Predykcja oparta na sieciach neuronowych u pacjentów w stanie krytycznym z COVID-19
Prognozowanie oparte na sieciach neuronowych u krytycznie chorych pacjentów z COVID-19
W kontekście pojawiającej się pandemii bez ustalonego systemu oceny rokowniczej, podejścia głębokiego uczenia można wykorzystać do szybkiego opracowania empirycznych modeli prognostycznych.
Niniejsze badanie miało na celu przedstawienie modelu sztucznej sieci neuronowej (ANN) do przewidywania czasu trwania wentylacji mechanicznej i śmiertelności u pacjentów z COVID-19 na oddziale intensywnej terapii.
Metody: Dane zebrano z dokumentacji medycznej 113 pacjentów z COVID-19, którzy byli obserwowani na oddziale intensywnej terapii między lutym 2020 a czerwcem 2020 roku. Wykorzystano podejście ANN do przewidywania długości wentylacji mechanicznej i śmiertelności u pacjentów z COVID-19 poprzez ocenę danych klinicznych pacjentów (demograficznych, laboratoryjnych i chorób współistniejących).
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Choroba koronawirusowa 2019 (COVID-19) spowodowała bezprecedensowe obciążenie oddziałów intensywnej terapii (OIT), szczególnie ze względu na wysokie wskaźniki niewydolności oddechowej wymagającej inwazyjnej wentylacji mechanicznej. Wczesna identyfikacja pacjentów zagrożonych przedłużoną wentylacją mechaniczną i śmiertelnością jest kluczowa dla optymalizacji alokacji zasobów i podejmowania decyzji klinicznych.
To retrospektywne badanie kohortowe miało na celu opracowanie i ocenę modelu sztucznej sieci neuronowej (ANN) do przewidywania czasu trwania wentylacji mechanicznej oraz śmiertelności szpitalnej wśród pacjentów z COVID-19 przyjętych na OIT.
Po uzyskaniu zgody Komisji Etyki Badań Klinicznych Uniwersytetu Gaziantep (Decyzja nr: 2024/07, Data: 17.01.2024), dane od 113 dorosłych pacjentów przyjętych na OIT między 1 lutego 2020 a 30 czerwca 2020 zostały retrospektywnie przeanalizowane. Z dokumentacji medycznej wyodrębniono cechy demograficzne, choroby współistniejące, parametry życiowe, parametry laboratoryjne, wskaźniki ciężkości (np. APACHE, SOFA), modalności leczenia oraz wyniki kliniczne.
Modele sztucznych sieci neuronowych zostały opracowane przy użyciu komercyjnego oprogramowania (Alyuda NeuroIntelligence, Alyuda Research Inc., Los Altos, CA, USA). Przetestowano wiele algorytmów uczenia, w tym Quick Propagation, Conjugate Gradient Descent, Limited Memory Quasi-Newton, Online Backpropagation oraz Batch Backpropagation. Wydajność modelu oceniono za pomocą 10-krotnej walidacji krzyżowej. Obliczono dokładność predykcyjną dla śmiertelności oraz wydajność korelacji dla czasu trwania wentylacji mechanicznej. Dla porównania przeprowadzono również klasyczne metody statystyczne, w tym wieloraką regresję liniową i regresję logistyczną binarną.
Głównym celem była ocena wydajności predykcyjnej modeli ANN dla śmiertelności na OIT. Drugorzędnym celem była ocena wydajności ANN w szacowaniu czasu trwania wentylacji mechanicznej. Badanie przeprowadzono zgodnie z Deklaracją Helsińską.
Typ studiów
Zapisy (Rzeczywisty)
Kontakty i lokalizacje
Lokalizacje studiów
-
-
-
Gaziantep, Turcja (Türkiye), 27310
- Gaziantep University Hospital
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
Wiek ≥ 18 lat
Potwierdzone rozpoznanie COVID-19
Przyjęcie na oddział intensywnej terapii (OIT) między 1 lutego 2020 a 30 czerwca 2020
Dostępność pełnych danych klinicznych, laboratoryjnych i dotyczących wyników leczenia w dokumentacji medycznej
Kryteria wyłączenia:
Wiek < 18 lat
Niekompletne lub brakujące dane kliniczne
Przeniesienie do innej placówki przed oceną wyniku leczenia
Ponowne przyjęcie na OIT w trakcie tej samej hospitalizacji (uwzględniono tylko pierwsze przyjęcie)
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Śmiertelność ogólna na OIOM
Ramy czasowe: Od przyjęcia na OIT do wypisu ze szpitala lub zgonu (do 90 dni)
|
Prognozowanie śmiertelności wewnątrzszpitalnej (ex-status) wśród pacjentów z COVID-19 przyjętych na oddział intensywnej terapii przy użyciu modelowania sztucznych sieci neuronowych na podstawie zmiennych demograficznych, klinicznych i laboratoryjnych.
|
Od przyjęcia na OIT do wypisu ze szpitala lub zgonu (do 90 dni)
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Elzem Sen, Assoc Prof, University of Gaziantep
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
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 2024/07
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 .