Модель машинного обучения для прогнозирования послеоперационной дыхательной недостаточности
29 августа 2022 г. обновлено: Hyun-Kyu Yoon, Seoul National University Hospital
Разработка и перспективная оценка модели машинного обучения для прогнозирования послеоперационной дыхательной недостаточности
Основная цель этого исследования — разработать модель машинного обучения, которая прогнозирует послеоперационную дыхательную недостаточность в течение 7 послеоперационных дней с использованием реальных, локальных предоперационных и интраоперационных электронных медицинских карт, а не административных кодов.
Обзор исследования
Статус
Завершенный
Условия
Подробное описание
Известно, что послеоперационные легочные осложнения увеличивают продолжительность пребывания в стационаре и затраты на здравоохранение.
Одной из наиболее тяжелых форм этих осложнений является послеоперационная дыхательная недостаточность, которая также связана с заболеваемостью и смертностью.
Разработано множество моделей стратификации риска для выявления пациентов с повышенным риском развития послеоперационной дыхательной недостаточности.
Однако эти модели были построены с использованием традиционного логистического регрессионного анализа.
Логистический регрессионный анализ имел недостатки, связанные с предположением, что отношения между зависимыми и независимыми переменными являются линейными.
Последние достижения в области искусственного интеллекта позволяют управлять большими данными и анализировать их.
Модель прогнозирования с использованием метода машинного обучения и крупномасштабных данных может повысить точность прогнозирования по сравнению с предыдущими моделями, использующими традиционную статистику.
Кроме того, метод машинного обучения может быть полезным вспомогательным инструментом для принятия клинических решений или прогнозирования в реальном времени, если он интегрирован в систему здравоохранения.
Однако, насколько нам известно, не было исследований, посвященных прогностическим факторам послеоперационной дыхательной недостаточности с использованием подхода машинного обучения.
Таким образом, основной целью данного исследования является разработка модели машинного обучения, которая прогнозирует послеоперационную дыхательную недостаточность в течение 7 послеоперационных дней с использованием реальных, локальных предоперационных и интраоперационных электронных медицинских карт, а не административных кодов, и оценивает ее эффективность проспективно.
Тип исследования
Наблюдательный
Регистрация (Действительный)
22250
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Места учебы
-
-
-
Seoul, Корея, Республика
- Hyun-Kyu Yoon
-
-
Критерии участия
Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.
Критерии приемлемости
Возраст, подходящий для обучения
18 лет и старше (ВЗРОСЛЫЙ, OLDER_ADULT)
Принимает здоровых добровольцев
Нет
Полы, имеющие право на обучение
Все
Метод выборки
Невероятностная выборка
Исследуемая популяция
Взрослые пациенты, подвергающиеся общей анестезии при внесердечных хирургических вмешательствах
Описание
Критерии включения:
- Взрослые пациенты, подвергающиеся общей анестезии при внесердечных хирургических вмешательствах.
Критерий исключения:
- Возраст до 18 лет
- Продолжительность операции < 1 часа
- Операция на сердце
- Операция проводится только с регионарной или местной анестезией, блокадой периферических нервов или контролируемой анестезией.
- Трансплантация органов
- Пациент с предоперационной интубацией трахеи
- Пациенты, перенесшие трахеостому до операции
- Пациенты, которым назначена трахеостомия
- Операция проводится вне операционной
- Продолжительность пребывания в больнице < 24 ч
Если пациенты перенесли несколько операций во время одного и того же пребывания в больнице, мы включали первые хирургические случаи в набор данных.
Учебный план
В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
AI_PRF
Взрослые пациенты под общей анестезией
|
Эффективность модели машинного обучения для прогнозирования послеоперационной дыхательной недостаточности после общей анестезии в течение 7-го послеоперационного дня была протестирована проспективно.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
частота послеоперационной дыхательной недостаточности после общей анестезии
Временное ограничение: на 7-й послеоперационный день
|
Послеоперационная дыхательная недостаточность, которая была определена как искусственная вентиляция легких > 48 часов или любая повторная интубация после операции
|
на 7-й послеоперационный день
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Даты записи исследования
Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.
Изучение основных дат
Начало исследования (ДЕЙСТВИТЕЛЬНЫЙ)
26 мая 2021 г.
Первичное завершение (ДЕЙСТВИТЕЛЬНЫЙ)
25 мая 2022 г.
Завершение исследования (ДЕЙСТВИТЕЛЬНЫЙ)
25 июня 2022 г.
Даты регистрации исследования
Первый отправленный
21 августа 2020 г.
Впервые представлено, что соответствует критериям контроля качества
21 августа 2020 г.
Первый опубликованный (ДЕЙСТВИТЕЛЬНЫЙ)
26 августа 2020 г.
Обновления учебных записей
Последнее опубликованное обновление (ДЕЙСТВИТЕЛЬНЫЙ)
1 сентября 2022 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
29 августа 2022 г.
Последняя проверка
1 августа 2022 г.
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- AI_PRF
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Нет
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Нет
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .
Клинические исследования Внесердечная хирургия
-
Fondazione Policlinico Universitario Agostino Gemelli...ЗавершенныйОстрая боль | Торакальная хирургия | Послеоперационная боль, хроническая | Локорегионарная анестезия | Послеоперационные осложнения | Uniportal Video Assisted Toracic Surgery (U-VATS) | Резекции легкихИталия