Umělá inteligence pro automatizovaný průzkum klinických dat z elektronických lékařských záznamů (CardioMining-AI)
Užitečnost umělé inteligence pro automatizovanou extrakci a zpracování klinických dat z elektronických lékařských záznamů (CardioMining-AI)
Přehled studie
Postavení
Detailní popis
Přes rychlý rozvoj medicíny a informatiky v posledních letech je léčba v moderní klinické praxi často empirická a založená na retrospektivních datech. S rostoucím počtem pacientů a jejich koncentrací ve velkých terciárních centrech se stává atraktivní systematicky sbírat klinická data a aplikovat je na modely rizikové stratifikace. S rostoucím objemem dat se však ruční sběr a zpracování dat stává výzvou, protože tento přístup je pro zdravotnické systémy časově náročný a nákladný. Navíc nestrukturované informace, jako jsou klinické poznámky, jsou velmi často psány jako volný text, který není vhodný pro přímou analýzu. Využití umělé inteligence je velmi slibné a v příštích letech rychle změní budoucnost medicíny. Díky automatizovaným procesům, které nabízí, je možné rychle a spolehlivě extrahovat data pro další zpracování. Výsledky jeho použití lze snadno rozšířit na různé zdravotnické systémy, rozšířit získané znalosti a zlepšit diagnostickou a terapeutickou přesnost a v konečném důsledku pozitivně ovlivnit zdravotnické služby. Shromažďování obrovského množství dat z různých zdrojů bez ohrožení osobních údajů pacientů je velkou výzvou moderní vědy.
Zpětně budou shromažďovány elektronicky evidované klinické záznamy pacientů, kteří byli hospitalizováni na kardiologickém oddělení VUT, a další soubory, jako jsou laboratorní a zobrazovací vyšetření související s každou hospitalizací. Vzhledem k velikosti zúčastněných klinik a letům, kdy se uplatňovala evidence elektronických nemocničních záznamů v elektronické podobě, se odhaduje, že vzorek záznamů pacientů bude asi 60 000. Z těchto elektronických souborů budou vymazány veškeré informace, které by potenciálně mohly sloužit k identifikaci osoby, jako je jméno, IČO, PSČ, místo bydliště, povolání. Zaznamenáván bude pouze věk, nikoli přesné datum narození každého pacienta. Evidovány budou pouze dny hospitalizace a nikoliv přesná data přijetí a propuštění z nemocnice. Údaje tedy nebude možné přiřadit ke konkrétnímu subjektu, protože pro subjekty nebudou shromažďovány žádné další informace ani identifikátory. Po anonymizaci souborů bude klinická poznámka každého pacienta spojena se specifickým klíčem („identifikátorem“). Elektronický soubor, který obsahuje korelaci „identifikátoru“ s klinickou poznámkou pacienta, bude uložen na bezpečném nemocničním elektronickém místě. Plně anonymizované soubory budou nejprve ručně analyzovány, aby se extrahovaly informace do databáze obsahující všechny klinické informace pacientů, jako jsou diagnózy propuštění, léky, léčebné protokoly, laboratorní a diagnostické testy. Současně bude analyzován vzorek (1/3) klinických poznámek k identifikaci klíčových slov nebo frází spojených s každou diagnózou (například diagnóza fibrilace síní bude pravděpodobně zaznamenána jako „fibrilace síní“, „AF“ , atd.). Pomocí tohoto vygenerovaného slovníku klíčových slov a integrací metod umělé inteligence a dolování textu, jako je zpracování přirozeného jazyka (NLP), dojde k pokusu o automatizovanou extrakci dat a diagnóz z těchto elektronických lékařských poznámek. Spolehlivost a přesnost výpočetních metod bude vyhodnocena interně, přičemž se automaticky získaná data porovnají s daty zaznamenanými ručně. Spolehlivost a přesnost těchto výpočetních metod bude navíc hodnocena externě, přičemž tyto metody budou aplikovány na 2/3 klinických záznamů, ve kterých nebyl pokus o spojení mezi klíčovými slovy a konkrétními diagnózami.
Pokud jde o Řecko, cílem této studie je jako první analyzovat užitečnost umělé inteligence pro automatizovanou extrakci a zpracování nestrukturovaných klinických dat z lékařských klinických záznamů pacientů. Výsledky této studie budou mít pozitivní dopad na:
- automatizace rozsáhlých postupů analýzy a zpracování dat
- rychlé epidemiologické zaznamenávání a využití klinických dat
- včasnou diagnostiku nemocí
- vývoj fenotypových profilů pacientů, kteří by mohli těžit z cílených terapií
- vývoj systémů podpory klinického rozhodování, které budou poskytovat informace o možném klinickém průběhu pacientů po propuštění z nemocnice a napomáhat lékařským rozhodnutím
- vývoj a ověřování prognostických modelů pro hlavní kardiovaskulární onemocnění
Typ studie
Zápis (Odhadovaný)
Kontakty a umístění
Studijní kontakt
- Jméno: George Giannakoulas, MD, PhD
- Telefonní číslo: +30 2310994830
- E-mail: ggiannakoulas@auth.gr
Studijní záloha kontaktů
- Jméno: Athanasios Samaras, MD
- Telefonní číslo: +30 2310994830
- E-mail: ath.samaras.as@gmail.com
Studijní místa
-
-
-
Alexandroupoli, Řecko
- Zatím nenabíráme
- University Cardiology Clinic, Democritus University of Thrace
-
Kontakt:
- George Chalikias, MD, PhD
- E-mail: gchaliki@med.duth.gr
-
Kontakt:
- Dimitrios Tziakas, MD, PhD
-
Athens, Řecko
- Nábor
- 1st Department of Cardiology, Hippokration General Hospital
-
Kontakt:
- George Lazaros, MD, PhD
- E-mail: glaz35@hotmail.com
-
Kontakt:
- Konstantinos Tsioufis, MD, PhD
-
Heraklion, Řecko
- Zatím nenabíráme
- Department of Cardiology, Heraklion University Hospital
-
Kontakt:
- Alexandros Patrianakos, MD, PhD
- E-mail: apatrianakos@yahoo.gr
-
Kontakt:
- Alexandros Patrianakos, MD, PhD
-
Larissa, Řecko
- Nábor
- University General Hospital of Larissa, University of Thessaly
-
Kontakt:
- Gregory Giamouzis, MD, PhD
- E-mail: grgiamouzis@gmail.com
-
Kontakt:
- Gregory Giamouzis, MD, PhD
-
Patras, Řecko
- Nábor
- Department of Cardiology, University of Patras Medical School
-
Kontakt:
- Periklis Davlouros, MD, PhD
- E-mail: pdav@upatras.gr
-
Kontakt:
- Periklis Davlouros, MD, PhD
-
Thessaloniki, Řecko
- Zatím nenabíráme
- 3rd Cardiology Department, Hippokration Hospital
-
Kontakt:
- Vassilios Vassilikos, MD, PhD
- E-mail: vvassil@auth.gr
-
Kontakt:
- Vassilios Vassilikos, MD, PhD
-
Thessaloniki, Řecko
- Nábor
- Cardiology Department, George Papanikolaou General Hospital
-
Kontakt:
- John Zarifis, MD, PhD
- E-mail: zarifis.john@gmail.com
-
Kontakt:
- John Zarifis, MD, PhD
-
Thessaloníki, Řecko, 54636
- Nábor
- 1st Cardiology Department, AHEPA University Hospital
-
Kontakt:
- Athanasios Samaras, MD, PhD
- E-mail: ath.samaras.as@gmail.com
-
Kontakt:
- George Giannakoulas, MD, PhD
-
Thessaloníki, Řecko
- Nábor
- Laboratory of Medical Physics, Aristotle University of Thessaloniki
-
Kontakt:
- Panagiotis Bamidis, Prof
- E-mail: pdbamidis@gmail.com
-
Kontakt:
- Panagiotis Bamidis, Prof
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Hospitalizovaní pacienti na kardiologických odděleních v Řecku
- Pacienti, jejichž zdravotní záznamy jsou elektronicky uloženy v počítačových/informačních systémech každé nemocnice
Kritéria vyloučení:
- Pacienti, kteří zemřeli během hospitalizace, a proto nebyl vydán propouštěcí list
Studijní plán
Jak je studie koncipována?
Detaily designu
- Observační modely: Kohorta
- Časové perspektivy: Retrospektivní
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Přesnost umělé inteligence pro automatické extrahování klinických dat z lékařských záznamů pacientů ve srovnání s tradičními metodami manuální extrakce dat
Časové okno: 1 rok
|
Míra přesné extrakce klinických dat (lékařská anamnéza, diagnózy propuštění, léky atd.) z nestrukturovaných klinických záznamů pomocí metod automatizované umělé inteligence ve srovnání s tradičními metodami manuální extrakce dat
|
1 rok
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Čas na smrt ze všech příčin
Časové okno: až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
Doba (měsíce) do smrti z jakékoli příčiny během období sledování
|
až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
|
Čas k výskytu závažných kardiovaskulárních onemocnění
Časové okno: až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
Doba (měsíce) do rozvoje srdečního selhání, diabetes mellitus nebo onemocnění koronárních tepen během období sledování
|
až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
|
Čas na rehospitalizaci z kardiovaskulárních důvodů
Časové okno: až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
Doba (měsíce) do rehospitalizace z kardiovaskulárních důvodů v období sledování
|
až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
|
Čas na mrtvici nebo systémovou embolii
Časové okno: až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
Doba (měsíce) do cévní mozkové příhody nebo systémové embolie během období sledování
|
až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
|
Čas do akutního koronárního syndromu
Časové okno: až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
Doba (měsíce) do akutního koronárního syndromu během období sledování
|
až 8 let (od propuštění z nemocnice do data primárního ukončení studie)
|
Spolupracovníci a vyšetřovatelé
Publikace a užitečné odkazy
Obecné publikace
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017 May 30;69(21):2657-2664. doi: 10.1016/j.jacc.2017.03.571.
- Boag W, Doss D, Naumann T, Szolovits P. What's in a Note? Unpacking Predictive Value in Clinical Note Representations. AMIA Jt Summits Transl Sci Proc. 2018 May 18;2017:26-34. eCollection 2018.
- Hashir M, Sawhney R. Towards unstructured mortality prediction with free-text clinical notes. J Biomed Inform. 2020 Aug;108:103489. doi: 10.1016/j.jbi.2020.103489. Epub 2020 Jun 25.
- Diller GP, Kempny A, Babu-Narayan SV, Henrichs M, Brida M, Uebing A, Lammers AE, Baumgartner H, Li W, Wort SJ, Dimopoulos K, Gatzoulis MA. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J. 2019 Apr 1;40(13):1069-1077. doi: 10.1093/eurheartj/ehy915.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Odhadovaný)
Dokončení studie (Odhadovaný)
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
- 545/19.11.2021
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Popis plánu IPD
Typ podpůrných informací pro sdílení IPD
- PROTOKOL STUDY
- MÍZA
- ANALYTIC_CODE
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
produkt vyrobený a vyvážený z USA
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 .