通过机器学习方法在重症监护病房使用生物信号和生物标志物预测自主呼吸测试成功
语境:
几位作者一直对将人工智能 (AI) 应用于医学感兴趣,使用各种机器学习 (ML) 技术:管理感染性休克、预测肾功能衰竭……[1, 2] AI 在临床医生的决策支持中占有重要地位 [ 3]. 断奶期是机械通气患者管理中非常重要的时期,可能占去重症监护病房的时间的一半。 20% 的患者首次脱机尝试不成功,但脱机最困难的患者死亡率可高达 38% [4]。 只有少数研究着眼于机器学习在该领域的应用,并且只有一项研究着眼于生物信号的使用(心率、心电图、通气参数……)[5-7]。 为了降低发病率、死亡率和缩短住院时间,能够预测自主呼吸测试和拔管的成功至关重要。
研究人员建议开发一种预测算法,以根据生物信号记录和其他特征来预测通气脱机测试是否成功。
方法:
这是一项重症监护、以寡核苷酸为中心的回顾性研究,研究人员纳入了从电子病历中提取的生物信号变量,例如呼吸(RR、分钟通气量……)、心脏(收缩压、心率……)、呼吸机参数和其他离散变量(年龄、合并症……)。 大多数生物信号变量都是每分钟的记录。 记录在测试前 48 小时开始,并在断奶测试开始时停止。 研究人员从这些记录中提取特征,将它们与其他生物标志物结合起来,并应用了几种机器学习算法:逻辑回归、随机森林分类器、支持向量分类器(SVC)、XGBoost 和光梯度提升法(LGBM)……
研究概览
研究类型
注册 (估计的)
联系人和位置
学习联系方式
- 姓名:Jean DELLAMONICA
- 邮箱:dellamonica.j@chu-nice.fr
研究联系人备份
- 姓名:Romain LOMBARDI
- 电话号码:+33 0669032616
- 邮箱:lombardi.r@chu-nice.fr
学习地点
-
-
-
Nice、法国、06200
- 招聘中
- University hospital of Nice
-
接触:
- Jean DELLAMONICA
- 邮箱:dellamonica.j@chu-nice.fr
-
接触:
- Romain LOMBARDI
- 电话号码:+33 0669032616
- 邮箱:lombardi.r@chu-nice.fr
-
-
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
取样方法
研究人群
描述
纳入标准:
- 计算机化健康报告 (CHR)
- 应该进行自主呼吸测试
排除标准:
- 未进行自主呼吸测试,
- 生物信号(心脏、呼吸)未在 CHR 中注册
- 患者在自主呼吸测试前死亡
- 有人表示反对这项研究。
学习计划
研究是如何设计的?
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
自主呼吸测试
第一组将仅由在重症监护室/重症监护室接受通气支持并通过自主呼吸测试的患者组成。
|
目的是模拟拔管后的通气条件,从而帮助临床医生预测拔管决定的结果。
|
|
非自主呼吸测试
第二组将仅由在重症监护/重症监护室接受通气支持且未通过自主呼吸测试的患者组成。
|
目的是模拟拔管后的通气条件,从而帮助临床医生预测拔管决定的结果。
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
预测自主呼吸测试结果。
大体时间:2年
|
在临床上进行两种测试方式:T 管测试或低水平吸气支持和 PEEP(7AI 4PEEP,7Ai 0PEEP)下的自主通气测试。 成功的脱机测试定义为测试结束时不存在以下标准:(i) 呼吸频率增加 > 35cpm,(ii) SpO2 <90%,(iii) 心率变化超过 20%或血压,(iv) 意识改变。 |
2年
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (实际的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
与本研究相关的术语
其他研究编号
- 23Rea01
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)?
药物和器械信息、研究文件
研究美国 FDA 监管的药品
研究美国 FDA 监管的设备产品
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.