机器学习模型预测急性低氧性呼吸衰竭机械通气的结果和持续时间 (MEMORIAL)
2024年3月26日 更新者：Jesus Villar、Dr. Negrin University Hospital
开发最佳机器学习模型来预测急性低氧性呼吸衰竭患者的 ICU 结果和机械通气持续时间
急性低氧性呼吸衰竭（AHRF）是全世界重症监护病房（UCIs）最常见的入院原因。
我们将评估机器学习 (ML) 技术对于早期预测 ICU 死亡和延长机械通气 (MV) 持续时间 (>7 天) 的价值，该患者参加了 PANDORA（急性呼吸衰竭的患病率和结果）研究，该研究纳入 1,241 名患者。西班牙。
该研究已在 ClinicalTrials.gov 注册
（NCT03145974）。
我们的目标是使用逻辑回归和四种监督机器学习算法来评估最小数量的变量模型：随机森林、极限梯度提升、支持向量机和多层感知器。
研究概览
详细说明
急性低氧性呼吸衰竭（AHRF）是全世界重症监护病房（UCIs）最常见的入院原因。 我们将评估机器学习 (ML) 技术对于早期预测 ICU 死亡和延长 AHRF 患者机械通气 (MV) 持续时间（>7 天）的价值。 很少有研究调查 AHRF 患者死亡率和 MV 持续时间的预测。
为了模型开发，研究人员将从 PANDORA 队列的去识别化数据库中包含的患者中提取 AHRF 诊断后前 3 天的数据。 我们拥有一个数据库，其中包含来自 22 家西班牙医院的 PANDORA 队列（急性呼吸衰竭患病率和结果）中 1,241 名 AHRF 患者的 2,000,000 名匿名且独立的人口统计和临床数据，并由主要研究者 (JV) 协调。 研究人员将遵循个体预后或诊断多变量预测模型透明报告（TRIPOD）指南进行模型预测。 我们将采用遗传算法变量选择方法来筛选收集的变量以实现简约。 我们使用逻辑回归和 4 种监督 ML 算法评估了最小数量的变量模型：随机森林、极限梯度提升、支持向量机和多层感知器。 我们将在训练数据 (80%) 和测试数据 (20%) 中随机选择的 1,000 名患者的数据集中使用 5 倍交叉验证。 对于外部验证，我们将使用剩余的 241 名患者。
研究类型
观察性的
注册 (估计的)
1241
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
-
Ciudad Real、西班牙、13005
- Hospital General Universitario de Ciudad Real
-
Cuenca、西班牙、16002
- Hospital Virgen De La Luz
-
Madrid、西班牙、28046
- Hospital Universitario La Paz
-
Madrid、西班牙、28222
- Hospital Universitario Puerta de Hierro
-
Murcia、西班牙、3012
- Hospital Universitario Virgen de Arrixaca
-
Santa Cruz De Tenerife、西班牙、38010
- Hospital Universitario NS de Candelaria
-
Valencia、西班牙、46010
- Hospital Cinico de Valencia
-
Valladolid、西班牙、47012
- Hospital Universitario Rio Hortega
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
去识别数据集包括 1,241 名连续入住西班牙 ICU 网络的患有急性低氧血症性呼吸衰竭的机械通气患者。
描述
纳入标准：
- 气管插管加机械通气 (MV)
- MV 下 PaO2/FiO2 比值≤300 mmHg，呼气末正压 (PEEP) ≥5 cmH2O 且 FiO2 ≥0.3。
排除标准：
- 术后患者通气<24小时
- 脑死亡患者。
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
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 |
|---|---|
|
推导队列
它将包含随机选择的 800 名患者（1,000 名 AHRF 患者中的 80%）
|
我们将使用强大的机器学习方法，例如随机森林、极限梯度提升、支持向量机和多层感知器。
其他名称：
|
|
验证队列
它将包含随机选择的 200 名患者（1000 名 AHRF 患者中的 20%
|
我们将使用强大的机器学习方法，例如随机森林、极限梯度提升、支持向量机和多层感知器。
其他名称：
|
|
确认队列
它将包含随机选择的其余 241 名患者（通过外部验证）
|
我们将使用强大的机器学习方法，例如随机森林、极限梯度提升、支持向量机和多层感知器。
其他名称：
|
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 |
|---|---|---|
|
重症监护病房死亡率
大体时间：长达 100 周（从入院到死亡或从重症监护室出院）
|
在重症监护室死亡
|
长达 100 周（从入院到死亡或从重症监护室出院）
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
MV持续时间
大体时间：长达 100 周（从纳入到拔管）
|
机械通气持续时间
|
长达 100 周（从纳入到拔管）
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员：Jesus Villar, MD, PhD、Fundación Canaria Instituto de Investigación Sanitaria de Canarias
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2024年3月19日
初级完成 (估计的)
2026年5月30日
研究完成 (估计的)
2026年5月30日
研究注册日期
首次提交
2024年3月19日
首先提交符合 QC 标准的
2024年3月26日
首次发布 (实际的)
2024年3月27日
研究记录更新
最后更新发布 (实际的)
2024年3月27日
上次提交的符合 QC 标准的更新
2024年3月26日
最后验证
2024年3月1日
更多信息
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.
机器学习分析的临床试验
-
Hvidovre University HospitalElsassFonden终止