Um modelo de inteligência artificial para a extensão intensiva de estadia, resultado neurológico e estimativa de custos após ressuscitação cardiopulmonar: um estudo de coorte.
Um modelo de inteligência artificial para a duração intensiva da estadia, o resultado neurológico e a estimativa de custos após a ressuscitação cardiopulmonar: um estudo de coorte
Visão geral do estudo
Status
Status
Condições
Condições
Intervenção / Tratamento
Intervenção / Tratamento
Tipo de estudo
Tipo de estudo
Inscrição (Estimado)
Inscrição
Critérios de participação
Critérios de elegibilidade
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critérios de inclusão:
- idade> 18 anos
- Resuscitação cardiopulmonar sucessiva
- Pelo menos 1 hora de admissão na UTI após o retorno da circulação espontânea (ROSC)
Critérios de exclusão:
- idade <18 anos
- > 80% ausentes dados em registros de pacientes
- Pacientes sem ROSC
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
Número de grupos/coortes
Coortes e Intervenções
Grupo / CoorteGrupo / Coorte |
Intervenção / TratamentoIntervenção / Tratamento |
|---|---|
|
Idade> 18 anos pacientes após bem -sucedidos ressuscitação cardiopulmonar observada na reanimação
|
Os dados de pacientes após sucessivos rescisão serão avaliados por programas de aprendizado de máquina.
|
O que o estudo está medindo?
Medidas de resultados primários
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Programa Python de aprendizado de máquina
Prazo: 3 meses
|
O banco de dados criado será analisado usando um algoritmo de inteligência artificial de aprendizado de máquina com a linguagem de programação Python.
Após o processamento de dados ausentes e incompletos por inteligência artificial, o banco de dados será dividido em duas partes: treinamento de modelos e validação de modelo.
Os dados significativos serão selecionados através do treinamento do modelo e um modelo de previsão será construído com base nesses dados.
Para aumentar a interpretabilidade do modelo de previsão e ajudar os usuários a entender como e por que certas previsões são feitas, o algoritmo Shapeley Additive Explicações (SHAP) será usado.
No aprendizado de máquina, a técnica de forma é usada para interpretar os processos de tomada de decisão de modelos complexos de aprendizado de máquina.
|
3 meses
|
Colaboradores e Investigadores
Patrocinador
Patrocinador
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Estimado)
Início do estudo
Conclusão Primária (Estimado)
Conclusão Primária
Conclusão do estudo (Estimado)
Conclusão do estudo
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Estimado)
Primeira postagem
Atualizações de registro de estudo
Última Atualização Postada (Estimado)
Última Atualização Postada
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Outros números de identificação do estudo
Outros números de identificação do estudo
- Nkangarli002
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .