免费获得国外相关药品，最快 1 个工作日回馈药物信息
AICR：心脏骤停的人工智能（ACR）
欧洲心肺逮捕的总体发生率估计为每年350,000至700,000例。对于所有节奏疾病，估计的生存率估计为10.7％。
存在医疗领域中AI应用的几个示例。 Ting等人开发了一种计算机工具，能够诊断出具有出色功效的视网膜病变' target='_blank'>糖尿病性视网膜病变。在复苏中，Celi等人提出了一种能够预测系统性炎症状态下晶体血管填充的工具。在2018年的自然界中，科莫洛夫斯基（Komorowski）证明了AI在败血症血液动力学管理中的功效。在对肾脏对流体挑战的反应的研究中，Zhang等人。演示学习机的有效性。
目标：确定能够预测住院报告（CRH）ACR的患者死亡率（ICU）的算法。还使用算法来预测被捕的复发风险，机械通气的持续时间，败血症的出现，器官衰竭的发展，预测CPC（脑绩效类别），是时候获得戒断的时间急性肾衰竭，有或不需要肾外净化（EER）和EER持续时间，平均住院时间。
该项目是一个具有更大功能的全国性项目的一部分，其中包括重症监护术期间产生的所有数据。
方法：估计本研究中包括的患者总数为300至500。人口将来自尼斯，抗体，戛纳，戛纳的重症监护病房。
从2014年到2020年底，纳入将是回顾性的，在CRH上，在CRH上，CR CR CR CR（脑和胸腔 - 腹部 - 骨盆），MRI，EEG和每日后续单词。
匿名后，使用自然语言处理（NLP）方法应用语义化。要提取的数据输入在重症监护医师撰写的文档中。然后将这些数据存储在数据库中。为了满足主要目标，我们将开发一种能够预测研究人群死亡率的计算机算法。该算法基于一个大数据库，可以根据机器学习甚至深度学习技术设计，具体取决于要处理的数据量。
| 病情或疾病 |
|---|
| 有氧呼吸道逮捕 |
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 500名参与者 |
| 观察模型： | 只有案例 |
| 时间观点： | 回顾 |
| 官方标题： | AICR：在心脏骤停应用中的人工智能算法中的预后恢复性心肺逮捕的预后 |
| 实际学习开始日期 ： | 2020年2月1日 |
| 估计的初级完成日期 ： | 2020年12月31日 |
| 估计 学习完成日期 ： | 2020年12月31日 |
- 重症监护病房死亡率的预测[时间范围：1天]自动化的语义报告工具的定义，从匿名报告过渡到操作和相关数据库。
- 重症监护病房死亡率的预测[时间范围：1天]因此创建的数据库的使用是为了创建智能死亡率预测算法。还要根据二级判断标准使用以预测下面提到的其他参数。
| 有资格学习的年龄： | 18岁以上（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 接受健康的志愿者： | 不 |
| 采样方法： | 非概率样本 |
| 联系人：让·戴拉马尼卡（Jean Dellamonica） | 33 4 920 35 510 | dellamonica.j@chu-nice.fr | |
| 联系人：罗曼·伦巴第 | lombardi.r@chu-nice.fr |
| 法国 | |
| 好医院 | 招募 |
| 很好，法国，06200 | |
| 联系人：Jean Dellamonica dellamonica.j@chu-nice.fr | |
| 联系人：Romain Lombardi Lombardi.r@chu-nice.fr | |
| 追踪信息 | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2020年7月3日 | ||||||||
| 第一个发布日期 | 2020年7月8日 | ||||||||
| 上次更新发布日期 | 2020年7月8日 | ||||||||
| 实际学习开始日期 | 2020年2月1日 | ||||||||
| 估计的初级完成日期 | 2020年12月31日（主要结果度量的最终数据收集日期） | ||||||||
| 当前的主要结果指标 |
| ||||||||
| 原始主要结果指标 | 与电流相同 | ||||||||
| 改变历史 | 没有发布更改 | ||||||||
| 当前的次要结果指标 | 不提供 | ||||||||
| 原始的次要结果指标 | 不提供 | ||||||||
| 当前其他预先指定的结果指标 | 不提供 | ||||||||
| 原始其他预先指定的结果指标 | 不提供 | ||||||||
| 描述性信息 | |||||||||
| 简短标题 | AICR：心脏骤停的人工智能 | ||||||||
| 官方头衔 | AICR：在心脏骤停应用中的人工智能算法中的预后恢复性心肺逮捕的预后 | ||||||||
| 简要摘要 | 欧洲心肺逮捕的总体发生率估计为每年350,000至700,000例。对于所有节奏疾病，估计的生存率估计为10.7％。 存在医疗领域中AI应用的几个示例。 Ting等人开发了一种计算机工具，能够诊断出具有出色功效的视网膜病变' target='_blank'>糖尿病性视网膜病变。在复苏中，Celi等人提出了一种能够预测系统性炎症状态下晶体血管填充的工具。在2018年的自然界中，科莫洛夫斯基（Komorowski）证明了AI在败血症血液动力学管理中的功效。在对肾脏对流体挑战的反应的研究中，Zhang等人。演示学习机的有效性。 目标：确定能够预测住院报告（CRH）ACR的患者死亡率（ICU）的算法。还使用算法来预测被捕的复发风险，机械通气的持续时间，败血症的出现，器官衰竭的发展，预测CPC（脑绩效类别），是时候获得戒断的时间急性肾衰竭，有或不需要肾外净化（EER）和EER持续时间，平均住院时间。 该项目是一个具有更大功能的全国性项目的一部分，其中包括重症监护术期间产生的所有数据。 方法：估计本研究中包括的患者总数为300至500。人口将来自尼斯，抗体，戛纳，戛纳的重症监护病房。 从2014年到2020年底，纳入将是回顾性的，在CRH上，在CRH上，CR CR CR CR（脑和胸腔 - 腹部 - 骨盆），MRI，EEG和每日后续单词。 匿名后，使用自然语言处理（NLP）方法应用语义化。要提取的数据输入在重症监护医师撰写的文档中。然后将这些数据存储在数据库中。为了满足主要目标，我们将开发一种能够预测研究人群死亡率的计算机算法。该算法基于一个大数据库，可以根据机器学习甚至深度学习技术设计，具体取决于要处理的数据量。 | ||||||||
| 详细说明 | 不提供 | ||||||||
| 研究类型 | 观察 | ||||||||
| 学习规划 | 观察模型：仅病例 时间观点：回顾 | ||||||||
| 目标随访时间 | 不提供 | ||||||||
| 生物测量 | 不提供 | ||||||||
| 采样方法 | 非概率样本 | ||||||||
| 研究人群 | ACR从NICE，ANTIBES，CANNES，GRASSE等的医院中心接受重症监护或重症监护的所有原因，在重症监护或重症监护室中被录取。 | ||||||||
| 健康）状况 | 有氧呼吸道逮捕 | ||||||||
| 干涉 | 不提供 | ||||||||
| 研究组/队列 | 不提供 | ||||||||
| 出版物 * | 不提供 | ||||||||
*包括由数据提供商提供的出版物以及Medline中临床标识符（NCT编号）的出版物。 | |||||||||
| 招聘信息 | |||||||||
| 招聘状况 | 招募 | ||||||||
| 估计入学人数 | 500 | ||||||||
| 原始估计注册 | 与电流相同 | ||||||||
| 估计学习完成日期 | 2020年12月31日 | ||||||||
| 估计的初级完成日期 | 2020年12月31日（主要结果度量的最终数据收集日期） | ||||||||
| 资格标准 | 纳入标准：
排除标准： - | ||||||||
| 性别/性别 |
| ||||||||
| 年龄 | 18岁以上（成人，老年人） | ||||||||
| 接受健康的志愿者 | 不 | ||||||||
| 联系人 |
| ||||||||
| 列出的位置国家 | 法国 | ||||||||
| 删除了位置国家 | |||||||||
| 管理信息 | |||||||||
| NCT编号 | NCT04462380 | ||||||||
| 其他研究ID编号 | 20Reamed01 | ||||||||
| 有数据监测委员会 | 不 | ||||||||
| 美国FDA调节的产品 |
| ||||||||
| IPD共享声明 | 不提供 | ||||||||
| 责任方 | 中心医院的大学 | ||||||||
| 研究赞助商 | 中心医院的大学 | ||||||||
| 合作者 |
| ||||||||
| 调查人员 | 不提供 | ||||||||
| PRS帐户 | 中心医院的大学 | ||||||||
| 验证日期 | 2020年7月 | ||||||||
欧洲心肺逮捕的总体发生率估计为每年350,000至700,000例。对于所有节奏疾病，估计的生存率估计为10.7％。
存在医疗领域中AI应用的几个示例。 Ting等人开发了一种计算机工具，能够诊断出具有出色功效的视网膜病变' target='_blank'>糖尿病性视网膜病变。在复苏中，Celi等人提出了一种能够预测系统性炎症状态下晶体血管填充的工具。在2018年的自然界中，科莫洛夫斯基（Komorowski）证明了AI在败血症血液动力学管理中的功效。在对肾脏对流体挑战的反应的研究中，Zhang等人。演示学习机的有效性。
目标：确定能够预测住院报告（CRH）ACR的患者死亡率（ICU）的算法。还使用算法来预测被捕的复发风险，机械通气的持续时间，败血症的出现，器官衰竭的发展，预测CPC（脑绩效类别），是时候获得戒断的时间急性肾衰竭，有或不需要肾外净化（EER）和EER持续时间，平均住院时间。
该项目是一个具有更大功能的全国性项目的一部分，其中包括重症监护术期间产生的所有数据。
方法：估计本研究中包括的患者总数为300至500。人口将来自尼斯，抗体，戛纳，戛纳的重症监护病房。
从2014年到2020年底，纳入将是回顾性的，在CRH上，在CRH上，CR CR CR CR（脑和胸腔 - 腹部 - 骨盆），MRI，EEG和每日后续单词。
匿名后，使用自然语言处理（NLP）方法应用语义化。要提取的数据输入在重症监护医师撰写的文档中。然后将这些数据存储在数据库中。为了满足主要目标，我们将开发一种能够预测研究人群死亡率的计算机算法。该算法基于一个大数据库，可以根据机器学习甚至深度学习技术设计，具体取决于要处理的数据量。
| 病情或疾病 |
|---|
| 有氧呼吸道逮捕 |
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 500名参与者 |
| 观察模型： | 只有案例 |
| 时间观点： | 回顾 |
| 官方标题： | AICR：在心脏骤停应用中的人工智能算法中的预后恢复性心肺逮捕的预后 |
| 实际学习开始日期 ： | 2020年2月1日 |
| 估计的初级完成日期 ： | 2020年12月31日 |
| 估计 学习完成日期 ： | 2020年12月31日 |
- 重症监护病房死亡率的预测[时间范围：1天]自动化的语义报告工具的定义，从匿名报告过渡到操作和相关数据库。
- 重症监护病房死亡率的预测[时间范围：1天]因此创建的数据库的使用是为了创建智能死亡率预测算法。还要根据二级判断标准使用以预测下面提到的其他参数。
| 有资格学习的年龄： | 18岁以上（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 接受健康的志愿者： | 不 |
| 采样方法： | 非概率样本 |
| 追踪信息 | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2020年7月3日 | ||||||||
| 第一个发布日期 | 2020年7月8日 | ||||||||
| 上次更新发布日期 | 2020年7月8日 | ||||||||
| 实际学习开始日期 | 2020年2月1日 | ||||||||
| 估计的初级完成日期 | 2020年12月31日（主要结果度量的最终数据收集日期） | ||||||||
| 当前的主要结果指标 |
| ||||||||
| 原始主要结果指标 | 与电流相同 | ||||||||
| 改变历史 | 没有发布更改 | ||||||||
| 当前的次要结果指标 | 不提供 | ||||||||
| 原始的次要结果指标 | 不提供 | ||||||||
| 当前其他预先指定的结果指标 | 不提供 | ||||||||
| 原始其他预先指定的结果指标 | 不提供 | ||||||||
| 描述性信息 | |||||||||
| 简短标题 | AICR：心脏骤停的人工智能 | ||||||||
| 官方头衔 | AICR：在心脏骤停应用中的人工智能算法中的预后恢复性心肺逮捕的预后 | ||||||||
| 简要摘要 | 欧洲心肺逮捕的总体发生率估计为每年350,000至700,000例。对于所有节奏疾病，估计的生存率估计为10.7％。 存在医疗领域中AI应用的几个示例。 Ting等人开发了一种计算机工具，能够诊断出具有出色功效的视网膜病变' target='_blank'>糖尿病性视网膜病变。在复苏中，Celi等人提出了一种能够预测系统性炎症状态下晶体血管填充的工具。在2018年的自然界中，科莫洛夫斯基（Komorowski）证明了AI在败血症血液动力学管理中的功效。在对肾脏对流体挑战的反应的研究中，Zhang等人。演示学习机的有效性。 目标：确定能够预测住院报告（CRH）ACR的患者死亡率（ICU）的算法。还使用算法来预测被捕的复发风险，机械通气的持续时间，败血症的出现，器官衰竭的发展，预测CPC（脑绩效类别），是时候获得戒断的时间急性肾衰竭，有或不需要肾外净化（EER）和EER持续时间，平均住院时间。 该项目是一个具有更大功能的全国性项目的一部分，其中包括重症监护术期间产生的所有数据。 方法：估计本研究中包括的患者总数为300至500。人口将来自尼斯，抗体，戛纳，戛纳的重症监护病房。 从2014年到2020年底，纳入将是回顾性的，在CRH上，在CRH上，CR CR CR CR（脑和胸腔 - 腹部 - 骨盆），MRI，EEG和每日后续单词。 匿名后，使用自然语言处理（NLP）方法应用语义化。要提取的数据输入在重症监护医师撰写的文档中。然后将这些数据存储在数据库中。为了满足主要目标，我们将开发一种能够预测研究人群死亡率的计算机算法。该算法基于一个大数据库，可以根据机器学习甚至深度学习技术设计，具体取决于要处理的数据量。 | ||||||||
| 详细说明 | 不提供 | ||||||||
| 研究类型 | 观察 | ||||||||
| 学习规划 | 观察模型：仅病例 时间观点：回顾 | ||||||||
| 目标随访时间 | 不提供 | ||||||||
| 生物测量 | 不提供 | ||||||||
| 采样方法 | 非概率样本 | ||||||||
| 研究人群 | ACR从NICE，ANTIBES，CANNES，GRASSE等的医院中心接受重症监护或重症监护的所有原因，在重症监护或重症监护室中被录取。 | ||||||||
| 健康）状况 | 有氧呼吸道逮捕 | ||||||||
| 干涉 | 不提供 | ||||||||
| 研究组/队列 | 不提供 | ||||||||
| 出版物 * | 不提供 | ||||||||
*包括由数据提供商提供的出版物以及Medline中临床标识符（NCT编号）的出版物。 | |||||||||
| 招聘信息 | |||||||||
| 招聘状况 | 招募 | ||||||||
| 估计入学人数 | 500 | ||||||||
| 原始估计注册 | 与电流相同 | ||||||||
| 估计学习完成日期 | 2020年12月31日 | ||||||||
| 估计的初级完成日期 | 2020年12月31日（主要结果度量的最终数据收集日期） | ||||||||
| 资格标准 | 纳入标准：
排除标准： - | ||||||||
| 性别/性别 |
| ||||||||
| 年龄 | 18岁以上（成人，老年人） | ||||||||
| 接受健康的志愿者 | 不 | ||||||||
| 联系人 |
| ||||||||
| 列出的位置国家 | 法国 | ||||||||
| 删除了位置国家 | |||||||||
| 管理信息 | |||||||||
| NCT编号 | NCT04462380 | ||||||||
| 其他研究ID编号 | 20Reamed01 | ||||||||
| 有数据监测委员会 | 不 | ||||||||
| 美国FDA调节的产品 |
| ||||||||
| IPD共享声明 | 不提供 | ||||||||
| 责任方 | 中心医院的大学 | ||||||||
| 研究赞助商 | 中心医院的大学 | ||||||||
| 合作者 | |||||||||
| 调查人员 | 不提供 | ||||||||
| PRS帐户 | 中心医院的大学 | ||||||||
| 验证日期 | 2020年7月 | ||||||||
