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

Artificiell intelligens för förutsägelse av sepsis på intensivvårdsavdelningen (AICUSepsis)

2 juni 2021 uppdaterad av: Second Affiliated Hospital, School of Medicine, Zhejiang University

Tillämpning av artificiell intelligens Sepsis Prediction Model för att hjälpa ICU Clinical Decision

Utvecklingen av sepsis förutsägelse modell i linje med den kinesiska befolkningen, och utvidgas till kliniska, hjälpa kliniker för tidig identifiering, tidig intervention, har en god tillämpning utsikter. Denna studie är en prospektiv observationsstudie, främst för att utvärdera noggrannheten hos den tidigare etablerade sepsisprediktionsmodellen. Förekomsten av sepsis bestämdes av läkarnas dagliga kliniska bedömning, och resultaten av sepsisförutsägelsemodellen matchades och korrigerades för att förbättra den kliniska noggrannheten och användbarheten av sepsisprediktionsmodellen.

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Sepsisprediktionsmodellen som antogs i denna studie har slutförts i den preliminära förberedelsen, som byggdes på 7 000 patienter sedan inrättandet av omfattande ICU, och sepsis 3.0 diagnostisk standard antogs. Sepsisprediktionsmodellen byggdes med Python-plattformen och XGBoost-algoritmen , som användes för att förutsäga förekomsten av sepsis hos intensivvårdspatienter inom 24 timmar. Den totala noggrannheten var 82 % och arean under Auroc-kurvan var 0,854.

Patienter som uppfyllde inklusions- och uteslutningskriterierna fick en daglig förutsägelse av sepsismodell, och en kvantitativ checklista bildades baserat på testresultaten. Det finns två typer av prognosutfall: låg risk och hög risk. Kvantitativa checklistor är tillgängliga för behandlande läkare för att förbättra diagnostisk effektivitet. Resultaten hölls konfidentiella för läkaren.

Alla patienter diagnostiserades med sepsis av två seniora behandlande läkare vid en bestämd tidpunkt. Diagnosen bestod av två typer: ja och nej. Om två behandlande läkare har olika åsikter, kommer den tredje behandlande läkaren att inkluderas för korrigeringsdiagnos, och förekomsten av sepsis kommer att fastställas på ett 2:1 sätt. De behandlande läkarna är oberoende av varandra.

När diagnosresultaten från den behandlande läkaren matas in i systemet jämförs och beräknas förutsägelseresultaten från gårdagens sepsisförutsägelsemodell för att bestämma noggrannheten hos förutsägelsemodellen

Studietyp

Observationell

Inskrivning (Förväntat)

2000

Kontakter och platser

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

Studiekontakt

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

16 år till 100 år (Barn, Vuxen, Äldre vuxen)

Tar emot friska volontärer

Nej

Kön som är behöriga för studier

Allt

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienter som uppfyllde inklusions- och uteslutningskriterierna förutspåddes dagligen genom sepsismodell, och en kvantitativ lista bildades enligt testresultaten. Det finns två typer av förutsägelseresultat: låg risk och hög risk. Den kvantitativa listan är öppen för behandlande läkare för att förbättra effektiviteten av diagnosen. De förutsagda resultaten hålls hemliga för läkare.

Beskrivning

Inklusionskriterier:

Alla patienter med akut kritisk sjukdom som är berättigade till inläggning på ICU under studieperioden

Exklusions kriterier:

  1. Patienter under 16 år;
  2. Gravida och förlossande kvinnor;
  3. Patienter som planerade att läggas in på avdelningen för operation och förflyttas nästa dag efter utvärdering;
  4. Patienter inlagda på avdelningen och diagnostiserade med sepsis;
  5. Patienter med intensivvård stannar mindre än 24 timmar;

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
Sepsis förutsägelsemodell
Denna grupp människor användes för läkarens beslut, och sepsisförutsägelsemodellen användes samtidigt för förutsägelsen, men modellen var inte inblandad i beslutet och användes endast för verifiering
Diagnostiskt test: Förutsägelsemodell för artificiell intelligens sepsis
Huvudsyftet med denna uppsats är att utvärdera noggrannheten hos den sepsisförutsägelsemodell som etablerades i det tidiga skedet. Förekomsten av sepsis bestäms av läkares dagliga kliniska bedömning, och resultaten av sepsisförutsägelsemodellen matchas och korrigeras.
Daglig klinisk bedömning av läkare
Denna grupp människor användes för klinikerns beslut utan sepsis förutsägelsemodell.
Diagnostiskt test: Förutsägelsemodell för artificiell intelligens sepsis
Huvudsyftet med denna uppsats är att utvärdera noggrannheten hos den sepsisförutsägelsemodell som etablerades i det tidiga skedet. Förekomsten av sepsis bestäms av läkares dagliga kliniska bedömning, och resultaten av sepsisförutsägelsemodellen matchas och korrigeras.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Noggrannhet av modelldiagnos
Tidsram: 2 år
Utvärdering av prediktionsmodellens noggrannhet i klinisk tillämpning
2 år

Samarbetspartners och utredare

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

Sponsor

Second Affiliated Hospital, School of Medicine, Zhejiang University

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 (Förväntat)

1 juni 2021

Primärt slutförande (Förväntat)

1 juni 2022

Avslutad studie (Förväntat)

1 juni 2023

Studieregistreringsdatum

Först inskickad

31 maj 2021

Först inskickad som uppfyllde QC-kriterierna

2 juni 2021

Första postat (Faktisk)

4 juni 2021

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

4 juni 2021

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

2 juni 2021

Senast verifierad

1 maj 2021

Mer information

Termer relaterade till denna studie

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • SHZJU-ICU2020-202

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

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