Impact of Artificial Intelligence (Machine Learning) on a telemonitoring program for re-entry COPD patients (telEPOC) (Q3149379): Difference between revisions

From EU Knowledge Graph
Jump to navigation Jump to search
(‎Changed label, description and/or aliases in en)
(‎Changed label, description and/or aliases in pt)
 
(17 intermediate revisions by 2 users not shown)
label / enlabel / en
 
Impact of Artificial Intelligence (Machine Learning) on a telemonitoring program for re-entry COPD patients (telEPOC)
label / frlabel / fr
 
Impact de l’Intelligence Artificielle (Machine Learning) sur un programme de télésurveillance pour la réadmission des patients atteints de BPCO (telEPOC)
label / delabel / de
 
Auswirkungen künstlicher Intelligenz (Machine Learning) auf ein Telemonitoring-Programm für COPD-Patienten (telEPOC)
label / nllabel / nl
 
Impact van kunstmatige intelligentie (Machine Learning) op een telemonitoringprogramma voor re-entry COPD-patiënten (telEPOC)
label / itlabel / it
 
Impatto dell'intelligenza artificiale (Machine Learning) su un programma di telemonitoraggio per i pazienti BPCO di rientro (telEPOC)
label / ellabel / el
 
Αντίκτυπος της τεχνητής νοημοσύνης (μάθηση μηχανών) σε ένα πρόγραμμα τηλεπαρακολούθησης για ασθενείς με ΧΑΠ επανεισόδου (telEPOC)
label / dalabel / da
 
Virkningen af kunstig intelligens (Machine Learning) på et teleovervågningsprogram for re-entry KOL-patienter (telEPOC)
label / filabel / fi
 
Tekoälyn (Machine Learning) vaikutus keuhkoahtaumatautipotilaiden paluuta koskevaan etäseurantaohjelmaan (telEPOC)
label / mtlabel / mt
 
L-impatt tal-Intelliġenza Artifiċjali (Tagħlim tal-Magni) fuq programm ta’ telemonitoraġġ għal pazjenti b’COPD ta’ dħul mill-ġdid (telEPOC)
label / lvlabel / lv
 
Mākslīgā intelekta (mašīnmācīšanās) ietekme uz telemonitoringa programmu pacientiem ar atkārtotu iebraukšanu HOPS (telEPOC)
label / sklabel / sk
 
Vplyv umelej inteligencie (strojové vzdelávanie) na telemonitorovací program pre pacientov s CHOCHP po návrate (telEPOC)
label / galabel / ga
 
Tionchar na hIntleachta Saorga (Foghlaim Mheáinne) ar chlár teileamhonatóireachta le haghaidh othair COPD a athiontráil (telEPOC)
label / cslabel / cs
 
Dopad umělé inteligence (strojové učení) na program telemonitoringu pro pacienty s opětovným vstupem CHOPN (telEPOC)
label / ptlabel / pt
 
Impacto da inteligência artificial (aprendizagem automática) num programa de telemonitorização para doentes com DPOC de reentrada (telEPOC)
label / etlabel / et
 
Tehisintellekti (Machiine Learning) mõju KOK-patsientide taassisenemise telemonitooringule (telEPOC)
label / hulabel / hu
 
A mesterséges intelligencia (géptanulás) hatása a COPD-betegeknek szóló telemonitoring programra (telEPOC)
label / bglabel / bg
 
Въздействие на изкуствения интелект (машинно обучение) върху програма за телемониторинг на пациенти с ХОББ (telEPOC)
label / ltlabel / lt
 
Dirbtinio intelekto (Machine Learning) poveikis nuotolinei LOPL sergančių pacientų stebėjimo programai (telEPOC)
label / hrlabel / hr
 
Utjecaj umjetne inteligencije (stručno učenje) na program telemonitoringa za pacijente koji ponovno ulaze u KOPB (telEPOC)
label / svlabel / sv
 
Inverkan av artificiell intelligens (maskininlärning) på ett program för fjärrövervakning av KOL-patienter (telEPOC)
label / rolabel / ro
 
Impactul inteligenței artificiale (învățarea automată) asupra unui program de telemonitorizare pentru pacienții cu BPOC reintrare (telEPOC)
label / sllabel / sl
 
Vpliv umetne inteligence (strojno učenje) na program telemonitoring za ponovni vstop bolnikov s KOPB (telEPOC)
label / pllabel / pl
 
Wpływ sztucznej inteligencji (uczenie się maszyn) na program telemonitoringu dla pacjentów z POChP (telEPOC)
description / bgdescription / bg
 
Проект Q3149379 в Испания
description / hrdescription / hr
 
Projekt Q3149379 u Španjolskoj
description / hudescription / hu
 
Projekt Q3149379 Spanyolországban
description / csdescription / cs
 
Projekt Q3149379 ve Španělsku
description / dadescription / da
 
Projekt Q3149379 i Spanien
description / nldescription / nl
 
Project Q3149379 in Spanje
description / etdescription / et
 
Projekt Q3149379 Hispaanias
description / fidescription / fi
 
Projekti Q3149379 Espanjassa
description / frdescription / fr
 
Projet Q3149379 en Espagne
description / dedescription / de
 
Projekt Q3149379 in Spanien
description / eldescription / el
 
Έργο Q3149379 στην Ισπανία
description / gadescription / ga
 
Tionscadal Q3149379 sa Spáinn
description / itdescription / it
 
Progetto Q3149379 in Spagna
description / lvdescription / lv
 
Projekts Q3149379 Spānijā
description / ltdescription / lt
 
Projektas Q3149379 Ispanijoje
description / mtdescription / mt
 
Proġett Q3149379 fi Spanja
description / pldescription / pl
 
Projekt Q3149379 w Hiszpanii
description / ptdescription / pt
 
Projeto Q3149379 na Espanha
description / rodescription / ro
 
Proiectul Q3149379 în Spania
description / skdescription / sk
 
Projekt Q3149379 v Španielsku
description / sldescription / sl
 
Projekt Q3149379 v Španiji
description / esdescription / es
 
Proyecto Q3149379 en España
description / svdescription / sv
 
Projekt Q3149379 i Spanien
Property / budget
71,000.0 Euro
Amount71,000.0 Euro
UnitEuro
 
Property / budget: 71,000.0 Euro / rank
Normal rank
 
Property / co-financing rate
50.0 percent
Amount50.0 percent
Unitpercent
 
Property / co-financing rate: 50.0 percent / rank
Normal rank
 
Property / EU contribution
35,500.0 Euro
Amount35,500.0 Euro
UnitEuro
 
Property / EU contribution: 35,500.0 Euro / rank
Normal rank
 
Property / postal code
48036
 
Property / postal code: 48036 / rank
Normal rank
 
Property / location (string)
Galdakao
 
Property / location (string): Galdakao / rank
Normal rank
 
Property / contained in Local Administrative Unit
 
Property / contained in Local Administrative Unit: Galdakao / rank
 
Normal rank
Property / summary
 
Given the demographic, health and economic situation it seems necessary to look for alternatives to the current care model. Technology must be the substantial basis for this change. GENERAL OBJECTIVE: Determine the impact of the application of an Artificial Intelligence (Machine Learning) system in an active telemonitoring program for re-entry COPD patients. Specific objectives: Determine changes in: — Use of health resources. — The quality of life of patients. Cost. Work load. Daily clinical practice. Markers of inflammation. METHODS: Based on the telEPOC program and the ongoing development of Machine Learning in this project, non-randomised intervention study, with two branches: intervention (hospital Galdakao) and control (hospital of Cruces and Basurto). Sample size of at least 115 patients per hospital (115 in the intervention branch and 230 in the control branch). Follow-up for 2 years. Uni and multivativary statistical analyses shall be applied. (English)
Property / summary: Given the demographic, health and economic situation it seems necessary to look for alternatives to the current care model. Technology must be the substantial basis for this change. GENERAL OBJECTIVE: Determine the impact of the application of an Artificial Intelligence (Machine Learning) system in an active telemonitoring program for re-entry COPD patients. Specific objectives: Determine changes in: — Use of health resources. — The quality of life of patients. Cost. Work load. Daily clinical practice. Markers of inflammation. METHODS: Based on the telEPOC program and the ongoing development of Machine Learning in this project, non-randomised intervention study, with two branches: intervention (hospital Galdakao) and control (hospital of Cruces and Basurto). Sample size of at least 115 patients per hospital (115 in the intervention branch and 230 in the control branch). Follow-up for 2 years. Uni and multivativary statistical analyses shall be applied. (English) / rank
 
Normal rank
Property / summary: Given the demographic, health and economic situation it seems necessary to look for alternatives to the current care model. Technology must be the substantial basis for this change. GENERAL OBJECTIVE: Determine the impact of the application of an Artificial Intelligence (Machine Learning) system in an active telemonitoring program for re-entry COPD patients. Specific objectives: Determine changes in: — Use of health resources. — The quality of life of patients. Cost. Work load. Daily clinical practice. Markers of inflammation. METHODS: Based on the telEPOC program and the ongoing development of Machine Learning in this project, non-randomised intervention study, with two branches: intervention (hospital Galdakao) and control (hospital of Cruces and Basurto). Sample size of at least 115 patients per hospital (115 in the intervention branch and 230 in the control branch). Follow-up for 2 years. Uni and multivativary statistical analyses shall be applied. (English) / qualifier
 
point in time: 12 October 2021
Timestamp+2021-10-12T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary: Given the demographic, health and economic situation it seems necessary to look for alternatives to the current care model. Technology must be the substantial basis for this change. GENERAL OBJECTIVE: Determine the impact of the application of an Artificial Intelligence (Machine Learning) system in an active telemonitoring program for re-entry COPD patients. Specific objectives: Determine changes in: — Use of health resources. — The quality of life of patients. Cost. Work load. Daily clinical practice. Markers of inflammation. METHODS: Based on the telEPOC program and the ongoing development of Machine Learning in this project, non-randomised intervention study, with two branches: intervention (hospital Galdakao) and control (hospital of Cruces and Basurto). Sample size of at least 115 patients per hospital (115 in the intervention branch and 230 in the control branch). Follow-up for 2 years. Uni and multivativary statistical analyses shall be applied. (English) / qualifier
 
readability score: 0.6892440705104284
Amount0.6892440705104284
Unit1
Property / summary
 
Compte tenu de la situation démographique, sanitaire et économique, il semble nécessaire de rechercher des alternatives au modèle de soins actuel. La technologie doit être la base substantielle de ce changement. OBJECTIF GÉNÉRAL: Déterminer l’impact de l’application d’un système d’intelligence artificielle (Machine Learning) dans un programme de télésurveillance actif pour les patients atteints de BPCO. Objectifs spécifiques: Déterminer les changements dans: — Utilisation des ressources de santé. — La qualité de vie des patients. Le coût. Charge de travail. Pratique clinique quotidienne. Marqueurs d’inflammation. MÉTHODES: D’après le programme telEPOC et le développement continu de l’apprentissage automatique dans ce projet, une étude d’intervention non randomisée, avec deux directions générales: intervention (hôpital Galdakao) et contrôle (hôpital de Cruces et Basurto). Taille de l’échantillon d’au moins 115 patients par hôpital (115 dans la branche d’intervention et 230 dans la branche témoin). Suivi pendant 2 ans. Des analyses statistiques uni et multivativary sont appliquées. (French)
Property / summary: Compte tenu de la situation démographique, sanitaire et économique, il semble nécessaire de rechercher des alternatives au modèle de soins actuel. La technologie doit être la base substantielle de ce changement. OBJECTIF GÉNÉRAL: Déterminer l’impact de l’application d’un système d’intelligence artificielle (Machine Learning) dans un programme de télésurveillance actif pour les patients atteints de BPCO. Objectifs spécifiques: Déterminer les changements dans: — Utilisation des ressources de santé. — La qualité de vie des patients. Le coût. Charge de travail. Pratique clinique quotidienne. Marqueurs d’inflammation. MÉTHODES: D’après le programme telEPOC et le développement continu de l’apprentissage automatique dans ce projet, une étude d’intervention non randomisée, avec deux directions générales: intervention (hôpital Galdakao) et contrôle (hôpital de Cruces et Basurto). Taille de l’échantillon d’au moins 115 patients par hôpital (115 dans la branche d’intervention et 230 dans la branche témoin). Suivi pendant 2 ans. Des analyses statistiques uni et multivativary sont appliquées. (French) / rank
 
Normal rank
Property / summary: Compte tenu de la situation démographique, sanitaire et économique, il semble nécessaire de rechercher des alternatives au modèle de soins actuel. La technologie doit être la base substantielle de ce changement. OBJECTIF GÉNÉRAL: Déterminer l’impact de l’application d’un système d’intelligence artificielle (Machine Learning) dans un programme de télésurveillance actif pour les patients atteints de BPCO. Objectifs spécifiques: Déterminer les changements dans: — Utilisation des ressources de santé. — La qualité de vie des patients. Le coût. Charge de travail. Pratique clinique quotidienne. Marqueurs d’inflammation. MÉTHODES: D’après le programme telEPOC et le développement continu de l’apprentissage automatique dans ce projet, une étude d’intervention non randomisée, avec deux directions générales: intervention (hôpital Galdakao) et contrôle (hôpital de Cruces et Basurto). Taille de l’échantillon d’au moins 115 patients par hôpital (115 dans la branche d’intervention et 230 dans la branche témoin). Suivi pendant 2 ans. Des analyses statistiques uni et multivativary sont appliquées. (French) / qualifier
 
point in time: 2 December 2021
Timestamp+2021-12-02T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Angesichts der demografischen, gesundheitlichen und wirtschaftlichen Lage erscheint es notwendig, Alternativen zum derzeitigen Pflegemodell zu suchen. Die Technologie muss die wesentliche Grundlage für diesen Wandel sein. ALLGEMEINES ZIEL: Bestimmen Sie die Auswirkungen der Anwendung eines Systems der künstlichen Intelligenz (Machine Learning) in einem aktiven Telemonitoring-Programm für die Wiedereinreise COPD-Patienten. Spezifische Ziele: Bestimmen Sie Änderungen in: — Verwendung von Gesundheitsressourcen. — Die Lebensqualität der Patienten. Kosten. Arbeitslast. Tägliche klinische Praxis. Marker der Entzündung. METHODEN: Basierend auf dem telEPOC-Programm und der laufenden Entwicklung von Machine Learning in diesem Projekt, nicht-randomisierte Interventionsstudie, mit zwei Zweigen: Intervention (Krankenhaus Galdakao) und Kontrolle (Krankenhaus und Basurto). Stichprobenumfang von mindestens 115 Patienten pro Krankenhaus (115 im Interventionsbereich und 230 im Kontrollbereich). Follow-up für 2 Jahre. Es sind uni- und multivativäre statistische Analysen durchzuführen. (German)
Property / summary: Angesichts der demografischen, gesundheitlichen und wirtschaftlichen Lage erscheint es notwendig, Alternativen zum derzeitigen Pflegemodell zu suchen. Die Technologie muss die wesentliche Grundlage für diesen Wandel sein. ALLGEMEINES ZIEL: Bestimmen Sie die Auswirkungen der Anwendung eines Systems der künstlichen Intelligenz (Machine Learning) in einem aktiven Telemonitoring-Programm für die Wiedereinreise COPD-Patienten. Spezifische Ziele: Bestimmen Sie Änderungen in: — Verwendung von Gesundheitsressourcen. — Die Lebensqualität der Patienten. Kosten. Arbeitslast. Tägliche klinische Praxis. Marker der Entzündung. METHODEN: Basierend auf dem telEPOC-Programm und der laufenden Entwicklung von Machine Learning in diesem Projekt, nicht-randomisierte Interventionsstudie, mit zwei Zweigen: Intervention (Krankenhaus Galdakao) und Kontrolle (Krankenhaus und Basurto). Stichprobenumfang von mindestens 115 Patienten pro Krankenhaus (115 im Interventionsbereich und 230 im Kontrollbereich). Follow-up für 2 Jahre. Es sind uni- und multivativäre statistische Analysen durchzuführen. (German) / rank
 
Normal rank
Property / summary: Angesichts der demografischen, gesundheitlichen und wirtschaftlichen Lage erscheint es notwendig, Alternativen zum derzeitigen Pflegemodell zu suchen. Die Technologie muss die wesentliche Grundlage für diesen Wandel sein. ALLGEMEINES ZIEL: Bestimmen Sie die Auswirkungen der Anwendung eines Systems der künstlichen Intelligenz (Machine Learning) in einem aktiven Telemonitoring-Programm für die Wiedereinreise COPD-Patienten. Spezifische Ziele: Bestimmen Sie Änderungen in: — Verwendung von Gesundheitsressourcen. — Die Lebensqualität der Patienten. Kosten. Arbeitslast. Tägliche klinische Praxis. Marker der Entzündung. METHODEN: Basierend auf dem telEPOC-Programm und der laufenden Entwicklung von Machine Learning in diesem Projekt, nicht-randomisierte Interventionsstudie, mit zwei Zweigen: Intervention (Krankenhaus Galdakao) und Kontrolle (Krankenhaus und Basurto). Stichprobenumfang von mindestens 115 Patienten pro Krankenhaus (115 im Interventionsbereich und 230 im Kontrollbereich). Follow-up für 2 Jahre. Es sind uni- und multivativäre statistische Analysen durchzuführen. (German) / qualifier
 
point in time: 9 December 2021
Timestamp+2021-12-09T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Gezien de demografische, gezondheids- en economische situatie lijkt het noodzakelijk te zoeken naar alternatieven voor het huidige zorgmodel. Technologie moet de basis vormen voor deze verandering. ALGEMENE DOELSTELLING: Bepaal de impact van de toepassing van een Artificial Intelligence (Machine Learning) systeem in een actief telemonitoringprogramma voor re-entry COPD-patiënten. Specifieke doelstellingen: Bepaal veranderingen in: — Gebruik van gezondheidshulpbronnen. — De kwaliteit van leven van patiënten. De kosten. Werkbelasting. Dagelijkse klinische praktijk. Markers van ontstekingen. METHODEN: Op basis van het telEPOC-programma en de voortdurende ontwikkeling van Machine Learning in dit project, niet-gerandomiseerde interventiestudie, met twee branches: interventie (ziekenhuis Galdakao) en controle (ziekenhuis van Cruces en Basurto). Steekproefgrootte van ten minste 115 patiënten per ziekenhuis (115 in de interventietak en 230 in de controletak). Follow-up voor 2 jaar. Uni- en multivativaire statistische analyses worden toegepast. (Dutch)
Property / summary: Gezien de demografische, gezondheids- en economische situatie lijkt het noodzakelijk te zoeken naar alternatieven voor het huidige zorgmodel. Technologie moet de basis vormen voor deze verandering. ALGEMENE DOELSTELLING: Bepaal de impact van de toepassing van een Artificial Intelligence (Machine Learning) systeem in een actief telemonitoringprogramma voor re-entry COPD-patiënten. Specifieke doelstellingen: Bepaal veranderingen in: — Gebruik van gezondheidshulpbronnen. — De kwaliteit van leven van patiënten. De kosten. Werkbelasting. Dagelijkse klinische praktijk. Markers van ontstekingen. METHODEN: Op basis van het telEPOC-programma en de voortdurende ontwikkeling van Machine Learning in dit project, niet-gerandomiseerde interventiestudie, met twee branches: interventie (ziekenhuis Galdakao) en controle (ziekenhuis van Cruces en Basurto). Steekproefgrootte van ten minste 115 patiënten per ziekenhuis (115 in de interventietak en 230 in de controletak). Follow-up voor 2 jaar. Uni- en multivativaire statistische analyses worden toegepast. (Dutch) / rank
 
Normal rank
Property / summary: Gezien de demografische, gezondheids- en economische situatie lijkt het noodzakelijk te zoeken naar alternatieven voor het huidige zorgmodel. Technologie moet de basis vormen voor deze verandering. ALGEMENE DOELSTELLING: Bepaal de impact van de toepassing van een Artificial Intelligence (Machine Learning) systeem in een actief telemonitoringprogramma voor re-entry COPD-patiënten. Specifieke doelstellingen: Bepaal veranderingen in: — Gebruik van gezondheidshulpbronnen. — De kwaliteit van leven van patiënten. De kosten. Werkbelasting. Dagelijkse klinische praktijk. Markers van ontstekingen. METHODEN: Op basis van het telEPOC-programma en de voortdurende ontwikkeling van Machine Learning in dit project, niet-gerandomiseerde interventiestudie, met twee branches: interventie (ziekenhuis Galdakao) en controle (ziekenhuis van Cruces en Basurto). Steekproefgrootte van ten minste 115 patiënten per ziekenhuis (115 in de interventietak en 230 in de controletak). Follow-up voor 2 jaar. Uni- en multivativaire statistische analyses worden toegepast. (Dutch) / qualifier
 
point in time: 17 December 2021
Timestamp+2021-12-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Data la situazione demografica, sanitaria ed economica, sembra necessario cercare alternative all'attuale modello di assistenza. La tecnologia deve costituire la base sostanziale di questo cambiamento. OBIETTIVO GENERALE: Determinare l'impatto dell'applicazione di un sistema di Intelligenza Artificiale (Machine Learning) in un programma di telemonitoraggio attivo per i pazienti di rientro in BPCO. Obiettivi specifici: Determinare le modifiche in: — Uso delle risorse sanitarie. — La qualità della vita dei pazienti. Costo. Carico di lavoro. Pratica clinica quotidiana. Marcatori di infiammazione. METODI: Basato sul programma telEPOC e sullo sviluppo in corso del Machine Learning in questo progetto, studio di intervento non randomizzato, con due rami: intervento (ospedale Galdakao) e controllo (ospedale di Cruces e Basurto). Dimensione del campione di almeno 115 pazienti per ospedale (115 nel ramo di intervento e 230 nel ramo di controllo). Follow-up per 2 anni. Si applicano analisi statistiche uni e multivativarie. (Italian)
Property / summary: Data la situazione demografica, sanitaria ed economica, sembra necessario cercare alternative all'attuale modello di assistenza. La tecnologia deve costituire la base sostanziale di questo cambiamento. OBIETTIVO GENERALE: Determinare l'impatto dell'applicazione di un sistema di Intelligenza Artificiale (Machine Learning) in un programma di telemonitoraggio attivo per i pazienti di rientro in BPCO. Obiettivi specifici: Determinare le modifiche in: — Uso delle risorse sanitarie. — La qualità della vita dei pazienti. Costo. Carico di lavoro. Pratica clinica quotidiana. Marcatori di infiammazione. METODI: Basato sul programma telEPOC e sullo sviluppo in corso del Machine Learning in questo progetto, studio di intervento non randomizzato, con due rami: intervento (ospedale Galdakao) e controllo (ospedale di Cruces e Basurto). Dimensione del campione di almeno 115 pazienti per ospedale (115 nel ramo di intervento e 230 nel ramo di controllo). Follow-up per 2 anni. Si applicano analisi statistiche uni e multivativarie. (Italian) / rank
 
Normal rank
Property / summary: Data la situazione demografica, sanitaria ed economica, sembra necessario cercare alternative all'attuale modello di assistenza. La tecnologia deve costituire la base sostanziale di questo cambiamento. OBIETTIVO GENERALE: Determinare l'impatto dell'applicazione di un sistema di Intelligenza Artificiale (Machine Learning) in un programma di telemonitoraggio attivo per i pazienti di rientro in BPCO. Obiettivi specifici: Determinare le modifiche in: — Uso delle risorse sanitarie. — La qualità della vita dei pazienti. Costo. Carico di lavoro. Pratica clinica quotidiana. Marcatori di infiammazione. METODI: Basato sul programma telEPOC e sullo sviluppo in corso del Machine Learning in questo progetto, studio di intervento non randomizzato, con due rami: intervento (ospedale Galdakao) e controllo (ospedale di Cruces e Basurto). Dimensione del campione di almeno 115 pazienti per ospedale (115 nel ramo di intervento e 230 nel ramo di controllo). Follow-up per 2 anni. Si applicano analisi statistiche uni e multivativarie. (Italian) / qualifier
 
point in time: 16 January 2022
Timestamp+2022-01-16T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Δεδομένης της δημογραφικής, υγειονομικής και οικονομικής κατάστασης, φαίνεται αναγκαίο να αναζητήσουμε εναλλακτικές λύσεις στο σημερινό μοντέλο περίθαλψης. Η τεχνολογία πρέπει να αποτελέσει την ουσιαστική βάση αυτής της αλλαγής. ΓΕΝΙΚΌΣ ΣΤΌΧΟΣ: Προσδιορισμός των επιπτώσεων της εφαρμογής ενός συστήματος τεχνητής νοημοσύνης (Machine Learning) σε ένα ενεργό πρόγραμμα τηλεπαρακολούθησης για ασθενείς με ΧΑΠ επανεισόδου. Ειδικοί στόχοι: Καθορισμός αλλαγών σε: — Χρήση των πόρων υγείας. — Η ποιότητα ζωής των ασθενών. Κόστος. Το φορτίο της δουλειάς. Καθημερινή κλινική πρακτική. Δείκτες φλεγμονής. ΜΈΘΟΔΟΙ: Με βάση το πρόγραμμα telEPOC και τη συνεχή ανάπτυξη της Μηχανικής Μάθησης σε αυτό το έργο, μη τυχαιοποιημένη μελέτη παρέμβασης, με δύο κλάδους: παρέμβαση (νοσοκομείο Galdakao) και έλεγχος (νοσοκομείο Cruces και Basurto). Μέγεθος δείγματος τουλάχιστον 115 ασθενών ανά νοσοκομείο (115 στον κλάδο παρέμβασης και 230 στον κλάδο ελέγχου). Παρακολούθηση για 2 χρόνια. Εφαρμόζονται στατιστικές αναλύσεις μονής και πολυκατοικίας. (Greek)
Property / summary: Δεδομένης της δημογραφικής, υγειονομικής και οικονομικής κατάστασης, φαίνεται αναγκαίο να αναζητήσουμε εναλλακτικές λύσεις στο σημερινό μοντέλο περίθαλψης. Η τεχνολογία πρέπει να αποτελέσει την ουσιαστική βάση αυτής της αλλαγής. ΓΕΝΙΚΌΣ ΣΤΌΧΟΣ: Προσδιορισμός των επιπτώσεων της εφαρμογής ενός συστήματος τεχνητής νοημοσύνης (Machine Learning) σε ένα ενεργό πρόγραμμα τηλεπαρακολούθησης για ασθενείς με ΧΑΠ επανεισόδου. Ειδικοί στόχοι: Καθορισμός αλλαγών σε: — Χρήση των πόρων υγείας. — Η ποιότητα ζωής των ασθενών. Κόστος. Το φορτίο της δουλειάς. Καθημερινή κλινική πρακτική. Δείκτες φλεγμονής. ΜΈΘΟΔΟΙ: Με βάση το πρόγραμμα telEPOC και τη συνεχή ανάπτυξη της Μηχανικής Μάθησης σε αυτό το έργο, μη τυχαιοποιημένη μελέτη παρέμβασης, με δύο κλάδους: παρέμβαση (νοσοκομείο Galdakao) και έλεγχος (νοσοκομείο Cruces και Basurto). Μέγεθος δείγματος τουλάχιστον 115 ασθενών ανά νοσοκομείο (115 στον κλάδο παρέμβασης και 230 στον κλάδο ελέγχου). Παρακολούθηση για 2 χρόνια. Εφαρμόζονται στατιστικές αναλύσεις μονής και πολυκατοικίας. (Greek) / rank
 
Normal rank
Property / summary: Δεδομένης της δημογραφικής, υγειονομικής και οικονομικής κατάστασης, φαίνεται αναγκαίο να αναζητήσουμε εναλλακτικές λύσεις στο σημερινό μοντέλο περίθαλψης. Η τεχνολογία πρέπει να αποτελέσει την ουσιαστική βάση αυτής της αλλαγής. ΓΕΝΙΚΌΣ ΣΤΌΧΟΣ: Προσδιορισμός των επιπτώσεων της εφαρμογής ενός συστήματος τεχνητής νοημοσύνης (Machine Learning) σε ένα ενεργό πρόγραμμα τηλεπαρακολούθησης για ασθενείς με ΧΑΠ επανεισόδου. Ειδικοί στόχοι: Καθορισμός αλλαγών σε: — Χρήση των πόρων υγείας. — Η ποιότητα ζωής των ασθενών. Κόστος. Το φορτίο της δουλειάς. Καθημερινή κλινική πρακτική. Δείκτες φλεγμονής. ΜΈΘΟΔΟΙ: Με βάση το πρόγραμμα telEPOC και τη συνεχή ανάπτυξη της Μηχανικής Μάθησης σε αυτό το έργο, μη τυχαιοποιημένη μελέτη παρέμβασης, με δύο κλάδους: παρέμβαση (νοσοκομείο Galdakao) και έλεγχος (νοσοκομείο Cruces και Basurto). Μέγεθος δείγματος τουλάχιστον 115 ασθενών ανά νοσοκομείο (115 στον κλάδο παρέμβασης και 230 στον κλάδο ελέγχου). Παρακολούθηση για 2 χρόνια. Εφαρμόζονται στατιστικές αναλύσεις μονής και πολυκατοικίας. (Greek) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
I betragtning af den demografiske, sundhedsmæssige og økonomiske situation forekommer det nødvendigt at finde alternativer til den nuværende plejemodel. Teknologien skal være det væsentlige grundlag for denne ændring. OVERORDNET MÅL: Bestemme virkningen af anvendelsen af et system med kunstig intelligens (Machine Learning) i et aktivt teleovervågningsprogram for re-entry KOL-patienter. Specifikke målsætninger: Bestem ændringer i: — Anvendelse af sundhedsressourcer. — Patienternes livskvalitet. Omkostninger. Arbejdsbelastning. Daglig klinisk praksis. Markører af betændelse. METODER: Baseret på telEPOC-programmet og den igangværende udvikling af Machine Learning i dette projekt, ikke-randomiseret intervention undersøgelse, med to grene: intervention (hospital Galdakao) og kontrol (hospital af Cruces og Basurto). Stikprøvestørrelse på mindst 115 patienter pr. hospital (115 i interventionsafdelingen og 230 i kontrolafdelingen). Opfølgning i 2 år. Der skal anvendes enslydende og multivativære statistiske analyser. (Danish)
Property / summary: I betragtning af den demografiske, sundhedsmæssige og økonomiske situation forekommer det nødvendigt at finde alternativer til den nuværende plejemodel. Teknologien skal være det væsentlige grundlag for denne ændring. OVERORDNET MÅL: Bestemme virkningen af anvendelsen af et system med kunstig intelligens (Machine Learning) i et aktivt teleovervågningsprogram for re-entry KOL-patienter. Specifikke målsætninger: Bestem ændringer i: — Anvendelse af sundhedsressourcer. — Patienternes livskvalitet. Omkostninger. Arbejdsbelastning. Daglig klinisk praksis. Markører af betændelse. METODER: Baseret på telEPOC-programmet og den igangværende udvikling af Machine Learning i dette projekt, ikke-randomiseret intervention undersøgelse, med to grene: intervention (hospital Galdakao) og kontrol (hospital af Cruces og Basurto). Stikprøvestørrelse på mindst 115 patienter pr. hospital (115 i interventionsafdelingen og 230 i kontrolafdelingen). Opfølgning i 2 år. Der skal anvendes enslydende og multivativære statistiske analyser. (Danish) / rank
 
Normal rank
Property / summary: I betragtning af den demografiske, sundhedsmæssige og økonomiske situation forekommer det nødvendigt at finde alternativer til den nuværende plejemodel. Teknologien skal være det væsentlige grundlag for denne ændring. OVERORDNET MÅL: Bestemme virkningen af anvendelsen af et system med kunstig intelligens (Machine Learning) i et aktivt teleovervågningsprogram for re-entry KOL-patienter. Specifikke målsætninger: Bestem ændringer i: — Anvendelse af sundhedsressourcer. — Patienternes livskvalitet. Omkostninger. Arbejdsbelastning. Daglig klinisk praksis. Markører af betændelse. METODER: Baseret på telEPOC-programmet og den igangværende udvikling af Machine Learning i dette projekt, ikke-randomiseret intervention undersøgelse, med to grene: intervention (hospital Galdakao) og kontrol (hospital af Cruces og Basurto). Stikprøvestørrelse på mindst 115 patienter pr. hospital (115 i interventionsafdelingen og 230 i kontrolafdelingen). Opfølgning i 2 år. Der skal anvendes enslydende og multivativære statistiske analyser. (Danish) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Demografisen, terveydellisen ja taloudellisen tilanteen vuoksi näyttää tarpeelliselta etsiä vaihtoehtoja nykyiselle hoitomallille. Teknologian on oltava olennainen perusta tälle muutokselle. YLEISTAVOITE: Määritetään tekoälyjärjestelmän (Machine Learning) soveltamisen vaikutus aktiiviseen etäseurantaohjelmaan keuhkoahtaumatautipotilaille. Erityistavoitteet: Määritä muutokset: — Terveydenhuollon resurssien käyttö. — Potilaiden elämänlaatu. Kustannukset. Työkuorma. Päivittäinen kliininen käytäntö. Tulehduksen merkkiaineet. MENETELMÄT: TelEPOC-ohjelman ja koneoppimisen jatkuvan kehittämisen perusteella tässä hankkeessa ei-satunnaista interventiotutkimusta, jossa on kaksi haaraa: interventio (sairaala Galdakao) ja valvonta (Cruces- ja Basurto-sairaala). Otoskoko on vähintään 115 potilasta sairaalaa kohden (115 potilasta interventiohaarassa ja 230 kontrollihaarassa). Seuranta kahden vuoden ajan. On tehtävä yksi- ja monivavuisia tilastollisia analyyseja. (Finnish)
Property / summary: Demografisen, terveydellisen ja taloudellisen tilanteen vuoksi näyttää tarpeelliselta etsiä vaihtoehtoja nykyiselle hoitomallille. Teknologian on oltava olennainen perusta tälle muutokselle. YLEISTAVOITE: Määritetään tekoälyjärjestelmän (Machine Learning) soveltamisen vaikutus aktiiviseen etäseurantaohjelmaan keuhkoahtaumatautipotilaille. Erityistavoitteet: Määritä muutokset: — Terveydenhuollon resurssien käyttö. — Potilaiden elämänlaatu. Kustannukset. Työkuorma. Päivittäinen kliininen käytäntö. Tulehduksen merkkiaineet. MENETELMÄT: TelEPOC-ohjelman ja koneoppimisen jatkuvan kehittämisen perusteella tässä hankkeessa ei-satunnaista interventiotutkimusta, jossa on kaksi haaraa: interventio (sairaala Galdakao) ja valvonta (Cruces- ja Basurto-sairaala). Otoskoko on vähintään 115 potilasta sairaalaa kohden (115 potilasta interventiohaarassa ja 230 kontrollihaarassa). Seuranta kahden vuoden ajan. On tehtävä yksi- ja monivavuisia tilastollisia analyyseja. (Finnish) / rank
 
Normal rank
Property / summary: Demografisen, terveydellisen ja taloudellisen tilanteen vuoksi näyttää tarpeelliselta etsiä vaihtoehtoja nykyiselle hoitomallille. Teknologian on oltava olennainen perusta tälle muutokselle. YLEISTAVOITE: Määritetään tekoälyjärjestelmän (Machine Learning) soveltamisen vaikutus aktiiviseen etäseurantaohjelmaan keuhkoahtaumatautipotilaille. Erityistavoitteet: Määritä muutokset: — Terveydenhuollon resurssien käyttö. — Potilaiden elämänlaatu. Kustannukset. Työkuorma. Päivittäinen kliininen käytäntö. Tulehduksen merkkiaineet. MENETELMÄT: TelEPOC-ohjelman ja koneoppimisen jatkuvan kehittämisen perusteella tässä hankkeessa ei-satunnaista interventiotutkimusta, jossa on kaksi haaraa: interventio (sairaala Galdakao) ja valvonta (Cruces- ja Basurto-sairaala). Otoskoko on vähintään 115 potilasta sairaalaa kohden (115 potilasta interventiohaarassa ja 230 kontrollihaarassa). Seuranta kahden vuoden ajan. On tehtävä yksi- ja monivavuisia tilastollisia analyyseja. (Finnish) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Minħabba s-sitwazzjoni demografika, tas-saħħa u ekonomika jidher li hemm bżonn li jinstabu alternattivi għall-mudell ta’ kura attwali. It-teknoloġija għandha tkun il-bażi sostanzjali għal din il-bidla. GĦAN ĠENERALI: Iddetermina l-impatt tal-applikazzjoni ta’ sistema ta’ Intelliġenza Artifiċjali (Tagħlim tal-Magni) fi programm attiv ta’ telemonitoraġġ għal pazjenti b’COPD ta’ dħul mill-ġdid. Għanijiet speċifiċi: Iddetermina l-bidliet fi: — L-użu tar-riżorsi tas-saħħa. — Il-kwalità tal-ħajja tal-pazjenti. Spiża. It-tagħbija tax-xogħol. Prattika klinika ta’ kuljum. Markaturi ta’ infjammazzjoni. METODI: Ibbażat fuq il-programm telEPOC u l-iżvilupp kontinwu tat-Tagħlim bil-Magni f’dan il-proġett, studju ta’ intervent mhux każwali, b’żewġ fergħat: intervent (sptar Galdakao) u kontroll (sptar ta’ Cruces u Basurto). Daqs ta’ kampjun ta’ mill-inqas 115-il pazjent f’kull sptar (115 fil-fergħa ta’ intervent u 230 fil-fergħa ta’ kontroll). Segwitu għal sentejn. Għandhom jiġu applikati analiżi statistiċi uni u multivativari. (Maltese)
Property / summary: Minħabba s-sitwazzjoni demografika, tas-saħħa u ekonomika jidher li hemm bżonn li jinstabu alternattivi għall-mudell ta’ kura attwali. It-teknoloġija għandha tkun il-bażi sostanzjali għal din il-bidla. GĦAN ĠENERALI: Iddetermina l-impatt tal-applikazzjoni ta’ sistema ta’ Intelliġenza Artifiċjali (Tagħlim tal-Magni) fi programm attiv ta’ telemonitoraġġ għal pazjenti b’COPD ta’ dħul mill-ġdid. Għanijiet speċifiċi: Iddetermina l-bidliet fi: — L-użu tar-riżorsi tas-saħħa. — Il-kwalità tal-ħajja tal-pazjenti. Spiża. It-tagħbija tax-xogħol. Prattika klinika ta’ kuljum. Markaturi ta’ infjammazzjoni. METODI: Ibbażat fuq il-programm telEPOC u l-iżvilupp kontinwu tat-Tagħlim bil-Magni f’dan il-proġett, studju ta’ intervent mhux każwali, b’żewġ fergħat: intervent (sptar Galdakao) u kontroll (sptar ta’ Cruces u Basurto). Daqs ta’ kampjun ta’ mill-inqas 115-il pazjent f’kull sptar (115 fil-fergħa ta’ intervent u 230 fil-fergħa ta’ kontroll). Segwitu għal sentejn. Għandhom jiġu applikati analiżi statistiċi uni u multivativari. (Maltese) / rank
 
Normal rank
Property / summary: Minħabba s-sitwazzjoni demografika, tas-saħħa u ekonomika jidher li hemm bżonn li jinstabu alternattivi għall-mudell ta’ kura attwali. It-teknoloġija għandha tkun il-bażi sostanzjali għal din il-bidla. GĦAN ĠENERALI: Iddetermina l-impatt tal-applikazzjoni ta’ sistema ta’ Intelliġenza Artifiċjali (Tagħlim tal-Magni) fi programm attiv ta’ telemonitoraġġ għal pazjenti b’COPD ta’ dħul mill-ġdid. Għanijiet speċifiċi: Iddetermina l-bidliet fi: — L-użu tar-riżorsi tas-saħħa. — Il-kwalità tal-ħajja tal-pazjenti. Spiża. It-tagħbija tax-xogħol. Prattika klinika ta’ kuljum. Markaturi ta’ infjammazzjoni. METODI: Ibbażat fuq il-programm telEPOC u l-iżvilupp kontinwu tat-Tagħlim bil-Magni f’dan il-proġett, studju ta’ intervent mhux każwali, b’żewġ fergħat: intervent (sptar Galdakao) u kontroll (sptar ta’ Cruces u Basurto). Daqs ta’ kampjun ta’ mill-inqas 115-il pazjent f’kull sptar (115 fil-fergħa ta’ intervent u 230 fil-fergħa ta’ kontroll). Segwitu għal sentejn. Għandhom jiġu applikati analiżi statistiċi uni u multivativari. (Maltese) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Ņemot vērā demogrāfisko, veselības un ekonomisko situāciju, šķiet, ka ir jāmeklē alternatīvas pašreizējam aprūpes modelim. Tehnoloģijai ir jābūt šo pārmaiņu būtiskajam pamatam. VISPĀRĪGAIS MĒRĶIS: Noteikt mākslīgā intelekta (mašīnmācīšanās) sistēmas piemērošanas ietekmi aktīvā telemonitoringa programmā atkārtotas ieceļošanas HOPS pacientiem. Konkrētie mērķi: Nosakiet izmaiņas: — Veselības resursu izmantošana. — Pacientu dzīves kvalitāte. Izmaksas. Darba slodze. Ikdienas klīniskā prakse. Iekaisuma marķieri. METODES: Pamatojoties uz telEPOC programmu un notiekošo mašīnmācīšanās attīstību šajā projektā, nerandomizētu intervences pētījumu ar divām jomām: iejaukšanās (slimnīca Galdakao) un kontrole (Cruces un Basurto slimnīca). Izlases lielums no katras slimnīcas vismaz 115 pacientiem (115 pacientiem intervences nozarē un 230 pacientiem kontroles nozarē). Pēcpārbaude 2 gadus. Piemēro uni un multivativary statistisko analīzi. (Latvian)
Property / summary: Ņemot vērā demogrāfisko, veselības un ekonomisko situāciju, šķiet, ka ir jāmeklē alternatīvas pašreizējam aprūpes modelim. Tehnoloģijai ir jābūt šo pārmaiņu būtiskajam pamatam. VISPĀRĪGAIS MĒRĶIS: Noteikt mākslīgā intelekta (mašīnmācīšanās) sistēmas piemērošanas ietekmi aktīvā telemonitoringa programmā atkārtotas ieceļošanas HOPS pacientiem. Konkrētie mērķi: Nosakiet izmaiņas: — Veselības resursu izmantošana. — Pacientu dzīves kvalitāte. Izmaksas. Darba slodze. Ikdienas klīniskā prakse. Iekaisuma marķieri. METODES: Pamatojoties uz telEPOC programmu un notiekošo mašīnmācīšanās attīstību šajā projektā, nerandomizētu intervences pētījumu ar divām jomām: iejaukšanās (slimnīca Galdakao) un kontrole (Cruces un Basurto slimnīca). Izlases lielums no katras slimnīcas vismaz 115 pacientiem (115 pacientiem intervences nozarē un 230 pacientiem kontroles nozarē). Pēcpārbaude 2 gadus. Piemēro uni un multivativary statistisko analīzi. (Latvian) / rank
 
Normal rank
Property / summary: Ņemot vērā demogrāfisko, veselības un ekonomisko situāciju, šķiet, ka ir jāmeklē alternatīvas pašreizējam aprūpes modelim. Tehnoloģijai ir jābūt šo pārmaiņu būtiskajam pamatam. VISPĀRĪGAIS MĒRĶIS: Noteikt mākslīgā intelekta (mašīnmācīšanās) sistēmas piemērošanas ietekmi aktīvā telemonitoringa programmā atkārtotas ieceļošanas HOPS pacientiem. Konkrētie mērķi: Nosakiet izmaiņas: — Veselības resursu izmantošana. — Pacientu dzīves kvalitāte. Izmaksas. Darba slodze. Ikdienas klīniskā prakse. Iekaisuma marķieri. METODES: Pamatojoties uz telEPOC programmu un notiekošo mašīnmācīšanās attīstību šajā projektā, nerandomizētu intervences pētījumu ar divām jomām: iejaukšanās (slimnīca Galdakao) un kontrole (Cruces un Basurto slimnīca). Izlases lielums no katras slimnīcas vismaz 115 pacientiem (115 pacientiem intervences nozarē un 230 pacientiem kontroles nozarē). Pēcpārbaude 2 gadus. Piemēro uni un multivativary statistisko analīzi. (Latvian) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Vzhľadom na demografickú, zdravotnú a hospodársku situáciu sa zdá byť potrebné hľadať alternatívy k súčasnému modelu starostlivosti. Technológia musí byť podstatným základom pre túto zmenu. VŠEOBECNÝ CIEĽ: Určiť vplyv aplikácie systému umelej inteligencie (strojového učenia) v aktívnom telemonitorovacom programe pre pacientov s CHOCHP po opätovnom vstupe. Osobitné ciele: Určiť zmeny v: — Využívanie zdravotníckych zdrojov. — Kvalita života pacientov. Náklady. Pracovné zaťaženie. Denná klinická prax. Markery zápalu. METÓDY: Na základe programu telEPOC a pokračujúceho vývoja strojového učenia v tomto projekte, nerandomizovaná intervenčná štúdia s dvoma pobočkami: intervencia (nemocnica Galdakao) a kontrola (nemocnica Cruces a Basurto). Veľkosť vzorky najmenej 115 pacientov na nemocnicu (115 v intervenčnej vetve a 230 v kontrolnej vetve). Následná kontrola na 2 roky. Použijú sa uni a multivativárne štatistické analýzy. (Slovak)
Property / summary: Vzhľadom na demografickú, zdravotnú a hospodársku situáciu sa zdá byť potrebné hľadať alternatívy k súčasnému modelu starostlivosti. Technológia musí byť podstatným základom pre túto zmenu. VŠEOBECNÝ CIEĽ: Určiť vplyv aplikácie systému umelej inteligencie (strojového učenia) v aktívnom telemonitorovacom programe pre pacientov s CHOCHP po opätovnom vstupe. Osobitné ciele: Určiť zmeny v: — Využívanie zdravotníckych zdrojov. — Kvalita života pacientov. Náklady. Pracovné zaťaženie. Denná klinická prax. Markery zápalu. METÓDY: Na základe programu telEPOC a pokračujúceho vývoja strojového učenia v tomto projekte, nerandomizovaná intervenčná štúdia s dvoma pobočkami: intervencia (nemocnica Galdakao) a kontrola (nemocnica Cruces a Basurto). Veľkosť vzorky najmenej 115 pacientov na nemocnicu (115 v intervenčnej vetve a 230 v kontrolnej vetve). Následná kontrola na 2 roky. Použijú sa uni a multivativárne štatistické analýzy. (Slovak) / rank
 
Normal rank
Property / summary: Vzhľadom na demografickú, zdravotnú a hospodársku situáciu sa zdá byť potrebné hľadať alternatívy k súčasnému modelu starostlivosti. Technológia musí byť podstatným základom pre túto zmenu. VŠEOBECNÝ CIEĽ: Určiť vplyv aplikácie systému umelej inteligencie (strojového učenia) v aktívnom telemonitorovacom programe pre pacientov s CHOCHP po opätovnom vstupe. Osobitné ciele: Určiť zmeny v: — Využívanie zdravotníckych zdrojov. — Kvalita života pacientov. Náklady. Pracovné zaťaženie. Denná klinická prax. Markery zápalu. METÓDY: Na základe programu telEPOC a pokračujúceho vývoja strojového učenia v tomto projekte, nerandomizovaná intervenčná štúdia s dvoma pobočkami: intervencia (nemocnica Galdakao) a kontrola (nemocnica Cruces a Basurto). Veľkosť vzorky najmenej 115 pacientov na nemocnicu (115 v intervenčnej vetve a 230 v kontrolnej vetve). Následná kontrola na 2 roky. Použijú sa uni a multivativárne štatistické analýzy. (Slovak) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Mar gheall ar an staid dhéimeagrafach, sláinte agus eacnamaíoch is cosúil gur gá roghanna malartacha ar an tsamhail chúraim atá ann faoi láthair a lorg. Ní mór an teicneolaíocht a bheith mar bhonn substaintiúil don athrú sin. CUSPÓIR GINEARÁLTA: Tionchar chur i bhfeidhm córais intleachta saorga (Machine Learning) a chinneadh i gclár gníomhach teileamhonatóireachta le haghaidh othair COPD a athiontráil. Cuspóirí sonracha: Cinntigh na hathruithe i: —Acmhainní sláinte a úsáid. — Caighdeán saoil na n-othar. Costas. Ualach oibre. Cleachtas cliniciúil laethúil. Marcóirí athlasadh. MODHANNA: Bunaithe ar an gclár telEPOC agus forbairt leanúnach Machine Learning sa tionscadal seo, staidéar idirghabhála neamh-randomized, le dhá bhrainse: idirghabháil (ospidéal Galdakao) agus rialú (ospidéal Cruces agus Basurto). Samplamhéid 115 othar in aghaidh an ospidéil (115 sa bhrainse idirghabhála agus 230 othar sa bhrainse rialaithe). Obair leantach ar feadh 2 bhliain. Cuirfear anailísí staidrimh Uni agus ilvativary i bhfeidhm. (Irish)
Property / summary: Mar gheall ar an staid dhéimeagrafach, sláinte agus eacnamaíoch is cosúil gur gá roghanna malartacha ar an tsamhail chúraim atá ann faoi láthair a lorg. Ní mór an teicneolaíocht a bheith mar bhonn substaintiúil don athrú sin. CUSPÓIR GINEARÁLTA: Tionchar chur i bhfeidhm córais intleachta saorga (Machine Learning) a chinneadh i gclár gníomhach teileamhonatóireachta le haghaidh othair COPD a athiontráil. Cuspóirí sonracha: Cinntigh na hathruithe i: —Acmhainní sláinte a úsáid. — Caighdeán saoil na n-othar. Costas. Ualach oibre. Cleachtas cliniciúil laethúil. Marcóirí athlasadh. MODHANNA: Bunaithe ar an gclár telEPOC agus forbairt leanúnach Machine Learning sa tionscadal seo, staidéar idirghabhála neamh-randomized, le dhá bhrainse: idirghabháil (ospidéal Galdakao) agus rialú (ospidéal Cruces agus Basurto). Samplamhéid 115 othar in aghaidh an ospidéil (115 sa bhrainse idirghabhála agus 230 othar sa bhrainse rialaithe). Obair leantach ar feadh 2 bhliain. Cuirfear anailísí staidrimh Uni agus ilvativary i bhfeidhm. (Irish) / rank
 
Normal rank
Property / summary: Mar gheall ar an staid dhéimeagrafach, sláinte agus eacnamaíoch is cosúil gur gá roghanna malartacha ar an tsamhail chúraim atá ann faoi láthair a lorg. Ní mór an teicneolaíocht a bheith mar bhonn substaintiúil don athrú sin. CUSPÓIR GINEARÁLTA: Tionchar chur i bhfeidhm córais intleachta saorga (Machine Learning) a chinneadh i gclár gníomhach teileamhonatóireachta le haghaidh othair COPD a athiontráil. Cuspóirí sonracha: Cinntigh na hathruithe i: —Acmhainní sláinte a úsáid. — Caighdeán saoil na n-othar. Costas. Ualach oibre. Cleachtas cliniciúil laethúil. Marcóirí athlasadh. MODHANNA: Bunaithe ar an gclár telEPOC agus forbairt leanúnach Machine Learning sa tionscadal seo, staidéar idirghabhála neamh-randomized, le dhá bhrainse: idirghabháil (ospidéal Galdakao) agus rialú (ospidéal Cruces agus Basurto). Samplamhéid 115 othar in aghaidh an ospidéil (115 sa bhrainse idirghabhála agus 230 othar sa bhrainse rialaithe). Obair leantach ar feadh 2 bhliain. Cuirfear anailísí staidrimh Uni agus ilvativary i bhfeidhm. (Irish) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Vzhledem k demografické, zdravotní a hospodářské situaci se zdá být nezbytné hledat alternativy k současnému modelu péče. Zásadním základem této změny musí být technologie. OBECNÝ CÍL: Určete dopad aplikace systému umělé inteligence (Machine Learning) v aktivním telemonitorovacím programu pro pacienty s opětovným vstupem CHOPN. Specifické cíle: Určete změny v: — Využití zdravotnických prostředků. — Kvalita života pacientů. Náklady. Pracovní zátěž. Denní klinická praxe. Markery zánětu. METODY: Na základě programu telEPOC a pokračujícího rozvoje strojového učení v tomto projektu, nenáhodný intervenční studie se dvěma obory: intervence (nemocnice Galdakao) a kontrola (nemocnice Cruces a Basurto). Velikost vzorku nejméně 115 pacientů v nemocnici (115 v intervenční větvi a 230 v kontrolní větvi). Následná opatření po dobu 2 let. Použijí se statistické analýzy Uni a multivativární. (Czech)
Property / summary: Vzhledem k demografické, zdravotní a hospodářské situaci se zdá být nezbytné hledat alternativy k současnému modelu péče. Zásadním základem této změny musí být technologie. OBECNÝ CÍL: Určete dopad aplikace systému umělé inteligence (Machine Learning) v aktivním telemonitorovacím programu pro pacienty s opětovným vstupem CHOPN. Specifické cíle: Určete změny v: — Využití zdravotnických prostředků. — Kvalita života pacientů. Náklady. Pracovní zátěž. Denní klinická praxe. Markery zánětu. METODY: Na základě programu telEPOC a pokračujícího rozvoje strojového učení v tomto projektu, nenáhodný intervenční studie se dvěma obory: intervence (nemocnice Galdakao) a kontrola (nemocnice Cruces a Basurto). Velikost vzorku nejméně 115 pacientů v nemocnici (115 v intervenční větvi a 230 v kontrolní větvi). Následná opatření po dobu 2 let. Použijí se statistické analýzy Uni a multivativární. (Czech) / rank
 
Normal rank
Property / summary: Vzhledem k demografické, zdravotní a hospodářské situaci se zdá být nezbytné hledat alternativy k současnému modelu péče. Zásadním základem této změny musí být technologie. OBECNÝ CÍL: Určete dopad aplikace systému umělé inteligence (Machine Learning) v aktivním telemonitorovacím programu pro pacienty s opětovným vstupem CHOPN. Specifické cíle: Určete změny v: — Využití zdravotnických prostředků. — Kvalita života pacientů. Náklady. Pracovní zátěž. Denní klinická praxe. Markery zánětu. METODY: Na základě programu telEPOC a pokračujícího rozvoje strojového učení v tomto projektu, nenáhodný intervenční studie se dvěma obory: intervence (nemocnice Galdakao) a kontrola (nemocnice Cruces a Basurto). Velikost vzorku nejméně 115 pacientů v nemocnici (115 v intervenční větvi a 230 v kontrolní větvi). Následná opatření po dobu 2 let. Použijí se statistické analýzy Uni a multivativární. (Czech) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Tendo em conta a situação demográfica, sanitária e económica, afigura-se necessário procurar alternativas ao atual modelo de prestação de cuidados. A tecnologia deve ser a base substancial para esta mudança. OBJETIVO GERAL: Determinar o impacto da aplicação de um sistema de Inteligência Artificial (Machine Learning) num programa ativo de telemonitorização para doentes com DPOC de reentrada. Objetivos específicos: Determinar alterações em: — Utilização dos recursos de saúde. — Qualidade de vida dos doentes. Custo. Carga de trabalho. A prática clínica diária. Marcadores da inflamação. MÉTODOS: Com base no programa telEPOC e no desenvolvimento em curso da Aprendizagem Automática neste projeto, estudo de intervenção não aleatorizado, com dois ramos: intervenção (hospital Galdakao) e controlo (hospital de Cruces e Basurto). Dimensão da amostra de, pelo menos, 115 doentes por hospital (115 no ramo de intervenção e 230 no ramo de controlo). Acompanhamento durante 2 anos. Devem aplicar-se análises estatísticas uni e multivativares. (Portuguese)
Property / summary: Tendo em conta a situação demográfica, sanitária e económica, afigura-se necessário procurar alternativas ao atual modelo de prestação de cuidados. A tecnologia deve ser a base substancial para esta mudança. OBJETIVO GERAL: Determinar o impacto da aplicação de um sistema de Inteligência Artificial (Machine Learning) num programa ativo de telemonitorização para doentes com DPOC de reentrada. Objetivos específicos: Determinar alterações em: — Utilização dos recursos de saúde. — Qualidade de vida dos doentes. Custo. Carga de trabalho. A prática clínica diária. Marcadores da inflamação. MÉTODOS: Com base no programa telEPOC e no desenvolvimento em curso da Aprendizagem Automática neste projeto, estudo de intervenção não aleatorizado, com dois ramos: intervenção (hospital Galdakao) e controlo (hospital de Cruces e Basurto). Dimensão da amostra de, pelo menos, 115 doentes por hospital (115 no ramo de intervenção e 230 no ramo de controlo). Acompanhamento durante 2 anos. Devem aplicar-se análises estatísticas uni e multivativares. (Portuguese) / rank
 
Normal rank
Property / summary: Tendo em conta a situação demográfica, sanitária e económica, afigura-se necessário procurar alternativas ao atual modelo de prestação de cuidados. A tecnologia deve ser a base substancial para esta mudança. OBJETIVO GERAL: Determinar o impacto da aplicação de um sistema de Inteligência Artificial (Machine Learning) num programa ativo de telemonitorização para doentes com DPOC de reentrada. Objetivos específicos: Determinar alterações em: — Utilização dos recursos de saúde. — Qualidade de vida dos doentes. Custo. Carga de trabalho. A prática clínica diária. Marcadores da inflamação. MÉTODOS: Com base no programa telEPOC e no desenvolvimento em curso da Aprendizagem Automática neste projeto, estudo de intervenção não aleatorizado, com dois ramos: intervenção (hospital Galdakao) e controlo (hospital de Cruces e Basurto). Dimensão da amostra de, pelo menos, 115 doentes por hospital (115 no ramo de intervenção e 230 no ramo de controlo). Acompanhamento durante 2 anos. Devem aplicar-se análises estatísticas uni e multivativares. (Portuguese) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Arvestades demograafilist, tervislikku ja majanduslikku olukorda, tundub olevat vajalik otsida alternatiive praegusele hooldusmudelile. Tehnoloogia peab olema selle muutuse oluline alus. ÜLDEESMÄRK: Määrata kindlaks tehisintellekti (Machine Learning) süsteemi rakendamise mõju aktiivses telemonitooringu programmis KOK-patsientidele. Konkreetsed eesmärgid: Määrata kindlaks muutused järgmistes valdkondades: – Tervishoiuressursside kasutamine. – Patsientide elukvaliteet. Kulud. Töökoormus. Igapäevane kliiniline praktika. Põletiku markerid. MEETODID: Tuginedes telEPOC programmile ja masinaõppe jätkuvale arendamisele selles projektis, mitte-randodiseeritud sekkumisuuring, millel on kaks haru: sekkumine (haigla Galdakao) ja kontroll (Crucesi ja Basurto haigla). Valimi suurus on vähemalt 115 patsienti haigla kohta (115 patsienti sekkumisharus ja 230 patsienti kontrollharus). Järelmeetmed kaheks aastaks. Kohaldatakse ühtseid ja multivatiaarseid statistilisi analüüse. (Estonian)
Property / summary: Arvestades demograafilist, tervislikku ja majanduslikku olukorda, tundub olevat vajalik otsida alternatiive praegusele hooldusmudelile. Tehnoloogia peab olema selle muutuse oluline alus. ÜLDEESMÄRK: Määrata kindlaks tehisintellekti (Machine Learning) süsteemi rakendamise mõju aktiivses telemonitooringu programmis KOK-patsientidele. Konkreetsed eesmärgid: Määrata kindlaks muutused järgmistes valdkondades: – Tervishoiuressursside kasutamine. – Patsientide elukvaliteet. Kulud. Töökoormus. Igapäevane kliiniline praktika. Põletiku markerid. MEETODID: Tuginedes telEPOC programmile ja masinaõppe jätkuvale arendamisele selles projektis, mitte-randodiseeritud sekkumisuuring, millel on kaks haru: sekkumine (haigla Galdakao) ja kontroll (Crucesi ja Basurto haigla). Valimi suurus on vähemalt 115 patsienti haigla kohta (115 patsienti sekkumisharus ja 230 patsienti kontrollharus). Järelmeetmed kaheks aastaks. Kohaldatakse ühtseid ja multivatiaarseid statistilisi analüüse. (Estonian) / rank
 
Normal rank
Property / summary: Arvestades demograafilist, tervislikku ja majanduslikku olukorda, tundub olevat vajalik otsida alternatiive praegusele hooldusmudelile. Tehnoloogia peab olema selle muutuse oluline alus. ÜLDEESMÄRK: Määrata kindlaks tehisintellekti (Machine Learning) süsteemi rakendamise mõju aktiivses telemonitooringu programmis KOK-patsientidele. Konkreetsed eesmärgid: Määrata kindlaks muutused järgmistes valdkondades: – Tervishoiuressursside kasutamine. – Patsientide elukvaliteet. Kulud. Töökoormus. Igapäevane kliiniline praktika. Põletiku markerid. MEETODID: Tuginedes telEPOC programmile ja masinaõppe jätkuvale arendamisele selles projektis, mitte-randodiseeritud sekkumisuuring, millel on kaks haru: sekkumine (haigla Galdakao) ja kontroll (Crucesi ja Basurto haigla). Valimi suurus on vähemalt 115 patsienti haigla kohta (115 patsienti sekkumisharus ja 230 patsienti kontrollharus). Järelmeetmed kaheks aastaks. Kohaldatakse ühtseid ja multivatiaarseid statistilisi analüüse. (Estonian) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Tekintettel a demográfiai, egészségügyi és gazdasági helyzetre, szükségesnek tűnik a jelenlegi ellátási modell alternatíváinak keresése. Ennek a változásnak a lényeges alapját a technológiának kell képeznie. ÁLTALÁNOS CÉLKITŰZÉS: Határozza meg a mesterséges intelligencia (Machine Learning) rendszer alkalmazásának hatását egy aktív telemonitoring programban a COPD-betegek visszatérésére. Konkrét célkitűzések: Határozza meg a változásokat: – Az egészségügyi erőforrások felhasználása. – A betegek életminősége. Költség. Munkateher. Napi klinikai gyakorlat. Gyulladásjelzők. MÓDSZEREK: A telEPOC program és a gépi tanulás folyamatban lévő fejlesztése alapján ebben a projektben, nem randomizált beavatkozási tanulmány, két ággal: beavatkozás (kórház Galdakao) és ellenőrzés (Cruces és Basurto kórház). Kórházonként legalább 115 betegből álló mintanagyság (115 az intervenciós ágban és 230 beteg a kontrollágban). 2 évig tartó nyomon követés. Egységes és multivaivációs statisztikai elemzéseket kell alkalmazni. (Hungarian)
Property / summary: Tekintettel a demográfiai, egészségügyi és gazdasági helyzetre, szükségesnek tűnik a jelenlegi ellátási modell alternatíváinak keresése. Ennek a változásnak a lényeges alapját a technológiának kell képeznie. ÁLTALÁNOS CÉLKITŰZÉS: Határozza meg a mesterséges intelligencia (Machine Learning) rendszer alkalmazásának hatását egy aktív telemonitoring programban a COPD-betegek visszatérésére. Konkrét célkitűzések: Határozza meg a változásokat: – Az egészségügyi erőforrások felhasználása. – A betegek életminősége. Költség. Munkateher. Napi klinikai gyakorlat. Gyulladásjelzők. MÓDSZEREK: A telEPOC program és a gépi tanulás folyamatban lévő fejlesztése alapján ebben a projektben, nem randomizált beavatkozási tanulmány, két ággal: beavatkozás (kórház Galdakao) és ellenőrzés (Cruces és Basurto kórház). Kórházonként legalább 115 betegből álló mintanagyság (115 az intervenciós ágban és 230 beteg a kontrollágban). 2 évig tartó nyomon követés. Egységes és multivaivációs statisztikai elemzéseket kell alkalmazni. (Hungarian) / rank
 
Normal rank
Property / summary: Tekintettel a demográfiai, egészségügyi és gazdasági helyzetre, szükségesnek tűnik a jelenlegi ellátási modell alternatíváinak keresése. Ennek a változásnak a lényeges alapját a technológiának kell képeznie. ÁLTALÁNOS CÉLKITŰZÉS: Határozza meg a mesterséges intelligencia (Machine Learning) rendszer alkalmazásának hatását egy aktív telemonitoring programban a COPD-betegek visszatérésére. Konkrét célkitűzések: Határozza meg a változásokat: – Az egészségügyi erőforrások felhasználása. – A betegek életminősége. Költség. Munkateher. Napi klinikai gyakorlat. Gyulladásjelzők. MÓDSZEREK: A telEPOC program és a gépi tanulás folyamatban lévő fejlesztése alapján ebben a projektben, nem randomizált beavatkozási tanulmány, két ággal: beavatkozás (kórház Galdakao) és ellenőrzés (Cruces és Basurto kórház). Kórházonként legalább 115 betegből álló mintanagyság (115 az intervenciós ágban és 230 beteg a kontrollágban). 2 évig tartó nyomon követés. Egységes és multivaivációs statisztikai elemzéseket kell alkalmazni. (Hungarian) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Като се има предвид демографското, здравното и икономическото положение, изглежда необходимо да се търсят алтернативи на настоящия модел на предоставяне на грижи. Технологията трябва да бъде съществената основа за тази промяна. ОБЩА ЦЕЛ: Определете въздействието от прилагането на система за изкуствен интелект (машинно обучение) в активна програма за телемониторинг за пациенти с ХОББ при повторно въвеждане. Специфични цели: Определяне на промените в: — Използване на здравни ресурси. Качеството на живот на пациентите. Разходи. Работно натоварване. Ежедневна клинична практика. Маркери на възпалението. МЕТОДИ: Въз основа на програмата telEPOC и текущото развитие на машинното обучение в този проект, нерандомизирано интервенционно проучване с два клона: интервенция (болница Galdakao) и контрол (болница Cruces и Basurto). Размер на извадката от най-малко 115 пациенти в болница (115 в интервенционния клон и 230 в контролния клон). Последващи действия в продължение на 2 години. Прилагат се едно- и мултивативарни статистически анализи. (Bulgarian)
Property / summary: Като се има предвид демографското, здравното и икономическото положение, изглежда необходимо да се търсят алтернативи на настоящия модел на предоставяне на грижи. Технологията трябва да бъде съществената основа за тази промяна. ОБЩА ЦЕЛ: Определете въздействието от прилагането на система за изкуствен интелект (машинно обучение) в активна програма за телемониторинг за пациенти с ХОББ при повторно въвеждане. Специфични цели: Определяне на промените в: — Използване на здравни ресурси. Качеството на живот на пациентите. Разходи. Работно натоварване. Ежедневна клинична практика. Маркери на възпалението. МЕТОДИ: Въз основа на програмата telEPOC и текущото развитие на машинното обучение в този проект, нерандомизирано интервенционно проучване с два клона: интервенция (болница Galdakao) и контрол (болница Cruces и Basurto). Размер на извадката от най-малко 115 пациенти в болница (115 в интервенционния клон и 230 в контролния клон). Последващи действия в продължение на 2 години. Прилагат се едно- и мултивативарни статистически анализи. (Bulgarian) / rank
 
Normal rank
Property / summary: Като се има предвид демографското, здравното и икономическото положение, изглежда необходимо да се търсят алтернативи на настоящия модел на предоставяне на грижи. Технологията трябва да бъде съществената основа за тази промяна. ОБЩА ЦЕЛ: Определете въздействието от прилагането на система за изкуствен интелект (машинно обучение) в активна програма за телемониторинг за пациенти с ХОББ при повторно въвеждане. Специфични цели: Определяне на промените в: — Използване на здравни ресурси. Качеството на живот на пациентите. Разходи. Работно натоварване. Ежедневна клинична практика. Маркери на възпалението. МЕТОДИ: Въз основа на програмата telEPOC и текущото развитие на машинното обучение в този проект, нерандомизирано интервенционно проучване с два клона: интервенция (болница Galdakao) и контрол (болница Cruces и Basurto). Размер на извадката от най-малко 115 пациенти в болница (115 в интервенционния клон и 230 в контролния клон). Последващи действия в продължение на 2 години. Прилагат се едно- и мултивативарни статистически анализи. (Bulgarian) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Atsižvelgiant į demografinę, sveikatos ir ekonominę padėtį, atrodo būtina ieškoti alternatyvų dabartiniam priežiūros modeliui. Technologijos turi būti esminis šių pokyčių pagrindas. BENDRASIS TIKSLAS: Nustatykite dirbtinio intelekto (Machine Learning) sistemos taikymo poveikį aktyvioje nuotolinio stebėjimo programoje, skirtoje LOPL sergantiems pacientams. Konkretūs tikslai: Nustatykite pokyčius: – Sveikatos išteklių naudojimas. – Pacientų gyvenimo kokybė. Savikaina. Darbo krūvis. Kasdieninė klinikinė praktika. Uždegimo žymenys. METODAI: Remiantis telEPOC programa ir šiuo metu šiame projekte vykstančiu mašininio mokymosi vystymu, neatsitiktinis intervencinis tyrimas, apimantis dvi sritis: intervencija (ligoninė Galdakao) ir kontrolė (Cruces ir Basurto ligoninė). Imtį sudaro ne mažiau kaip 115 pacientų vienoje ligoninėje (115 pacientų intervencinėje srityje ir 230 pacientų kontrolinėje atšakoje). Tolesni veiksmai 2 metus. Taikomos uni ir multivativinės statistinės analizės. (Lithuanian)
Property / summary: Atsižvelgiant į demografinę, sveikatos ir ekonominę padėtį, atrodo būtina ieškoti alternatyvų dabartiniam priežiūros modeliui. Technologijos turi būti esminis šių pokyčių pagrindas. BENDRASIS TIKSLAS: Nustatykite dirbtinio intelekto (Machine Learning) sistemos taikymo poveikį aktyvioje nuotolinio stebėjimo programoje, skirtoje LOPL sergantiems pacientams. Konkretūs tikslai: Nustatykite pokyčius: – Sveikatos išteklių naudojimas. – Pacientų gyvenimo kokybė. Savikaina. Darbo krūvis. Kasdieninė klinikinė praktika. Uždegimo žymenys. METODAI: Remiantis telEPOC programa ir šiuo metu šiame projekte vykstančiu mašininio mokymosi vystymu, neatsitiktinis intervencinis tyrimas, apimantis dvi sritis: intervencija (ligoninė Galdakao) ir kontrolė (Cruces ir Basurto ligoninė). Imtį sudaro ne mažiau kaip 115 pacientų vienoje ligoninėje (115 pacientų intervencinėje srityje ir 230 pacientų kontrolinėje atšakoje). Tolesni veiksmai 2 metus. Taikomos uni ir multivativinės statistinės analizės. (Lithuanian) / rank
 
Normal rank
Property / summary: Atsižvelgiant į demografinę, sveikatos ir ekonominę padėtį, atrodo būtina ieškoti alternatyvų dabartiniam priežiūros modeliui. Technologijos turi būti esminis šių pokyčių pagrindas. BENDRASIS TIKSLAS: Nustatykite dirbtinio intelekto (Machine Learning) sistemos taikymo poveikį aktyvioje nuotolinio stebėjimo programoje, skirtoje LOPL sergantiems pacientams. Konkretūs tikslai: Nustatykite pokyčius: – Sveikatos išteklių naudojimas. – Pacientų gyvenimo kokybė. Savikaina. Darbo krūvis. Kasdieninė klinikinė praktika. Uždegimo žymenys. METODAI: Remiantis telEPOC programa ir šiuo metu šiame projekte vykstančiu mašininio mokymosi vystymu, neatsitiktinis intervencinis tyrimas, apimantis dvi sritis: intervencija (ligoninė Galdakao) ir kontrolė (Cruces ir Basurto ligoninė). Imtį sudaro ne mažiau kaip 115 pacientų vienoje ligoninėje (115 pacientų intervencinėje srityje ir 230 pacientų kontrolinėje atšakoje). Tolesni veiksmai 2 metus. Taikomos uni ir multivativinės statistinės analizės. (Lithuanian) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
S obzirom na demografsku, zdravstvenu i gospodarsku situaciju potrebno je pronaći alternative trenutačnom modelu skrbi. Tehnologija mora biti bitna osnova za tu promjenu. OPĆI CILJ: Utvrditi utjecaj primjene sustava umjetne inteligencije (učenje strojeva) u aktivnom programu telemonitoringa za pacijente koji ponovno ulaze u KOPB. Posebni ciljevi: Odredite promjene u: — Korištenje zdravstvenih resursa. — Kvaliteta života pacijenata. Trošak. Radno opterećenje. Svakodnevna klinička praksa. Markeri upale. METODE: Na temelju programa telEPOC i kontinuiranog razvoja strojnog učenja u ovom projektu, nerandomizirana interventna studija, s dvije grane: intervencija (bolnica Galdakao) i kontrola (bolnica Cruces i Basurto). Veličina uzorka od najmanje 115 bolesnika po bolnici (115 u interventnoj grani i 230 u kontrolnoj grani). Daljnje mjere za dvije godine. Primjenjuju se jedinstvene i multivativarne statističke analize. (Croatian)
Property / summary: S obzirom na demografsku, zdravstvenu i gospodarsku situaciju potrebno je pronaći alternative trenutačnom modelu skrbi. Tehnologija mora biti bitna osnova za tu promjenu. OPĆI CILJ: Utvrditi utjecaj primjene sustava umjetne inteligencije (učenje strojeva) u aktivnom programu telemonitoringa za pacijente koji ponovno ulaze u KOPB. Posebni ciljevi: Odredite promjene u: — Korištenje zdravstvenih resursa. — Kvaliteta života pacijenata. Trošak. Radno opterećenje. Svakodnevna klinička praksa. Markeri upale. METODE: Na temelju programa telEPOC i kontinuiranog razvoja strojnog učenja u ovom projektu, nerandomizirana interventna studija, s dvije grane: intervencija (bolnica Galdakao) i kontrola (bolnica Cruces i Basurto). Veličina uzorka od najmanje 115 bolesnika po bolnici (115 u interventnoj grani i 230 u kontrolnoj grani). Daljnje mjere za dvije godine. Primjenjuju se jedinstvene i multivativarne statističke analize. (Croatian) / rank
 
Normal rank
Property / summary: S obzirom na demografsku, zdravstvenu i gospodarsku situaciju potrebno je pronaći alternative trenutačnom modelu skrbi. Tehnologija mora biti bitna osnova za tu promjenu. OPĆI CILJ: Utvrditi utjecaj primjene sustava umjetne inteligencije (učenje strojeva) u aktivnom programu telemonitoringa za pacijente koji ponovno ulaze u KOPB. Posebni ciljevi: Odredite promjene u: — Korištenje zdravstvenih resursa. — Kvaliteta života pacijenata. Trošak. Radno opterećenje. Svakodnevna klinička praksa. Markeri upale. METODE: Na temelju programa telEPOC i kontinuiranog razvoja strojnog učenja u ovom projektu, nerandomizirana interventna studija, s dvije grane: intervencija (bolnica Galdakao) i kontrola (bolnica Cruces i Basurto). Veličina uzorka od najmanje 115 bolesnika po bolnici (115 u interventnoj grani i 230 u kontrolnoj grani). Daljnje mjere za dvije godine. Primjenjuju se jedinstvene i multivativarne statističke analize. (Croatian) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Med tanke på den demografiska, hälsomässiga och ekonomiska situationen förefaller det nödvändigt att söka efter alternativ till den nuvarande vårdmodellen. Tekniken måste utgöra den huvudsakliga grunden för denna förändring. ALLMÄNT MÅL: Bestäm effekterna av tillämpningen av ett system för artificiell intelligens (Machine Learning) i ett aktivt program för fjärrövervakning för återinträde i KOL-patienter. Särskilda mål: Bestäm ändringar i: — Användning av hälso- och sjukvårdsresurser. — Patienternas livskvalitet. Kostnad. Arbetsbelastning. Daglig klinisk praktik. Markörer för inflammation. METODER: Baserat på telEPOC-programmet och den pågående utvecklingen av maskininlärning i detta projekt, icke-randomiserad interventionsstudie, med två grenar: intervention (sjukhuset Galdakao) och kontroll (sjukhuset för korsningar och Basurto). Urvalsstorlek på minst 115 patienter per sjukhus (115 i interventionsgrenen och 230 i kontrollavdelningen). Uppföljning i 2 år. Statistiska analyser av uni och multivativary ska tillämpas. (Swedish)
Property / summary: Med tanke på den demografiska, hälsomässiga och ekonomiska situationen förefaller det nödvändigt att söka efter alternativ till den nuvarande vårdmodellen. Tekniken måste utgöra den huvudsakliga grunden för denna förändring. ALLMÄNT MÅL: Bestäm effekterna av tillämpningen av ett system för artificiell intelligens (Machine Learning) i ett aktivt program för fjärrövervakning för återinträde i KOL-patienter. Särskilda mål: Bestäm ändringar i: — Användning av hälso- och sjukvårdsresurser. — Patienternas livskvalitet. Kostnad. Arbetsbelastning. Daglig klinisk praktik. Markörer för inflammation. METODER: Baserat på telEPOC-programmet och den pågående utvecklingen av maskininlärning i detta projekt, icke-randomiserad interventionsstudie, med två grenar: intervention (sjukhuset Galdakao) och kontroll (sjukhuset för korsningar och Basurto). Urvalsstorlek på minst 115 patienter per sjukhus (115 i interventionsgrenen och 230 i kontrollavdelningen). Uppföljning i 2 år. Statistiska analyser av uni och multivativary ska tillämpas. (Swedish) / rank
 
Normal rank
Property / summary: Med tanke på den demografiska, hälsomässiga och ekonomiska situationen förefaller det nödvändigt att söka efter alternativ till den nuvarande vårdmodellen. Tekniken måste utgöra den huvudsakliga grunden för denna förändring. ALLMÄNT MÅL: Bestäm effekterna av tillämpningen av ett system för artificiell intelligens (Machine Learning) i ett aktivt program för fjärrövervakning för återinträde i KOL-patienter. Särskilda mål: Bestäm ändringar i: — Användning av hälso- och sjukvårdsresurser. — Patienternas livskvalitet. Kostnad. Arbetsbelastning. Daglig klinisk praktik. Markörer för inflammation. METODER: Baserat på telEPOC-programmet och den pågående utvecklingen av maskininlärning i detta projekt, icke-randomiserad interventionsstudie, med två grenar: intervention (sjukhuset Galdakao) och kontroll (sjukhuset för korsningar och Basurto). Urvalsstorlek på minst 115 patienter per sjukhus (115 i interventionsgrenen och 230 i kontrollavdelningen). Uppföljning i 2 år. Statistiska analyser av uni och multivativary ska tillämpas. (Swedish) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Având în vedere situația demografică, de sănătate și economică, pare necesar să se caute alternative la modelul actual de îngrijire. Tehnologia trebuie să constituie baza substanțială a acestei schimbări. OBIECTIV GENERAL: Determinarea impactului aplicării unui sistem de inteligență artificială (învățare automată) într-un program de telemonitorizare activă pentru pacienții cu BPOC reintrare. Obiective specifice: Determinați modificările în: Utilizarea resurselor de sănătate. Calitatea vieții pacienților. Costul. Încărcătura de muncă. Practica clinică zilnică. Markeri de inflamație. METODE: Bazat pe programul telEPOC și dezvoltarea continuă a Machine Learning în acest proiect, studiu de intervenție nerandomizat, cu două ramuri: intervenție (spital Galdakao) și control (spitalul Cruces și Basurto). Dimensiunea eșantionului de cel puțin 115 pacienți per spital (115 în ramura de intervenție și 230 în ramura de control). Monitorizare timp de 2 ani. Se aplică analize statistice uni și multiivative. (Romanian)
Property / summary: Având în vedere situația demografică, de sănătate și economică, pare necesar să se caute alternative la modelul actual de îngrijire. Tehnologia trebuie să constituie baza substanțială a acestei schimbări. OBIECTIV GENERAL: Determinarea impactului aplicării unui sistem de inteligență artificială (învățare automată) într-un program de telemonitorizare activă pentru pacienții cu BPOC reintrare. Obiective specifice: Determinați modificările în: Utilizarea resurselor de sănătate. Calitatea vieții pacienților. Costul. Încărcătura de muncă. Practica clinică zilnică. Markeri de inflamație. METODE: Bazat pe programul telEPOC și dezvoltarea continuă a Machine Learning în acest proiect, studiu de intervenție nerandomizat, cu două ramuri: intervenție (spital Galdakao) și control (spitalul Cruces și Basurto). Dimensiunea eșantionului de cel puțin 115 pacienți per spital (115 în ramura de intervenție și 230 în ramura de control). Monitorizare timp de 2 ani. Se aplică analize statistice uni și multiivative. (Romanian) / rank
 
Normal rank
Property / summary: Având în vedere situația demografică, de sănătate și economică, pare necesar să se caute alternative la modelul actual de îngrijire. Tehnologia trebuie să constituie baza substanțială a acestei schimbări. OBIECTIV GENERAL: Determinarea impactului aplicării unui sistem de inteligență artificială (învățare automată) într-un program de telemonitorizare activă pentru pacienții cu BPOC reintrare. Obiective specifice: Determinați modificările în: Utilizarea resurselor de sănătate. Calitatea vieții pacienților. Costul. Încărcătura de muncă. Practica clinică zilnică. Markeri de inflamație. METODE: Bazat pe programul telEPOC și dezvoltarea continuă a Machine Learning în acest proiect, studiu de intervenție nerandomizat, cu două ramuri: intervenție (spital Galdakao) și control (spitalul Cruces și Basurto). Dimensiunea eșantionului de cel puțin 115 pacienți per spital (115 în ramura de intervenție și 230 în ramura de control). Monitorizare timp de 2 ani. Se aplică analize statistice uni și multiivative. (Romanian) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Glede na demografske, zdravstvene in gospodarske razmere se zdi nujno poiskati alternative sedanjemu modelu oskrbe. Tehnologija mora biti bistvena podlaga za to spremembo. SPLOŠNI CILJ: Določiti učinek uporabe sistema umetne inteligence (učenja stroja) v aktivnem programu za telemonitoring za bolnike s KOPB. Posebni cilji: Določite spremembe v: — Uporaba zdravstvenih virov. — Kakovost življenja bolnikov. Stroški. Delovna obremenitev. Dnevna klinična praksa. Označevalci vnetja. METODE: Na podlagi programa telEPOC in stalnega razvoja strojnega učenja v tem projektu, nenaključne intervencijske študije z dvema vejama: intervencija (bolnišnica Galdakao) in nadzor (bolnišnica Cruces in Basurto). Velikost vzorca najmanj 115 bolnikov na bolnišnico (115 v intervencijski veji in 230 v kontrolni veji). Nadaljnje spremljanje za dve leti. Uporabijo se statistične analize uni in multivativary. (Slovenian)
Property / summary: Glede na demografske, zdravstvene in gospodarske razmere se zdi nujno poiskati alternative sedanjemu modelu oskrbe. Tehnologija mora biti bistvena podlaga za to spremembo. SPLOŠNI CILJ: Določiti učinek uporabe sistema umetne inteligence (učenja stroja) v aktivnem programu za telemonitoring za bolnike s KOPB. Posebni cilji: Določite spremembe v: — Uporaba zdravstvenih virov. — Kakovost življenja bolnikov. Stroški. Delovna obremenitev. Dnevna klinična praksa. Označevalci vnetja. METODE: Na podlagi programa telEPOC in stalnega razvoja strojnega učenja v tem projektu, nenaključne intervencijske študije z dvema vejama: intervencija (bolnišnica Galdakao) in nadzor (bolnišnica Cruces in Basurto). Velikost vzorca najmanj 115 bolnikov na bolnišnico (115 v intervencijski veji in 230 v kontrolni veji). Nadaljnje spremljanje za dve leti. Uporabijo se statistične analize uni in multivativary. (Slovenian) / rank
 
Normal rank
Property / summary: Glede na demografske, zdravstvene in gospodarske razmere se zdi nujno poiskati alternative sedanjemu modelu oskrbe. Tehnologija mora biti bistvena podlaga za to spremembo. SPLOŠNI CILJ: Določiti učinek uporabe sistema umetne inteligence (učenja stroja) v aktivnem programu za telemonitoring za bolnike s KOPB. Posebni cilji: Določite spremembe v: — Uporaba zdravstvenih virov. — Kakovost življenja bolnikov. Stroški. Delovna obremenitev. Dnevna klinična praksa. Označevalci vnetja. METODE: Na podlagi programa telEPOC in stalnega razvoja strojnega učenja v tem projektu, nenaključne intervencijske študije z dvema vejama: intervencija (bolnišnica Galdakao) in nadzor (bolnišnica Cruces in Basurto). Velikost vzorca najmanj 115 bolnikov na bolnišnico (115 v intervencijski veji in 230 v kontrolni veji). Nadaljnje spremljanje za dve leti. Uporabijo se statistične analize uni in multivativary. (Slovenian) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / summary
 
Biorąc pod uwagę sytuację demograficzną, zdrowotną i gospodarczą, konieczne wydaje się poszukiwanie alternatyw dla obecnego modelu opieki. Istotną podstawą tej zmiany musi być technologia. CEL OGÓLNY: Określić wpływ zastosowania systemu sztucznej inteligencji (Machine Learning) w aktywnym programie telemonitoringowym dla pacjentów z POChP. Cele szczegółowe: Określić zmiany w: — Wykorzystanie zasobów zdrowotnych. — Jakość życia pacjentów. Koszt. Obciążenie pracą. Codzienna praktyka kliniczna. Markery zapalenia. METODY: W oparciu o program telEPOC i ciągły rozwój Machine Learning w tym projekcie, nierandomizowane badanie interwencyjne, z dwoma gałęziami: interwencja (szpital Galdakao) i kontrola (szpital Cruces i Basurto). Liczebność próby wynosząca co najmniej 115 pacjentów na szpital (115 w oddziale interwencyjnym i 230 w oddziale kontrolnym). Działania następcze przez 2 lata. Stosuje się analizy statystyczne uni i multivativary. (Polish)
Property / summary: Biorąc pod uwagę sytuację demograficzną, zdrowotną i gospodarczą, konieczne wydaje się poszukiwanie alternatyw dla obecnego modelu opieki. Istotną podstawą tej zmiany musi być technologia. CEL OGÓLNY: Określić wpływ zastosowania systemu sztucznej inteligencji (Machine Learning) w aktywnym programie telemonitoringowym dla pacjentów z POChP. Cele szczegółowe: Określić zmiany w: — Wykorzystanie zasobów zdrowotnych. — Jakość życia pacjentów. Koszt. Obciążenie pracą. Codzienna praktyka kliniczna. Markery zapalenia. METODY: W oparciu o program telEPOC i ciągły rozwój Machine Learning w tym projekcie, nierandomizowane badanie interwencyjne, z dwoma gałęziami: interwencja (szpital Galdakao) i kontrola (szpital Cruces i Basurto). Liczebność próby wynosząca co najmniej 115 pacjentów na szpital (115 w oddziale interwencyjnym i 230 w oddziale kontrolnym). Działania następcze przez 2 lata. Stosuje się analizy statystyczne uni i multivativary. (Polish) / rank
 
Normal rank
Property / summary: Biorąc pod uwagę sytuację demograficzną, zdrowotną i gospodarczą, konieczne wydaje się poszukiwanie alternatyw dla obecnego modelu opieki. Istotną podstawą tej zmiany musi być technologia. CEL OGÓLNY: Określić wpływ zastosowania systemu sztucznej inteligencji (Machine Learning) w aktywnym programie telemonitoringowym dla pacjentów z POChP. Cele szczegółowe: Określić zmiany w: — Wykorzystanie zasobów zdrowotnych. — Jakość życia pacjentów. Koszt. Obciążenie pracą. Codzienna praktyka kliniczna. Markery zapalenia. METODY: W oparciu o program telEPOC i ciągły rozwój Machine Learning w tym projekcie, nierandomizowane badanie interwencyjne, z dwoma gałęziami: interwencja (szpital Galdakao) i kontrola (szpital Cruces i Basurto). Liczebność próby wynosząca co najmniej 115 pacjentów na szpital (115 w oddziale interwencyjnym i 230 w oddziale kontrolnym). Działania następcze przez 2 lata. Stosuje się analizy statystyczne uni i multivativary. (Polish) / qualifier
 
point in time: 17 August 2022
Timestamp+2022-08-17T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / location (string)
 
Galdakao
Property / location (string): Galdakao / rank
 
Normal rank
Property / coordinate location
 
43°13'59.74"N, 2°50'43.22"W
Latitude43.2332639
Longitude-2.8453385
Precision1.0E-5
Globehttp://www.wikidata.org/entity/Q2
Property / coordinate location: 43°13'59.74"N, 2°50'43.22"W / rank
 
Normal rank
Property / coordinate location: 43°13'59.74"N, 2°50'43.22"W / qualifier
 
Property / contained in NUTS
 
Property / contained in NUTS: Biscay / rank
 
Normal rank
Property / budget
 
71,000.0 Euro
Amount71,000.0 Euro
UnitEuro
Property / budget: 71,000.0 Euro / rank
 
Preferred rank
Property / EU contribution
 
38,659.5 Euro
Amount38,659.5 Euro
UnitEuro
Property / EU contribution: 38,659.5 Euro / rank
 
Preferred rank
Property / co-financing rate
 
54.45 percent
Amount54.45 percent
Unitpercent
Property / co-financing rate: 54.45 percent / rank
 
Normal rank
Property / date of last update
 
20 December 2023
Timestamp+2023-12-20T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / date of last update: 20 December 2023 / rank
 
Normal rank

Latest revision as of 10:30, 8 October 2024

Project Q3149379 in Spain
Language Label Description Also known as
English
Impact of Artificial Intelligence (Machine Learning) on a telemonitoring program for re-entry COPD patients (telEPOC)
Project Q3149379 in Spain

    Statements

    contained in NUTS
    Biscay
    0 references
    country
    Spain
    0 references
    EU contribution
    38,659.5 Euro
    0 references
    budget
    71,000.0 Euro
    0 references
    co-financing rate
    54.45 percent
    0 references
    start time
    1 January 2019
    0 references
    end time
    31 March 2022
    0 references
    beneficiary name (string)
    ASOCIACION INSTITUTO DE INVESTIGACION SANITARIA BIOCRUCES
    0 references
    beneficiary
    Q3134851
    0 references
    coordinate location

    43°13'59.74"N, 2°50'43.22"W
    inferred from
    location
    0 references
    summary
    Dada la situación demográfica, sanitaria y económica parece obligado buscar alternativas al modelo asistencial actual. La tecnología debe ser el punto de apoyo substancial en este cambio. OBJETIVO GENERAL: Determinar el impacto que produce la aplicación de un sistema de Inteligencia Artificial (Machine Learning) en un programa activo de telemonitorización de pacientes EPOC reingresadores. Objetivos concretos: Determinar los cambios en: - Utilización de recursos sanitarios. - La calidad de vida de los pacientes. -Costes. -Carga de trabajo. -Práctica clínica diaria. -Marcadores de inflamación. MÉTODOS: Basado en el programa telEPOC y en el desarrollo que se está llevando a cabo de Machine Learning en este proyecto, estudio de intervención no aleatorizado, con dos ramas: intervención (hospital Galdakao) y control (hospital de Cruces y de Basurto). Tamaño muestral de al menos 115 pacientes por hospital (115 en la rama intervención y 230 en la rama control). Seguimiento durante 2 años. Se aplicarán análisis estadísticos uni y multivativariales. (Spanish)
    0 references
    Given the demographic, health and economic situation it seems necessary to look for alternatives to the current care model. Technology must be the substantial basis for this change. GENERAL OBJECTIVE: Determine the impact of the application of an Artificial Intelligence (Machine Learning) system in an active telemonitoring program for re-entry COPD patients. Specific objectives: Determine changes in: — Use of health resources. — The quality of life of patients. Cost. Work load. Daily clinical practice. Markers of inflammation. METHODS: Based on the telEPOC program and the ongoing development of Machine Learning in this project, non-randomised intervention study, with two branches: intervention (hospital Galdakao) and control (hospital of Cruces and Basurto). Sample size of at least 115 patients per hospital (115 in the intervention branch and 230 in the control branch). Follow-up for 2 years. Uni and multivativary statistical analyses shall be applied. (English)
    point in time
    12 October 2021
    readability score
    0.6892440705104284
    0 references
    Compte tenu de la situation démographique, sanitaire et économique, il semble nécessaire de rechercher des alternatives au modèle de soins actuel. La technologie doit être la base substantielle de ce changement. OBJECTIF GÉNÉRAL: Déterminer l’impact de l’application d’un système d’intelligence artificielle (Machine Learning) dans un programme de télésurveillance actif pour les patients atteints de BPCO. Objectifs spécifiques: Déterminer les changements dans: — Utilisation des ressources de santé. — La qualité de vie des patients. Le coût. Charge de travail. Pratique clinique quotidienne. Marqueurs d’inflammation. MÉTHODES: D’après le programme telEPOC et le développement continu de l’apprentissage automatique dans ce projet, une étude d’intervention non randomisée, avec deux directions générales: intervention (hôpital Galdakao) et contrôle (hôpital de Cruces et Basurto). Taille de l’échantillon d’au moins 115 patients par hôpital (115 dans la branche d’intervention et 230 dans la branche témoin). Suivi pendant 2 ans. Des analyses statistiques uni et multivativary sont appliquées. (French)
    point in time
    2 December 2021
    0 references
    Angesichts der demografischen, gesundheitlichen und wirtschaftlichen Lage erscheint es notwendig, Alternativen zum derzeitigen Pflegemodell zu suchen. Die Technologie muss die wesentliche Grundlage für diesen Wandel sein. ALLGEMEINES ZIEL: Bestimmen Sie die Auswirkungen der Anwendung eines Systems der künstlichen Intelligenz (Machine Learning) in einem aktiven Telemonitoring-Programm für die Wiedereinreise COPD-Patienten. Spezifische Ziele: Bestimmen Sie Änderungen in: — Verwendung von Gesundheitsressourcen. — Die Lebensqualität der Patienten. Kosten. Arbeitslast. Tägliche klinische Praxis. Marker der Entzündung. METHODEN: Basierend auf dem telEPOC-Programm und der laufenden Entwicklung von Machine Learning in diesem Projekt, nicht-randomisierte Interventionsstudie, mit zwei Zweigen: Intervention (Krankenhaus Galdakao) und Kontrolle (Krankenhaus und Basurto). Stichprobenumfang von mindestens 115 Patienten pro Krankenhaus (115 im Interventionsbereich und 230 im Kontrollbereich). Follow-up für 2 Jahre. Es sind uni- und multivativäre statistische Analysen durchzuführen. (German)
    point in time
    9 December 2021
    0 references
    Gezien de demografische, gezondheids- en economische situatie lijkt het noodzakelijk te zoeken naar alternatieven voor het huidige zorgmodel. Technologie moet de basis vormen voor deze verandering. ALGEMENE DOELSTELLING: Bepaal de impact van de toepassing van een Artificial Intelligence (Machine Learning) systeem in een actief telemonitoringprogramma voor re-entry COPD-patiënten. Specifieke doelstellingen: Bepaal veranderingen in: — Gebruik van gezondheidshulpbronnen. — De kwaliteit van leven van patiënten. De kosten. Werkbelasting. Dagelijkse klinische praktijk. Markers van ontstekingen. METHODEN: Op basis van het telEPOC-programma en de voortdurende ontwikkeling van Machine Learning in dit project, niet-gerandomiseerde interventiestudie, met twee branches: interventie (ziekenhuis Galdakao) en controle (ziekenhuis van Cruces en Basurto). Steekproefgrootte van ten minste 115 patiënten per ziekenhuis (115 in de interventietak en 230 in de controletak). Follow-up voor 2 jaar. Uni- en multivativaire statistische analyses worden toegepast. (Dutch)
    point in time
    17 December 2021
    0 references
    Data la situazione demografica, sanitaria ed economica, sembra necessario cercare alternative all'attuale modello di assistenza. La tecnologia deve costituire la base sostanziale di questo cambiamento. OBIETTIVO GENERALE: Determinare l'impatto dell'applicazione di un sistema di Intelligenza Artificiale (Machine Learning) in un programma di telemonitoraggio attivo per i pazienti di rientro in BPCO. Obiettivi specifici: Determinare le modifiche in: — Uso delle risorse sanitarie. — La qualità della vita dei pazienti. Costo. Carico di lavoro. Pratica clinica quotidiana. Marcatori di infiammazione. METODI: Basato sul programma telEPOC e sullo sviluppo in corso del Machine Learning in questo progetto, studio di intervento non randomizzato, con due rami: intervento (ospedale Galdakao) e controllo (ospedale di Cruces e Basurto). Dimensione del campione di almeno 115 pazienti per ospedale (115 nel ramo di intervento e 230 nel ramo di controllo). Follow-up per 2 anni. Si applicano analisi statistiche uni e multivativarie. (Italian)
    point in time
    16 January 2022
    0 references
    Δεδομένης της δημογραφικής, υγειονομικής και οικονομικής κατάστασης, φαίνεται αναγκαίο να αναζητήσουμε εναλλακτικές λύσεις στο σημερινό μοντέλο περίθαλψης. Η τεχνολογία πρέπει να αποτελέσει την ουσιαστική βάση αυτής της αλλαγής. ΓΕΝΙΚΌΣ ΣΤΌΧΟΣ: Προσδιορισμός των επιπτώσεων της εφαρμογής ενός συστήματος τεχνητής νοημοσύνης (Machine Learning) σε ένα ενεργό πρόγραμμα τηλεπαρακολούθησης για ασθενείς με ΧΑΠ επανεισόδου. Ειδικοί στόχοι: Καθορισμός αλλαγών σε: — Χρήση των πόρων υγείας. — Η ποιότητα ζωής των ασθενών. Κόστος. Το φορτίο της δουλειάς. Καθημερινή κλινική πρακτική. Δείκτες φλεγμονής. ΜΈΘΟΔΟΙ: Με βάση το πρόγραμμα telEPOC και τη συνεχή ανάπτυξη της Μηχανικής Μάθησης σε αυτό το έργο, μη τυχαιοποιημένη μελέτη παρέμβασης, με δύο κλάδους: παρέμβαση (νοσοκομείο Galdakao) και έλεγχος (νοσοκομείο Cruces και Basurto). Μέγεθος δείγματος τουλάχιστον 115 ασθενών ανά νοσοκομείο (115 στον κλάδο παρέμβασης και 230 στον κλάδο ελέγχου). Παρακολούθηση για 2 χρόνια. Εφαρμόζονται στατιστικές αναλύσεις μονής και πολυκατοικίας. (Greek)
    point in time
    17 August 2022
    0 references
    I betragtning af den demografiske, sundhedsmæssige og økonomiske situation forekommer det nødvendigt at finde alternativer til den nuværende plejemodel. Teknologien skal være det væsentlige grundlag for denne ændring. OVERORDNET MÅL: Bestemme virkningen af anvendelsen af et system med kunstig intelligens (Machine Learning) i et aktivt teleovervågningsprogram for re-entry KOL-patienter. Specifikke målsætninger: Bestem ændringer i: — Anvendelse af sundhedsressourcer. — Patienternes livskvalitet. Omkostninger. Arbejdsbelastning. Daglig klinisk praksis. Markører af betændelse. METODER: Baseret på telEPOC-programmet og den igangværende udvikling af Machine Learning i dette projekt, ikke-randomiseret intervention undersøgelse, med to grene: intervention (hospital Galdakao) og kontrol (hospital af Cruces og Basurto). Stikprøvestørrelse på mindst 115 patienter pr. hospital (115 i interventionsafdelingen og 230 i kontrolafdelingen). Opfølgning i 2 år. Der skal anvendes enslydende og multivativære statistiske analyser. (Danish)
    point in time
    17 August 2022
    0 references
    Demografisen, terveydellisen ja taloudellisen tilanteen vuoksi näyttää tarpeelliselta etsiä vaihtoehtoja nykyiselle hoitomallille. Teknologian on oltava olennainen perusta tälle muutokselle. YLEISTAVOITE: Määritetään tekoälyjärjestelmän (Machine Learning) soveltamisen vaikutus aktiiviseen etäseurantaohjelmaan keuhkoahtaumatautipotilaille. Erityistavoitteet: Määritä muutokset: — Terveydenhuollon resurssien käyttö. — Potilaiden elämänlaatu. Kustannukset. Työkuorma. Päivittäinen kliininen käytäntö. Tulehduksen merkkiaineet. MENETELMÄT: TelEPOC-ohjelman ja koneoppimisen jatkuvan kehittämisen perusteella tässä hankkeessa ei-satunnaista interventiotutkimusta, jossa on kaksi haaraa: interventio (sairaala Galdakao) ja valvonta (Cruces- ja Basurto-sairaala). Otoskoko on vähintään 115 potilasta sairaalaa kohden (115 potilasta interventiohaarassa ja 230 kontrollihaarassa). Seuranta kahden vuoden ajan. On tehtävä yksi- ja monivavuisia tilastollisia analyyseja. (Finnish)
    point in time
    17 August 2022
    0 references
    Minħabba s-sitwazzjoni demografika, tas-saħħa u ekonomika jidher li hemm bżonn li jinstabu alternattivi għall-mudell ta’ kura attwali. It-teknoloġija għandha tkun il-bażi sostanzjali għal din il-bidla. GĦAN ĠENERALI: Iddetermina l-impatt tal-applikazzjoni ta’ sistema ta’ Intelliġenza Artifiċjali (Tagħlim tal-Magni) fi programm attiv ta’ telemonitoraġġ għal pazjenti b’COPD ta’ dħul mill-ġdid. Għanijiet speċifiċi: Iddetermina l-bidliet fi: — L-użu tar-riżorsi tas-saħħa. — Il-kwalità tal-ħajja tal-pazjenti. Spiża. It-tagħbija tax-xogħol. Prattika klinika ta’ kuljum. Markaturi ta’ infjammazzjoni. METODI: Ibbażat fuq il-programm telEPOC u l-iżvilupp kontinwu tat-Tagħlim bil-Magni f’dan il-proġett, studju ta’ intervent mhux każwali, b’żewġ fergħat: intervent (sptar Galdakao) u kontroll (sptar ta’ Cruces u Basurto). Daqs ta’ kampjun ta’ mill-inqas 115-il pazjent f’kull sptar (115 fil-fergħa ta’ intervent u 230 fil-fergħa ta’ kontroll). Segwitu għal sentejn. Għandhom jiġu applikati analiżi statistiċi uni u multivativari. (Maltese)
    point in time
    17 August 2022
    0 references
    Ņemot vērā demogrāfisko, veselības un ekonomisko situāciju, šķiet, ka ir jāmeklē alternatīvas pašreizējam aprūpes modelim. Tehnoloģijai ir jābūt šo pārmaiņu būtiskajam pamatam. VISPĀRĪGAIS MĒRĶIS: Noteikt mākslīgā intelekta (mašīnmācīšanās) sistēmas piemērošanas ietekmi aktīvā telemonitoringa programmā atkārtotas ieceļošanas HOPS pacientiem. Konkrētie mērķi: Nosakiet izmaiņas: — Veselības resursu izmantošana. — Pacientu dzīves kvalitāte. Izmaksas. Darba slodze. Ikdienas klīniskā prakse. Iekaisuma marķieri. METODES: Pamatojoties uz telEPOC programmu un notiekošo mašīnmācīšanās attīstību šajā projektā, nerandomizētu intervences pētījumu ar divām jomām: iejaukšanās (slimnīca Galdakao) un kontrole (Cruces un Basurto slimnīca). Izlases lielums no katras slimnīcas vismaz 115 pacientiem (115 pacientiem intervences nozarē un 230 pacientiem kontroles nozarē). Pēcpārbaude 2 gadus. Piemēro uni un multivativary statistisko analīzi. (Latvian)
    point in time
    17 August 2022
    0 references
    Vzhľadom na demografickú, zdravotnú a hospodársku situáciu sa zdá byť potrebné hľadať alternatívy k súčasnému modelu starostlivosti. Technológia musí byť podstatným základom pre túto zmenu. VŠEOBECNÝ CIEĽ: Určiť vplyv aplikácie systému umelej inteligencie (strojového učenia) v aktívnom telemonitorovacom programe pre pacientov s CHOCHP po opätovnom vstupe. Osobitné ciele: Určiť zmeny v: — Využívanie zdravotníckych zdrojov. — Kvalita života pacientov. Náklady. Pracovné zaťaženie. Denná klinická prax. Markery zápalu. METÓDY: Na základe programu telEPOC a pokračujúceho vývoja strojového učenia v tomto projekte, nerandomizovaná intervenčná štúdia s dvoma pobočkami: intervencia (nemocnica Galdakao) a kontrola (nemocnica Cruces a Basurto). Veľkosť vzorky najmenej 115 pacientov na nemocnicu (115 v intervenčnej vetve a 230 v kontrolnej vetve). Následná kontrola na 2 roky. Použijú sa uni a multivativárne štatistické analýzy. (Slovak)
    point in time
    17 August 2022
    0 references
    Mar gheall ar an staid dhéimeagrafach, sláinte agus eacnamaíoch is cosúil gur gá roghanna malartacha ar an tsamhail chúraim atá ann faoi láthair a lorg. Ní mór an teicneolaíocht a bheith mar bhonn substaintiúil don athrú sin. CUSPÓIR GINEARÁLTA: Tionchar chur i bhfeidhm córais intleachta saorga (Machine Learning) a chinneadh i gclár gníomhach teileamhonatóireachta le haghaidh othair COPD a athiontráil. Cuspóirí sonracha: Cinntigh na hathruithe i: —Acmhainní sláinte a úsáid. — Caighdeán saoil na n-othar. Costas. Ualach oibre. Cleachtas cliniciúil laethúil. Marcóirí athlasadh. MODHANNA: Bunaithe ar an gclár telEPOC agus forbairt leanúnach Machine Learning sa tionscadal seo, staidéar idirghabhála neamh-randomized, le dhá bhrainse: idirghabháil (ospidéal Galdakao) agus rialú (ospidéal Cruces agus Basurto). Samplamhéid 115 othar in aghaidh an ospidéil (115 sa bhrainse idirghabhála agus 230 othar sa bhrainse rialaithe). Obair leantach ar feadh 2 bhliain. Cuirfear anailísí staidrimh Uni agus ilvativary i bhfeidhm. (Irish)
    point in time
    17 August 2022
    0 references
    Vzhledem k demografické, zdravotní a hospodářské situaci se zdá být nezbytné hledat alternativy k současnému modelu péče. Zásadním základem této změny musí být technologie. OBECNÝ CÍL: Určete dopad aplikace systému umělé inteligence (Machine Learning) v aktivním telemonitorovacím programu pro pacienty s opětovným vstupem CHOPN. Specifické cíle: Určete změny v: — Využití zdravotnických prostředků. — Kvalita života pacientů. Náklady. Pracovní zátěž. Denní klinická praxe. Markery zánětu. METODY: Na základě programu telEPOC a pokračujícího rozvoje strojového učení v tomto projektu, nenáhodný intervenční studie se dvěma obory: intervence (nemocnice Galdakao) a kontrola (nemocnice Cruces a Basurto). Velikost vzorku nejméně 115 pacientů v nemocnici (115 v intervenční větvi a 230 v kontrolní větvi). Následná opatření po dobu 2 let. Použijí se statistické analýzy Uni a multivativární. (Czech)
    point in time
    17 August 2022
    0 references
    Tendo em conta a situação demográfica, sanitária e económica, afigura-se necessário procurar alternativas ao atual modelo de prestação de cuidados. A tecnologia deve ser a base substancial para esta mudança. OBJETIVO GERAL: Determinar o impacto da aplicação de um sistema de Inteligência Artificial (Machine Learning) num programa ativo de telemonitorização para doentes com DPOC de reentrada. Objetivos específicos: Determinar alterações em: — Utilização dos recursos de saúde. — Qualidade de vida dos doentes. Custo. Carga de trabalho. A prática clínica diária. Marcadores da inflamação. MÉTODOS: Com base no programa telEPOC e no desenvolvimento em curso da Aprendizagem Automática neste projeto, estudo de intervenção não aleatorizado, com dois ramos: intervenção (hospital Galdakao) e controlo (hospital de Cruces e Basurto). Dimensão da amostra de, pelo menos, 115 doentes por hospital (115 no ramo de intervenção e 230 no ramo de controlo). Acompanhamento durante 2 anos. Devem aplicar-se análises estatísticas uni e multivativares. (Portuguese)
    point in time
    17 August 2022
    0 references
    Arvestades demograafilist, tervislikku ja majanduslikku olukorda, tundub olevat vajalik otsida alternatiive praegusele hooldusmudelile. Tehnoloogia peab olema selle muutuse oluline alus. ÜLDEESMÄRK: Määrata kindlaks tehisintellekti (Machine Learning) süsteemi rakendamise mõju aktiivses telemonitooringu programmis KOK-patsientidele. Konkreetsed eesmärgid: Määrata kindlaks muutused järgmistes valdkondades: – Tervishoiuressursside kasutamine. – Patsientide elukvaliteet. Kulud. Töökoormus. Igapäevane kliiniline praktika. Põletiku markerid. MEETODID: Tuginedes telEPOC programmile ja masinaõppe jätkuvale arendamisele selles projektis, mitte-randodiseeritud sekkumisuuring, millel on kaks haru: sekkumine (haigla Galdakao) ja kontroll (Crucesi ja Basurto haigla). Valimi suurus on vähemalt 115 patsienti haigla kohta (115 patsienti sekkumisharus ja 230 patsienti kontrollharus). Järelmeetmed kaheks aastaks. Kohaldatakse ühtseid ja multivatiaarseid statistilisi analüüse. (Estonian)
    point in time
    17 August 2022
    0 references
    Tekintettel a demográfiai, egészségügyi és gazdasági helyzetre, szükségesnek tűnik a jelenlegi ellátási modell alternatíváinak keresése. Ennek a változásnak a lényeges alapját a technológiának kell képeznie. ÁLTALÁNOS CÉLKITŰZÉS: Határozza meg a mesterséges intelligencia (Machine Learning) rendszer alkalmazásának hatását egy aktív telemonitoring programban a COPD-betegek visszatérésére. Konkrét célkitűzések: Határozza meg a változásokat: – Az egészségügyi erőforrások felhasználása. – A betegek életminősége. Költség. Munkateher. Napi klinikai gyakorlat. Gyulladásjelzők. MÓDSZEREK: A telEPOC program és a gépi tanulás folyamatban lévő fejlesztése alapján ebben a projektben, nem randomizált beavatkozási tanulmány, két ággal: beavatkozás (kórház Galdakao) és ellenőrzés (Cruces és Basurto kórház). Kórházonként legalább 115 betegből álló mintanagyság (115 az intervenciós ágban és 230 beteg a kontrollágban). 2 évig tartó nyomon követés. Egységes és multivaivációs statisztikai elemzéseket kell alkalmazni. (Hungarian)
    point in time
    17 August 2022
    0 references
    Като се има предвид демографското, здравното и икономическото положение, изглежда необходимо да се търсят алтернативи на настоящия модел на предоставяне на грижи. Технологията трябва да бъде съществената основа за тази промяна. ОБЩА ЦЕЛ: Определете въздействието от прилагането на система за изкуствен интелект (машинно обучение) в активна програма за телемониторинг за пациенти с ХОББ при повторно въвеждане. Специфични цели: Определяне на промените в: — Използване на здравни ресурси. Качеството на живот на пациентите. Разходи. Работно натоварване. Ежедневна клинична практика. Маркери на възпалението. МЕТОДИ: Въз основа на програмата telEPOC и текущото развитие на машинното обучение в този проект, нерандомизирано интервенционно проучване с два клона: интервенция (болница Galdakao) и контрол (болница Cruces и Basurto). Размер на извадката от най-малко 115 пациенти в болница (115 в интервенционния клон и 230 в контролния клон). Последващи действия в продължение на 2 години. Прилагат се едно- и мултивативарни статистически анализи. (Bulgarian)
    point in time
    17 August 2022
    0 references
    Atsižvelgiant į demografinę, sveikatos ir ekonominę padėtį, atrodo būtina ieškoti alternatyvų dabartiniam priežiūros modeliui. Technologijos turi būti esminis šių pokyčių pagrindas. BENDRASIS TIKSLAS: Nustatykite dirbtinio intelekto (Machine Learning) sistemos taikymo poveikį aktyvioje nuotolinio stebėjimo programoje, skirtoje LOPL sergantiems pacientams. Konkretūs tikslai: Nustatykite pokyčius: – Sveikatos išteklių naudojimas. – Pacientų gyvenimo kokybė. Savikaina. Darbo krūvis. Kasdieninė klinikinė praktika. Uždegimo žymenys. METODAI: Remiantis telEPOC programa ir šiuo metu šiame projekte vykstančiu mašininio mokymosi vystymu, neatsitiktinis intervencinis tyrimas, apimantis dvi sritis: intervencija (ligoninė Galdakao) ir kontrolė (Cruces ir Basurto ligoninė). Imtį sudaro ne mažiau kaip 115 pacientų vienoje ligoninėje (115 pacientų intervencinėje srityje ir 230 pacientų kontrolinėje atšakoje). Tolesni veiksmai 2 metus. Taikomos uni ir multivativinės statistinės analizės. (Lithuanian)
    point in time
    17 August 2022
    0 references
    S obzirom na demografsku, zdravstvenu i gospodarsku situaciju potrebno je pronaći alternative trenutačnom modelu skrbi. Tehnologija mora biti bitna osnova za tu promjenu. OPĆI CILJ: Utvrditi utjecaj primjene sustava umjetne inteligencije (učenje strojeva) u aktivnom programu telemonitoringa za pacijente koji ponovno ulaze u KOPB. Posebni ciljevi: Odredite promjene u: — Korištenje zdravstvenih resursa. — Kvaliteta života pacijenata. Trošak. Radno opterećenje. Svakodnevna klinička praksa. Markeri upale. METODE: Na temelju programa telEPOC i kontinuiranog razvoja strojnog učenja u ovom projektu, nerandomizirana interventna studija, s dvije grane: intervencija (bolnica Galdakao) i kontrola (bolnica Cruces i Basurto). Veličina uzorka od najmanje 115 bolesnika po bolnici (115 u interventnoj grani i 230 u kontrolnoj grani). Daljnje mjere za dvije godine. Primjenjuju se jedinstvene i multivativarne statističke analize. (Croatian)
    point in time
    17 August 2022
    0 references
    Med tanke på den demografiska, hälsomässiga och ekonomiska situationen förefaller det nödvändigt att söka efter alternativ till den nuvarande vårdmodellen. Tekniken måste utgöra den huvudsakliga grunden för denna förändring. ALLMÄNT MÅL: Bestäm effekterna av tillämpningen av ett system för artificiell intelligens (Machine Learning) i ett aktivt program för fjärrövervakning för återinträde i KOL-patienter. Särskilda mål: Bestäm ändringar i: — Användning av hälso- och sjukvårdsresurser. — Patienternas livskvalitet. Kostnad. Arbetsbelastning. Daglig klinisk praktik. Markörer för inflammation. METODER: Baserat på telEPOC-programmet och den pågående utvecklingen av maskininlärning i detta projekt, icke-randomiserad interventionsstudie, med två grenar: intervention (sjukhuset Galdakao) och kontroll (sjukhuset för korsningar och Basurto). Urvalsstorlek på minst 115 patienter per sjukhus (115 i interventionsgrenen och 230 i kontrollavdelningen). Uppföljning i 2 år. Statistiska analyser av uni och multivativary ska tillämpas. (Swedish)
    point in time
    17 August 2022
    0 references
    Având în vedere situația demografică, de sănătate și economică, pare necesar să se caute alternative la modelul actual de îngrijire. Tehnologia trebuie să constituie baza substanțială a acestei schimbări. OBIECTIV GENERAL: Determinarea impactului aplicării unui sistem de inteligență artificială (învățare automată) într-un program de telemonitorizare activă pentru pacienții cu BPOC reintrare. Obiective specifice: Determinați modificările în: Utilizarea resurselor de sănătate. Calitatea vieții pacienților. Costul. Încărcătura de muncă. Practica clinică zilnică. Markeri de inflamație. METODE: Bazat pe programul telEPOC și dezvoltarea continuă a Machine Learning în acest proiect, studiu de intervenție nerandomizat, cu două ramuri: intervenție (spital Galdakao) și control (spitalul Cruces și Basurto). Dimensiunea eșantionului de cel puțin 115 pacienți per spital (115 în ramura de intervenție și 230 în ramura de control). Monitorizare timp de 2 ani. Se aplică analize statistice uni și multiivative. (Romanian)
    point in time
    17 August 2022
    0 references
    Glede na demografske, zdravstvene in gospodarske razmere se zdi nujno poiskati alternative sedanjemu modelu oskrbe. Tehnologija mora biti bistvena podlaga za to spremembo. SPLOŠNI CILJ: Določiti učinek uporabe sistema umetne inteligence (učenja stroja) v aktivnem programu za telemonitoring za bolnike s KOPB. Posebni cilji: Določite spremembe v: — Uporaba zdravstvenih virov. — Kakovost življenja bolnikov. Stroški. Delovna obremenitev. Dnevna klinična praksa. Označevalci vnetja. METODE: Na podlagi programa telEPOC in stalnega razvoja strojnega učenja v tem projektu, nenaključne intervencijske študije z dvema vejama: intervencija (bolnišnica Galdakao) in nadzor (bolnišnica Cruces in Basurto). Velikost vzorca najmanj 115 bolnikov na bolnišnico (115 v intervencijski veji in 230 v kontrolni veji). Nadaljnje spremljanje za dve leti. Uporabijo se statistične analize uni in multivativary. (Slovenian)
    point in time
    17 August 2022
    0 references
    Biorąc pod uwagę sytuację demograficzną, zdrowotną i gospodarczą, konieczne wydaje się poszukiwanie alternatyw dla obecnego modelu opieki. Istotną podstawą tej zmiany musi być technologia. CEL OGÓLNY: Określić wpływ zastosowania systemu sztucznej inteligencji (Machine Learning) w aktywnym programie telemonitoringowym dla pacjentów z POChP. Cele szczegółowe: Określić zmiany w: — Wykorzystanie zasobów zdrowotnych. — Jakość życia pacjentów. Koszt. Obciążenie pracą. Codzienna praktyka kliniczna. Markery zapalenia. METODY: W oparciu o program telEPOC i ciągły rozwój Machine Learning w tym projekcie, nierandomizowane badanie interwencyjne, z dwoma gałęziami: interwencja (szpital Galdakao) i kontrola (szpital Cruces i Basurto). Liczebność próby wynosząca co najmniej 115 pacjentów na szpital (115 w oddziale interwencyjnym i 230 w oddziale kontrolnym). Działania następcze przez 2 lata. Stosuje się analizy statystyczne uni i multivativary. (Polish)
    point in time
    17 August 2022
    0 references
    location (string)
    Galdakao
    0 references
    date of last update
    20 December 2023
    0 references

    Identifiers

    Spanish Kohesio ID
    PI18_01797
    0 references
     
    Retrieved from "https://linkedopendata.eu/w/index.php?title=Item:Q3149379&oldid=42433903"