Модель машинного обучения для прогнозирования результата и продолжительности искусственной вентиляции легких при острой гипоксемической дыхательной недостаточности (MEMORIAL)
Разработка оптимальной модели машинного обучения для прогнозирования исхода интенсивной терапии и продолжительности искусственной вентиляции легких у пациентов с острой гипоксемической дыхательной недостаточностью
Обзор исследования
Статус
Вмешательство/лечение
Подробное описание
Острая гипоксемическая дыхательная недостаточность (ОГДН) является наиболее частой причиной госпитализации в отделения интенсивной терапии (ОДН) во всем мире. Мы оценим ценность методов машинного обучения (ML) для раннего прогнозирования смерти в отделении интенсивной терапии и длительной продолжительности (> 7 дней) искусственной вентиляции легких (ИВЛ) у пациентов с ОРЛ на МВ. В нескольких исследованиях изучали прогнозирование смертности и продолжительности МК у пациентов с ОГСН.
Для разработки модели исследователи извлекут данные за первые 3 дня после постановки диагноза АГПН у пациентов, включенных в обезличенную базу данных когорты PANDORA. У нас была база данных с 2 000 000 анонимных и разрозненных демографических и клинических данных от 1 241 пациента с ОГСН, включенных в нашу когорту PANDORA (распространенность и исход острой дыхательной недостаточности) из 22 испанских больниц и координируемая главным исследователем (СП). Исследователи будут следовать рекомендациям «Прозрачная отчетность многовариантной модели прогнозирования для индивидуального прогноза или диагноза» (TRIPOD) для прогнозирования модели. Мы будем проверять собранные переменные, используя метод выбора переменных генетического алгоритма для достижения экономии. Мы оценили модели с минимальным количеством переменных, используя логистическую регрессию и 4 контролируемых алгоритма машинного обучения: случайный лес, экстремальное повышение градиента, машину опорных векторов и многослойный персептрон. Мы будем использовать 5-кратную перекрестную проверку в наборе данных из 1000 пациентов, выбранных случайным образом в данных обучения (80%) и данных тестирования (20%). Для внешней проверки мы будем использовать оставшегося 241 пациента.
Тип исследования
Регистрация (Действительный)
Контакты и местонахождение
Места учебы
-
-
-
Ciudad Real, Испания, 13005
- Hospital General Universitario de Ciudad Real
-
Cuenca, Испания, 16002
- Hospital Virgen de La Luz
-
Madrid, Испания, 28046
- Hospital Universitario La Paz
-
Madrid, Испания, 28222
- Hospital Universitario Puerta de Hierro
-
Murcia, Испания, 3012
- Hospital Universitario Virgen de Arrixaca
-
Santa Cruz de Tenerife, Испания, 38010
- Hospital Universitario NS de Candelaria
-
Valencia, Испания, 46010
- Hospital Cinico de Valencia
-
Valladolid, Испания, 47012
- Hospital Universitario Rio Hortega
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
- эндотрахеальная интубация плюс ИВЛ (ИВЛ)
- Соотношение PaO2/FiO2 ≤300 мм рт.ст. при МВ с положительным давлением в конце выдоха (ПДКВ) ≥5 смH2O и FiO2 ≥0,3.
Критерий исключения:
- Послеоперационные пациенты на искусственной вентиляции легких <24 часов
- Пациенты со смертью мозга.
Учебный план
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
Группа проверки
Он будет содержать 200 пациентов, выбранных случайным образом (20% из 1000 пациентов с ОГСН).
|
Мы будем использовать надежные подходы машинного обучения, такие как случайный лес, экстремальное повышение градиента, машина опорных векторов и многослойный персептрон.
Другие имена:
|
|
Подтверждающая когорта
Он будет содержать оставшихся 241 пациента, выбранных случайным образом (для внешней проверки).
|
Мы будем использовать надежные подходы машинного обучения, такие как случайный лес, экстремальное повышение градиента, машина опорных векторов и многослойный персептрон.
Другие имена:
|
|
Дериваторская когорта
Он будет содержать 800 пациентов, выбранных (1000 пациентов с AHRF)
|
Мы будем использовать надежные подходы машинного обучения, такие как случайный лес, экстремальное повышение градиента, машина опорных векторов и многослойный персептрон.
Другие имена:
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Смертность в отделении интенсивной терапии
Временное ограничение: до 100 недель (от включения до смерти или выписки из отделения реанимации
|
смерть в реанимации
|
до 100 недель (от включения до смерти или выписки из отделения реанимации
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Продолжительность МВ
Временное ограничение: до 100 недель (от включения до экстубации)
|
продолжительность искусственной вентиляции легких
|
до 100 недель (от включения до экстубации)
|
Соавторы и исследователи
Следователи
- Главный следователь: Jesus Villar, MD, PhD, Fundación Canaria Instituto de Investigación Sanitaria de Canarias
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
- Заболевания дыхательных путей
- Нарушения дыхания
- Дыхательная недостаточность
- Качество, доступ и оценка здравоохранения
- Следственные методы
- Эпидемиологические методы
- Механизмы оценки здравоохранения
- Качество здравоохранения
- Общественное здравоохранение
- Окружающая среда и общественное здравоохранение
- Статистика как тема
- Модели, теоретические
- Риск
- Вероятность
- Models, Statistical
- Regression Analysis
- Logistic Models
Другие идентификационные номера исследования
- PI24/00325
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
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. .