Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Bezpečná a vysvětlitelná AI

23. února 2026 aktualizováno: Abramson Cancer Center at Penn Medicine

BEZPEČNÉ A VYSVĚTLITELNÉ ROZHODOVÁNÍ PODLE AI PRO PERSONALIZOVANOU PODPORU KLINICKÉHO ROZHODOVÁNÍ

Zatímco současná technologie umělé inteligence je vhodná pro automatizaci některých opakujících se klinických úkolů, přetrvávají technické problémy při řešení kritických a výnosných problémů v oblastech léčby pacientů a nemocí. Navrhovaný výzkum se snaží řešit problémy lékařské umělé inteligence, jako je efektivní integrace lékařských znalostí, vysvětlování doporučení umělé inteligence lékařům a stanovení záruk bezpečnosti.

Přehled studie

Postavení

Nábor

Podmínky

Intervence / Léčba

Typ studie

Pozorovací

Zápis (Odhadovaný)

300000

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní kontakt

Studijní záloha kontaktů

Studijní místa

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

  • Dospělý
  • Starší dospělý

Přijímá zdravé dobrovolníky

Ne

Metoda odběru vzorků

Vzorek nepravděpodobnosti

Studijní populace

Studie se zaměří na data EMR z kardiologie, onkologie a pacientů s rizikem získání sepse.

Každá skupina má jasně definovaná kritéria začlenění-vyloučení. Pro model strojového učení k predikci komorových arytmií a nemocniční srdeční zástavy vytvoříme kohorty pacientů skládající se z dospělých (tj. 18 let nebo starších) pacientů přijatých na lůžko dostupné na ošetřovně v nemocnici Penn Medicine od roku 2020 do přítomné, stejně jako pacienti, u kterých bylo zjištěno, že prodělali srdeční zástavu pomocí záznamů EHR.

Popis

Kritéria zahrnutí:

Kardiologie ve věku 18 let a více, přijata v kterékoli z nemocnic Penn Medicine od roku 2017 do současnosti. Sepse ve věku 18 let v době předání na pohotovost nebo přijetí do kterékoli nemocnice Penn Medicine od 1. července 2017 bude způsobilá, protože představuje populaci s rizikem získání sepse Onkologie ve věku 18 let a starší s diagnostika invazivního karcinomu prsu (1-4. stadium) v registru Penn Cancer

Kritéria vyloučení Všechny predikční modely vyloučí pacienty mladší 18 let z jejich souborů údajů o pacientech.

Kardiologie Pacienti, jejichž primární diagnózou při přijetí byla zástava srdce Sepse Pacienti s již existujícími omezeními život udržující terapie budou vyloučeni, protože jejich způsobilost pro definice sepse, přijatou péči a výsledky mohou být významně a variabilně ovlivněny již existujícími omezeními péče. . Onkologie Neexistují žádné další výjimky.

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

Kohorty a intervence

Skupina / kohorta
Intervence / Léčba
Kardiologie
Primárním cílem v tomto scénáři klinického případu je vyhodnotit model ML využívající srdeční telemetrii v reálném čase, stejně jako další klinické, demografické a zobrazovací zdroje strukturovaných dat, mezi hospitalizovanými pacienty na jednotkách intenzivní péče (JIP), aby bylo možné předpovědět blížící se nemocniční kardiaky. zástavu, identifikovat potenciálně reverzibilní příčiny zástavy srdce a předvídat, kteří pacienti mohou mít blížící se zástavu srdce v důsledku rytmů podléhajících výboji, tj. ventrikulární tachykardie (VT) nebo ventrikulární fibrilace (VF).
Jiný: PODPORA KLINICKÉHO ROZHODNUTÍ PERSONALIZOVANÁ AI
ROZHODOVÁNÍ S POVOLENOU AI PRO OSOBNÍ PODPORU KLINICKÉHO ROZHODOVÁNÍ
Onkologie – rakovina prsu
Primárním cílem v tomto scénáři klinického případu je vyhodnotit model ML využívající strukturovaná a nestrukturovaná data z klinického, demografického a nádorového molekulárního a zárodečného sekvenování u ambulantních pacientů s rakovinou, aby bylo možné předpovědět krátkodobou mortalitu a/nebo pokles symptomů. Model pro predikci odpovědi na léčbu u pacientek s rakovinou prsu bude porovnán se dvěma prognostickými nástroji: 1) Conversation Connect, dříve ověřený nástroj pro predikci úmrtnosti pomocí strojového učení, který byl používán na University of Pennsylvania pro rutinní podporu klinického rozhodování, a 2) Elixhauserův index komorbidity, prognostický index založený na komorbiditě běžně používaný ve výzkumu a úpravě rizika.
Jiný: PODPORA KLINICKÉHO ROZHODNUTÍ PERSONALIZOVANÁ AI
ROZHODOVÁNÍ S POVOLENOU AI PRO OSOBNÍ PODPORU KLINICKÉHO ROZHODOVÁNÍ
Sepse
Primárním cílem v tomto scénáři klinického případu je vyvinout a vyhodnotit model ML, který využívá multimodální klinická data (např. strukturovaná data EHR, jako jsou demografické údaje, výsledky laboratorních testů a vitální funkce; nestrukturovaná data EHR včetně textu poznámek o klinických setkáních a , pokud jsou k dispozici, křivky ze zařízení pro monitorování srdce, hemodynamiky a dýchání v reálném čase) k předpovědi potřeby zahájení širokospektrální antimikrobiální terapie u hospitalizovaných pacientů se sepsí. Se zaměřením na implementovatelnou a vysvětlitelnou umělou inteligenci vytvoříme dobře kalibrované předpovědi, které jsou také klinicky smysluplné u lůžka, aby pomohly rozhodování o diagnóze a zahájení léčby v reálném čase. Model pro včasnou diagnostiku a intervenci u sepse bude porovnán s široce používanými komerčními a open source predikčními modely sepse.
Jiný: PODPORA KLINICKÉHO ROZHODNUTÍ PERSONALIZOVANÁ AI
ROZHODOVÁNÍ S POVOLENOU AI PRO OSOBNÍ PODPORU KLINICKÉHO ROZHODOVÁNÍ

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Neurosymbolické algoritmy učení
Časové okno: Prototypujte a vyvíjejte nové učební algoritmy; 18 měsíců. Srovnávat a vyhodnocovat algoritmy učení; 24 měsíců. Publikovat výsledky výzkumu; 24 měsíců
Vyvinout a vyhodnotit nové algoritmy pro trénink neurosymbolických modelů. Vyvineme datově a výpočetně efektivní algoritmy pro end-to-end trénování neurosymbolických modelů. Tento úkol sníží zátěž pro klinické odborníky při poskytování jemnozrnných štítků na objemných datech EHR.
Prototypujte a vyvíjejte nové učební algoritmy; 18 měsíců. Srovnávat a vyhodnocovat algoritmy učení; 24 měsíců. Publikovat výsledky výzkumu; 24 měsíců
Vysvětlovací metody
Časové okno: Prototypujte a vyvíjejte nové vysvětlovací algoritmy; 18 měsíců. Odvozujte certifikované záruky na vysvětlení; 18 měsíců. Srovnávat a hodnotit vysvětlující algoritmy; 24 měsíců. Rozšíření certifikátů o nové vlastnosti a úlohy; 30 měsíců. Publ
Vyvineme nové vysvětlitelné techniky umělé inteligence, které přicházejí s ověřitelnými zárukami. Tyto záruky umožní důvěru a transparentnost v AI na základní úrovni.
Prototypujte a vyvíjejte nové vysvětlovací algoritmy; 18 měsíců. Odvozujte certifikované záruky na vysvětlení; 18 měsíců. Srovnávat a hodnotit vysvětlující algoritmy; 24 měsíců. Rozšíření certifikátů o nové vlastnosti a úlohy; 30 měsíců. Publ
Metody pro záruky bezpečnosti
Časové okno: Prototypujte a vyvíjejte nové algoritmy učení pravidel; 30 měsíců. Škálujte algoritmy učení pravidel na větší nastavení dat; 36 měsíců. Začlenit nová primitiva k vyjádření složitých pravidel; 36 měsíců. Implementujte algoritmy učení pravidel na základní úkoly
Vyvineme nové algoritmy, které dokážou škálovatelně extrahovat složitá logická pravidla upravující bezpečnost z dat, která mají statistické záruky. Tyto techniky budou vycházet ze statistické analýzy a pomohou uživatelům identifikovat data mimo distribuci a odhalit anomálie.
Prototypujte a vyvíjejte nové algoritmy učení pravidel; 30 měsíců. Škálujte algoritmy učení pravidel na větší nastavení dat; 36 měsíců. Začlenit nová primitiva k vyjádření složitých pravidel; 36 měsíců. Implementujte algoritmy učení pravidel na základní úkoly

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Abramson Cancer Center at Penn Medicine

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Aktuální)

29. listopadu 2025

Primární dokončení (Odhadovaný)

1. listopadu 2028

Dokončení studie (Odhadovaný)

1. listopadu 2028

Termíny zápisu do studia

První předloženo

15. listopadu 2024

První předloženo, které splnilo kritéria kontroly kvality

15. listopadu 2024

První zveřejněno (Aktuální)

19. listopadu 2024

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

25. února 2026

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

23. února 2026

Naposledy ověřeno

1. února 2026

Více informací

Termíny související s touto studií

Další relevantní podmínky MeSH

Další identifikační čísla studie

  • 34124

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

NE

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

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 .

Předplatit