Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

En utveckling av algoritm för identifiering av inflammatoriska tarmsjukdomar med hjälp av data från fallserier

4 mars 2020 uppdaterad av: Hyangsook Lee, KMD, PhD

Örtmedicin för inflammatoriska tarmsjukdomar: en utveckling av algoritm för mönsteridentifiering genom retrospektiv analys av fallseriedata

Denna studie syftade till att identifiera mönster för inflammatorisk tarmsjukdom (IBD) baserat på presenterade symtom och att föreslå algoritmer för att bestämma mönster och växtbaserade recept för motsvarande mönster. Utredarna samlade in symtomdata från 67 IBD-patienter som uppnådde och bibehöll kliniska remissioner efter att de tagit recept på örtmedicin. Recepten kategoriserades i 5 mönster, som döptes efter huvuddrag och symptom hos inkluderade patienter. Samband mellan presenterande symtom och mönster visualiserades med en term frequency inverse document frequency (TF-IDF) metod. Bestämning av IBD-mönster från symtom hos patienter analyserades och kartlades genom beslutsträdsmodellering.

Studieöversikt

Status

Avslutad

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Örtrecept är en av de mest eftertraktade kompletterande och alternativmedicinska behandlingsstrategierna för patienter med inflammatorisk tarmsjukdom. Variabiliteten i mönsteridentifiering av traditionell kinesisk medicin (TCM)/traditionell östasiatisk medicin (TEAM) har dock kritiserats. Med hjälp av data från patienter som uppnått och bibehållit klinisk remission efter TCM/TEAM växtbaserade recept, syftade utredarna till att utveckla behandlingsalgoritmer förfinade av identifierade mönster och nyckelsymptom som utövare lätt kan urskilja.

Baserat på växtbaserade recept som inducerade klinisk remission, delades IBD-patienter in i 5 mönster, d.v.s. tjocktarmstyp, vattenfuktighetstyp, respiratorisk typ, typ av övre gastrointestinala (GI) och kyla. Med term frequency-inverse document frequency (TF-IDF)-metod analyserades sambandet mellan 22 symtom som beskrevs som indikationer på de örtmedicinska recepten och 5 mönster. Beslutsträdsmodellering användes för att förutsäga relevanta mönster från symtom.

Studietyp

Observationell

Inskrivning (Faktisk)

67

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

  • Korea, Republiken av
      • Seoul, Korea, Republiken av, 02447
        • Acupuncture & Meridian Science Research Centre

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

15 år till 65 år (Barn, Vuxen, Äldre vuxen)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienter som hade diagnostiserats med IBD av gastroenterolog och uppnått klinisk remission efter behandling med recept på örtmedicin

Beskrivning

Inklusionskriterier:

  • Diagnos av IBD av gastroenterolog
  • Patienter har uppnått och bibehållit klinisk remission av IBD-symtom efter att de tagit växtbaserade recept
  • Patienter har lämnat skriftligt informerat samtycke

Exklusions kriterier:

  • Detaljer om något av 25 symtom utelämnades

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
Beslutsträdsalgoritmträning/testning
Utredarna delade in data från 67 patienter i 5 grupper för att göra en 5-faldig korsvalidering. Fyra grupper användes för att träna beslutsträdsalgoritm och en grupp användes för att testa den.
Övrig: Modellering av beslutsträd

En beslutsträdsanalys användes för att utforska processen för beslutsfattande om typer av mönster baserat på existensen eller icke-existensen av ett symptom. I slutet av trädet som presenteras är andelen patienter som är kategoriserade i varje mönster.

I den här studien utfördes klassificeringen genom att använda algoritmen för klassificering och regressionsträd (CART) med Scikit-learn-paketet i Python, som utför en division med hjälp av Gini-koefficienten eller spridningsminskningen. Gini-koefficienten är ett av verktygen för att mäta entropi eller diversitet i varje nod och den mäter minskningen genom att jämföra informationsentropin före och efter separation. För att undvika övermontering begränsades det maximala antalet lövnoder till fyra och beskärningsmetoden som överensstämde med principen om minsta beskrivningslängd tillämpades.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Noggrannhet i algoritm för mönsteridentifiering
Tidsram: Oktober 2015
Mönsteridentifieringsalgoritm föreslogs med hjälp av en beslutsträdsmetod. Beslutsträdsmetoden användes för att utforska processen för beslutsfattande om typer av mönster baserat på kliniska egenskaper hos patienter.
Oktober 2015

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Hyangsook Lee, KMD, PhD

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

1 november 2007

Primärt slutförande (Faktisk)

28 februari 2015

Avslutad studie (Faktisk)

28 oktober 2015

Studieregistreringsdatum

Först inskickad

3 mars 2020

Först inskickad som uppfyllde QC-kriterierna

3 mars 2020

Första postat (Faktisk)

5 mars 2020

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

6 mars 2020

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

4 mars 2020

Senast verifierad

1 mars 2020

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • KyungheeU

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Prenumerera