycznym Chińskiego Szpitala Ogólnego PLA w okresie od stycznia 2014 r. do sierpnia 2019 r., tworząc zestaw szkoleniowy. Na tej podstawie losowo wyznaczono 30% podzbiór jako zbiór testowy. Modele obejmowały 51 zmiennych, w tym kluczowe czynniki związane z infekcją. Trzy techniki uczenia maszynowego — regresja logistyczna (LR), las losowy (RF) i maszyny wzmacniające gradient (GBM) — zostały wykorzystane do opracowania modeli predykcyjnych dla ogólnych i specyficznych infekcji pooperacyjnych, sklasyfikowanych zgodnie z definicjami europejskiego okołooperacyjnego wyniku klinicznego (EPCO). . Wydajność modelu mierzono za pomocą takich wskaźników, jak obszar pod krzywą ROC (AUC), dokładność i precyzja. Aby zwiększyć interpretowalność modelu, zastosowaliśmy algorytm zmiennej ważności modelu RF (VIMP) i wyjaśnienia addytywne Shapleya (SHAP). W celu możliwego do udowodnienia przewidywania określonych typów infekcji do modelu wprowadzono dane losowo wybranych 5 pacjentów, a uzyskane prawdopodobieństwa przedstawiono na wykresie radarowym.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
Beijing
-
Beijing, Beijing, Chiny, 100853
- Depatment of Anesthesiology, The First Medical Center Affiliation: Chinese PLA General Hospital
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
- Wiek ≥ 65 lat;
- Pacjenci poddawani zabiegom chirurgicznym nie wymagającym znieczulenia miejscowego.
Kryteria wykluczenia:
- Pacjenci poddawani zabiegom neurochirurgicznym lub kardiochirurgicznym;
- Pacjenci z infekcjami przedoperacyjnymi (w tym zapaleniem płuc, ZMO, ZUM i zakażeniami krwi).
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Uczenie maszynowe przewidywanie wielu infekcji u starszych pacjentów poddawanych zabiegom chirurgicznym
Ramy czasowe: Styczeń 2012 - sierpień 2018
|
Wykorzystując techniki uczenia maszynowego, badacze opracowali model oceny infekcji geriatrycznych, wykorzystując krajowe bazy danych do przewidywania wielu infekcji pooperacyjnych u starszych pacjentów.
|
Styczeń 2012 - sierpień 2018
|
Współpracownicy i badacze
Sponsor
Śledczy
- Krzesło do nauki: Weidong Mi, Depatment of Anesthesiology, The First Medical Center Affiliation: Chinese PLA General Hospital
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
- PLAGH-AOC-L03
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 .