Machine Learning in the ICU: Predicting Mortality in Bloodstream Infections (ICU: Intensive Care Unit) (ICU)
Maskininlärning på intensivvårdsavdelningen: Förutsäga dödlighet hos patienter med karbapenemresistenta gramnegativa Bacilli-blodströmsinfektioner
Med hjälp av våra egna patientdata syftade vår studie till att förutsäga dödlighet som kan utvecklas i karbapenemresistenta gramnegativa bacillerblodinfektioner med en maskininlärningsbaserad modell.
På intensivvårdsavdelningen kommer patienter med blodomloppsinfektioner, både med och utan dödlighet, att undersökas retrospektivt i två undergrupper för jämförelse.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Karbapenemer är en av de sista utvägsantibiotika som används för att behandla allvarliga infektioner orsakade av multi-läkemedelsresistenta gramnegativa patogener. Infektioner med karbapenemresistenta gramnegativa baciller (CR-GNB) har blivit utbredda under det senaste decenniet, vilket utgör allvarliga hot mot folkhälsan. Carbapenem-resistenta Enterobacteriaceae (CRE), Carbapenem-resistenta Acinetobacter baumannii (CRAB) och Carbapenem-resistenta Pseudomonas aeruginosa (CRPA) toppar prioriteringslistan över antibiotikaresistenta bakterier världen över. CR-GNB orsakar ett brett spektrum av infektioner, inklusive bakteriemi, urinvägsinfektioner, lunginflammation och intraabdominala infektioner. Karbapenem-resistenta blodomloppsinfektioner är en betydande orsak till sjuklighet och dödlighet, och de terapeutiska alternativen vid behandling är extremt begränsade. Genom att utvärdera riskfaktorer hos patienter som övervakas på intensivvårdsavdelningen kan poängsystem som kan förutsäga prognos minska dödlighetsrisken genom att säkerställa tidig applicering av effektiva antibiotika och snabb hemodynamisk support som för närvarande används.
Med ackumuleringen av big data och framsteg inom datalagringstekniker visar innovativa och pragmatiska maskininlärningsmetoder som har kommit in i våra liv goda förutsägelseprestanda inom det medicinska området. Maskininlärningsbaserade modeller utvecklade för att förutsäga dödlighet hos patienter som övervakas på intensivvårdsavdelningen finns tillgängliga i litteraturen och ger möjlighet till tidigare intervention hos patienter.
Med hjälp av våra egna patientdata, På intensivvårdsavdelningen kommer patienter med blodomloppsinfektioner, både med och utan mortalitet, att undersökas retrospektivt i två undergrupper för jämförelse. Vi strävar efter att förutsäga dödlighet som kan utvecklas i karbapenemresistenta gramnegativa bacillerblodinfektioner med en maskininlärningsbaserad modell.
Studietyp
Inskrivning (Faktisk)
Kontakter och platser
Studieorter
-
-
-
Kocaeli, Turkiet (Türkiye)
- Kocaeli University
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- I vår studie kommer patienter som övervakades på vårt sjukhuss tertiära intensivvårdsavdelning mellan juni 2017 och juni 2023 och utvecklade blodomloppsinfektioner med Carbapenem-resistenta Enterobacteriaceae, Carbapenem-resistenta Acinetobacter baumannii och Carbapenem-resistenta Pseudomonas inkluderas retrospectiveinosa.
Exklusions kriterier:
- Patienter under 18 år och de med andra infektioner än blodomloppsinfektioner kommer inte att inkluderas.
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Avlidna patienter
Karbapenem-resistenta gramnegativa baciller Blodströmsinfektion med dödlighet
|
Med hjälp av djupinlärning försöker vi utveckla en algoritm och förutse dödlighet
|
|
Överlevande patienter
Karbapenem-resistenta gramnegativa baciller Blodströmsinfektion utan dödlighet
|
Med hjälp av djupinlärning försöker vi utveckla en algoritm och förutse dödlighet
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Risk för dödlighet
Tidsram: 3 månader
|
Känsligheten och specificiteten kommer att definieras med AUC-ROC-kurvan (Area Under the Receiver Operating Characteristic-kurva) med hjälp av maskininlärningsalgoritm
|
3 månader
|
Samarbetspartners och utredare
Sponsor
Utredare
- Huvudutredare: özlem güler, Kocaeli University
Publikationer och användbara länkar
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- GOKAEK-2023/12.31
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
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 .