Maskininlärningsmodell för perioperativ transfusionsförutsägelse
7 mars 2022 uppdaterad av: DILEK YAZICIOGLU, Diskapi Teaching and Research Hospital
Utveckling och tolkning av en maskininlärningsmodell för perioperativ transfusionsförutsägelse
Denna studie syftade till att utveckla och tolka en maskininlärningsmodell för att förutsäga transfusion av röda blodkroppar (RBC).
Studieöversikt
Status
Avslutad
Betingelser
Intervention / Behandling
Detaljerad beskrivning
En datauppsättning från en multicenterstudie som involverade 6121 patienter som genomgick elektiv större operation analyserades.
Data om patienter som fick olämplig RBC-transfusion exkluderades.
Tjugoen perioperativa funktioner användes för att förutsäga RBC-transfusion.
Datauppsättningen delades slumpmässigt upp i tåg- och valideringsuppsättningar (70-30).
Beslutsträd, random skog, k-närmaste grannar, logistisk regression och eXtreme garadient boosting (XGBoost) metoder användes för förutsägelse.
Arean under kurvorna (AUC) för mottagarens funktionsegenskaperskurvor för maskininlärningsmodellerna som används för RBC-transfusionsförutsägelse jämfördes.
Studietyp
Observationell
Inskrivning (Faktisk)
6121
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
-
Ankara, Kalkon, 06110
- Dilek D Unal
-
-
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
18 år till 100 år (Vuxen, Äldre vuxen)
Tar emot friska volontärer
Nej
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Patienter som genomgick större elektiva kirurgiska ingrepp ansågs vara lämpliga.
Alla åldersgrupper och båda könen inkluderades.
De kirurgiska ingreppen var fördefinierade enligt klassificeringen av diagnostiska, terapeutiska och kirurgiska procedurer från den nationella socialförsäkringsinstitutionen, där varje ingrepp har en unik torsk
Beskrivning
Inklusionskriterier:
- Vuxen
- Genomgick en större elektiv operation
Exklusions kriterier:
- Pediatriska patienter
- Akutfall
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Antalet patienter fick transfusion av röda blodkroppar
Tidsram: Perioperativ period
|
Antalet patienter fick transfusion av röda blodkroppar
|
Perioperativ period
|
|
Området under kurvan
Tidsram: Perioperativ period
|
Området under kurvan för mottagarens funktionskurvor
|
Perioperativ period
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Samarbetspartners
Utredare
- Huvudutredare: Dilek D Unal, Prof, UNIVERSITY OF HEALTH SCIENCES TURKEY DISKAPI YILDIRIM BEYAZIT TRAINING RESEARCH HOSPITAL ANKARA
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
- Murphy GJ, Reeves BC, Rogers CA, Rizvi SI, Culliford L, Angelini GD. Increased mortality, postoperative morbidity, and cost after red blood cell transfusion in patients having cardiac surgery. Circulation. 2007 Nov 27;116(22):2544-52. doi: 10.1161/CIRCULATIONAHA.107.698977. Epub 2007 Nov 12.
- Bernard AC, Davenport DL, Chang PK, Vaughan TB, Zwischenberger JB. Intraoperative transfusion of 1 U to 2 U packed red blood cells is associated with increased 30-day mortality, surgical-site infection, pneumonia, and sepsis in general surgery patients. J Am Coll Surg. 2009 May;208(5):931-7, 937.e1-2; discussion 938-9. doi: 10.1016/j.jamcollsurg.2008.11.019. Epub 2009 Mar 26.
- Walczak S, Velanovich V. Prediction of perioperative transfusions using an artificial neural network. PLoS One. 2020 Feb 24;15(2):e0229450. doi: 10.1371/journal.pone.0229450. eCollection 2020.
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)
13 januari 2022
Primärt slutförande (Faktisk)
1 februari 2022
Avslutad studie (Faktisk)
1 februari 2022
Studieregistreringsdatum
Först inskickad
13 januari 2022
Först inskickad som uppfyllde QC-kriterierna
27 januari 2022
Första postat (Faktisk)
8 februari 2022
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
8 mars 2022
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
7 mars 2022
Senast verifierad
1 januari 2022
Mer information
Termer relaterade till denna studie
Nyckelord
Andra studie-ID-nummer
- Machine learning DiskapiTRH
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 .