- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT04771429
Um modelo preditivo de aprendizado de máquina para sepse
Um modelo de aprendizado de máquina de risco para crianças com sepse
A previsão oportuna e precisa da ocorrência de sepse e a intervenção ativa no tratamento podem efetivamente melhorar a sobrevida e a taxa de cura de pacientes com sepse.
Usando aprendizado de máquina e processamento de linguagem natural, queremos desenvolver modelos para 1) identificar todas as crianças com sepse internadas no hospital e 2) estratificá-las para distinguir aquelas com alto risco de morte b) Como você realizará seu trabalho? Dos hospitais de Xangai e do MIMIC III, desenvolveremos um grande conjunto de dados de internações de pacientes para todas as condições médicas, incluindo sepse, a partir do registro eletrônico de saúde. Esses dados incluirão dados estruturados, como idade, sexo, medicamentos, valores laboratoriais, comorbidades, bem como dados não estruturados, como resumos de alta e anotações médicas. Usando o conjunto de dados, treinaremos um modelo por meio de processamento de linguagem natural e aprendizado de máquina para identificar pessoas internadas com sepse e identificar os pacientes com alto risco de morte. Vamos testar a capacidade desses modelos para determinar nossas precisões preditivas. Em seguida, testaremos esses modelos em outras instituições.
Visão geral do estudo
Status
Condições
Descrição detalhada
Introdução: A previsão oportuna e precisa da ocorrência de sepse e a intervenção ativa no tratamento podem efetivamente melhorar a sobrevida e a taxa de cura de pacientes com sepse. Houve um grande número de resultados de pesquisa sobre a previsão de sepse produzida por dois métodos: o método de detecção e avaliação de sepse baseado em mecanismos de pontuação clínica e o método de detecção de sepse baseado em modelo de aprendizado de máquina.
Objetivo: O pré-processamento de dados razoável e eficaz pode melhorar significativamente a pontualidade e a precisão dos modelos de alerta precoce de sepse. Dados os problemas de alta dispersão de tempo, distribuição desigual e grandes diferenças de indicadores comuns de modelagem de previsão de sepse, o estudo propôs um método de interpolação híbrida com base em indicadores de sepse relacionados à janela de tempo.
Métodos: O estudo desenhou o método tradicional de interpolação de dados baseado em linear, MGP, média, vizinho mais próximo e o método de interpolação híbrida (CTWH) baseado em janela de tempo de correlação (CTW) proposto no estudo para comparação experimental. Os experimentos foram realizados respectivamente em conjuntos de amostras sem remoção de dados experimentais e conjuntos de amostras com 90% de remoção de valores ausentes. Ao comparar com o desempenho dos métodos de interpolação de indicadores de sepse existentes no mesmo modelo de linha de base, a eficácia do método foi comprovada pela precisão e pontualidade dos resultados de previsão. No final, os resultados do método experimental foram analisados e explicados numa perspetiva clínica.
Significado:
Tendo em vista as características de alta dispersão, distribuição desigual e grandes diferenças entre características de indicadores comumente usados em modelos de predição de sepse, este estudo propôs uma estratégia eficiente de interpolação de dados. Após a eliminação dos dados ausentes de 90% e 0%, o método de interpolação proposto neste estudo teve um desempenho melhor do que os métodos existentes, como interpolação média e interpolação linear, KNN, MGP na linha de base estática e nos modelos de séries temporais. Ao mesmo tempo, este método também forneceu uma ideia para explorar o comprimento da janela de interpolação e apoiou o estudo prospectivo da interpolação de valores ausentes e pré-processamento de dados.
Tipo de estudo
Inscrição (Antecipado)
Contactos e Locais
Locais de estudo
-
-
Yangpu
-
Shanghai, Yangpu, China, 200092
- Recrutamento
- Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China
-
Contato:
- Xin Sun, PhD
- Número de telefone: 18902268716
- E-mail: Doctorsunxin@hotmail.com
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- diagnosticado com "infecção", "choque séptico" ou "sepse" ou "septicemia"
Critério de exclusão:
- Infecção aguda do trato respiratório superior
- recém-nascidos
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Identificação de sepse
Prazo: Linha de base
|
Os pacientes com sepse foram triados com base no padrão Sepsis-III
|
Linha de base
|
Colaboradores e Investigadores
Investigadores
- Investigador principal: Xin Sun, MD, Xinhua Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Antecipado)
Conclusão do estudo (Antecipado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- XHEC-C-2021-104-1
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
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 .