- ICH GCP
- Registr klinických studií v USA
- Klinická studie NCT04186104
Umělá inteligence na dětské klinice
Aplikace umělé inteligence na dětské klinice
V Číně je počet dětských lékařských služeb stále daleko za rostoucí poptávkou po dětské zdravotní péči. Fenomén, kdy rodiče dětí stojí přes noc ve frontě na registraci, už není překvapivý. Důvodem je nárůst počtu dětí a nedostatek dětských talentů. Na dětském oddělení pacientů rok od roku přibývá, ale pediatrů je od začátku do konce nedostatek. Kromě ambulantní služby plní pediatři ve velkých nemocnicích také operace, vědeckovýzkumné a další úkoly. V důsledku toho se mnoho lékařů musí vzdát dovolené, což je činí nešťastnými a snižuje jejich nadšení pro práci. Dlouhá fronta také snižovala spokojenost pacientů, což mělo za následek prohloubení konfliktu mezi dětskými lékaři a pacienty.
Tento výzkumný projekt si klade za cíl vytvořit integrovaný systém člověk-počítač a vyvinout nový diagnostický proces s umělou inteligencí (AI). Funkce systému AI zahrnuje především 3 aspekty. (1) Pacient používá aplikaci mobilního telefonu s integrovanou AI, která mu umožňuje absolvovat prohlídku před návštěvou lékaře. Program bude pacientovi klást řadu otázek. Poté na základě odpovědí pacienta AI doporučí sérii vyšetření, která by všechna předem zkontrolovala lékař. Poté, co si to pacient zaplatí, mohl jít rovnou udělat vyšetření. Dále by tedy mohl jít k lékaři se zprávou o vyšetření, což pacientovi ušetří námahu ve frontě. (2) Současně by systém AI mohl také automatizovat anamnézu. Pacient by ve volném čase dokončil svépomocný sběr anamnézy. Systém AI shromažďuje anamnézu a automaticky ji importuje do počítače lékaře. Hlavním úkolem lékařů je upravovat anamnézu generovanou umělou inteligencí. Do jisté míry to ulehčuje lékařům. (3) Během návštěvy systém AI automaticky zachytí informace do elektronické zdravotní dokumentace pacienta a vygeneruje možnou diagnózu. Tento proces velmi pomáhá mladším lékařům a může sloužit jako vodítko.
Stručně řečeno, tato studie pomáhá účinně zkrátit čekací dobu pacientů a výrazně zvýšit jejich lékařské zkušenosti. Při snižování pracovní náročnosti lékařů se podařilo efektivně optimalizovat ambulantní postup naší nemocnice tak, aby byl do určité míry zmírněn nedostatek dětských lékařů.
Přehled studie
Postavení
Podmínky
Detailní popis
Spoléháním se na mobilní aplikaci a počítačový software by dosáhl:
- Inteligentní vedení a přizpůsobení oddělení;
- Inteligentní sběr lékařské historie a generování lékařských záznamů AI;
- Automaticky doporučovat položky vyšetření;
- Pomáhat při klinické diagnostice a navrhovat inteligentní diagnózu.
Typ studie
Zápis (Aktuální)
Fáze
- Nelze použít
Kontakty a umístění
Studijní místa
-
-
-
Shanghai, Čína
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, Čína, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Pohlaví způsobilá ke studiu
Popis
Kritéria pro zařazení:
Pacienti ve věku od 2 měsíců do 18 let půjdou k ošetření do dětského zdravotnického centra v Šanghaji.
Kritéria vyloučení:
- Lidé, kteří nesouhlasí s účastí.
- Lidé, kteří neumí spolupracovat.
- Lidé, které je těžké sledovat.
Studijní plán
Jak je studie koncipována?
Detaily designu
- Primární účel: Výzkum zdravotnických služeb
- Přidělení: Randomizované
- Intervenční model: Paralelní přiřazení
- Maskování: Žádné (otevřený štítek)
Zbraně a zásahy
Skupina účastníků / Arm |
Intervence / Léčba |
|---|---|
|
Experimentální: Pacienti s běžným procesem ambulantní služby
Po registraci čeká pacient ve frontě u dveří ordinace.
Jeho lékař používá tradiční metody k ručnímu zadávání lékařských záznamů a nezávislému stanovení diagnózy.
Poté pacient čeká ve frontě na zaplacení účtu a stojí ve frontě na vyšetření.
Nakonec pacient odnese zprávu o vyšetření zpět lékaři.
|
Pacienti dodržují postupy registrace, čekání, docházka, čekání, vyšetření, čekání, docházka.
|
|
Experimentální: Pacienti s asistovanou ambulantní službou AI
Po registraci sváže pacient své údaje s aplikací mobilního telefonu prostřednictvím ambulantního čísla.
Nejprve by systém AI pacientovi položil řadu otázek.
Poté by učinil úsudek na základě pacientovy odpovědi.
Systém přenese vyšetřovací položky do počítače lékaře a se souhlasem lékaře odešle položky zpět pacientovi.
Pacient tak mohl jít rovnou na vyšetření.
Zatímco čeká, až na něj přijde řada, pacient znovu vstoupí do telefonního programu a systém AI shromáždí jeho anamnézu.
Informace jsou zaslány zpět lékaři.
Když jde pacient se zprávou o vyšetření do ordinace, lékařův počítač už má jeho zdravotní dokumentaci.
Lékař potřebuje pouze upravit anamnézu podle skutečné situace.
Po sepsání anamnézy mohl systém AI automaticky provést diagnózu.
Lékař používá výsledky AI a svůj vlastní úsudek ke stanovení komplexní diagnózy.
|
Pacienti dodržují procedury registrace, AI doporučené vyšetřovací položky, samoobslužný sběr anamnézy, vyšetření, čekání, asistovaná docházka AI.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Vyhodnoťte efektivitu obou procesů
Časové okno: do 1 měsíce
|
Porovnejte průměrnou dobu čekání pro jednoho pacienta a průměrnou dobu návštěvy pro jednoho pacienta.
|
do 1 měsíce
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Vyhodnoťte míru spokojenosti pacientů s lékařskými postupy
Časové okno: do 1 měsíce
|
Dotazník spokojenosti by sloužil k porovnání míry spokojenosti mezi těmito dvěma procesy.
|
do 1 měsíce
|
|
Ekonomická měření
Časové okno: do 1 měsíce
|
Utrácet peníze za ambulantní pacienty, utrácet peníze za vyšetření a spol.
|
do 1 měsíce
|
|
Efektivita práce lékařů
Časové okno: do 1 měsíce
|
Použití historických dat pro srovnání před a po k porovnání vlivu inteligentního sběru anamnézy na dobu návštěvy každého pacienta.
|
do 1 měsíce
|
Spolupracovníci a vyšetřovatelé
Publikace a užitečné odkazy
Obecné publikace
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Aktuální)
Dokončení studie (Aktuální)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další identifikační čísla studie
- SCMCIRB-K2019020-2
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .
Klinické studie na Rutinní diagnostický proces
-
Jiangsu HengRui Medicine Co., Ltd.Aktivní, ne nábor
-
Chinese University of Hong KongZatím nenabírámeHepatektomie | Mezipříčný procesní blok | Kvalita obnovy (QoR-15)
-
Zimmer BiometStaženoDegenerativní onemocnění ploténekSpojené státy
-
PfizerNáborNemoci dýchacích cest | COVID-19 | Zápal plic | Plicní onemocnění | Koronavirové onemocnění 2019 | Coronavirus Disease 2019 (COVID-19) | Infekce covid-19 | Infekce horních cest dýchacích | Infekce dýchacích cest | COVID-19 (koronavirová nemoc 2019) | Infekce COVID-19 SARS-CoV-2Belgie
-
Chinese University of Hong KongNáborChronická pooperační bolestHongkong
-
Zonguldak Bulent Ecevit UniversityAktivní, ne náborBolest, pooperační | Bederní disk Herniace | Regionální anestezieKrocan
-
Medentum InnovationsNational Institutes of Health (NIH); University of Arizona; El Rio Community...NáborExacerbace astmatu | Dětské astma | Akutní zánět středního ucha (AOM) | StrepfaryngitidaSpojené státy
-
Chinese University of Hong KongNábor
-
Fayoum University HospitalDokončenoBronchiektázie | Novotvar plic | Emfyzematózní váček plicEgypt
-
Chinese University of Hong KongZatím nenabírámeAkutní pooperační bolest