心肺复苏后的重症监护时间，神经系统效果和成本估算的人工智能模型：一项同类研究。
2025年9月30日 更新者：Nıgar Kangarlı、Bezmialem Vakif University
重症监护时间的人工智能模型，神经系统结局和心肺复苏后的成本估算：一项同类研究
该研究旨在概述登记的患者在2010年10月至2025年9月连续的心脏骤停复苏后，登记为BezmialemVakıf大学医院重症监护病房。
目的是确定休息时间的停留时间，神经系统临床结果以及这些患者出院时的成本。
所有这些数据旨在通过人工智能评估以评估预测模型。
研究概览
研究类型
观察性的
注册 (估计的)
5000
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
概率样本
研究人群
在2010年10月至2025年9月，在BezmialemVakıf大学医院重症监护病房在ROSC成功进行心肺复苏后18年以上的患者将包括在Resesarch中。
描述
纳入标准：
- 年龄> 18岁
- 连续的心肺复苏
- 自发循环返回后至少1小时的ICU入院（ROSC）
排除标准：
- 年龄<18岁
- > 80％的患者记录中缺少数据
- 没有ROSC的患者
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 |
|---|---|
|
年龄> 18岁的患者在复活中观察到成功的心肺复苏
|
连续复苏后患者的数据将通过机器学习程序进行评估。
|
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 |
|---|---|---|
|
机器学习Python程序
大体时间：3个月
|
使用Python编程语言的机器学习人工智能算法将对创建的数据库进行分析。
在处理人工智能丢失和不完整的数据之后，数据库将分为两个部分：模型培训和模型验证。
有意义的数据将通过模型培训选择，并将根据这些数据构建预测模型。
为了提高预测模型的解释性，并帮助用户了解如何以及为何做出某些预测，将使用Shapley添加说明（SHAP）算法。
在机器学习中，制造技术用于解释复杂机器学习模型的决策过程。
|
3个月
|
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。
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 (估计的)
2025年10月1日
初级完成 (估计的)
2025年12月1日
研究完成 (估计的)
2025年12月1日
研究注册日期
首次提交
2025年9月30日
首先提交符合 QC 标准的
2025年9月30日
首次发布 (估计的)
2025年10月7日
研究记录更新
最后更新发布 (估计的)
2025年10月7日
上次提交的符合 QC 标准的更新
2025年9月30日
最后验证
2025年9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.