AI řízená předpověď infekcí získaných v nemocnici EHR
16. dubna 2025 aktualizováno: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Předvídání nemocí získaných infekcí pomocí elektronických zdravotních záznamů: přístup s pomocí umělé inteligence
Jedná se o retrospektivní klinickou studii s vícecentry, která má vyhodnotit aplikaci a účinnost prediktivního modelu pomocí AI pro identifikaci a diagnostiku infekce, využívající multimodální zdravotní údaje.
Přehled studie
Postavení
Nábor
Podmínky
Intervence / Léčba
Detailní popis
Infekce získané v nemocnici (HAI) jsou významnou příčinou morbidity a úmrtnosti v prostředích zdravotní péče.
Včasná identifikace a prevence HAI jsou zásadní pro zlepšení výsledků pacientů, snížení nákladů na zdravotní péči a zabránění šíření infekcí.
V klinické praxi musí poskytovatelé zdravotní péče často integrovat širokou škálu údajů o pacientech, včetně anamnézy, výsledků laboratorních testů, používání léků, chirurgických postupů a klinických pozorování, aby se posoudila rizika infekce a zabránila HAI.
Vzhledem k tomu, že kontrola infekce a přesnost medicíny jsou stále důležitější, zůstává výzvou předpovídat a předcházet infekcím, zejména u pacientů s jemnými nebo asymptomatickými rizikovými faktory.
Nedávné pokroky v technikách umělé inteligence a analýzy dat ukázaly velký slib při zlepšování přesnosti a účinnosti předpovědi a prevence infekce.
Cílem této studie je vyvinout systém rozhodování s přiměřeným AI integrací multimodálních údajů z elektronických zdravotních záznamů, laboratorních výsledků, klinických pozorování a demografie pacientů.
Cílem je posílit včasnou identifikaci pacientů ohrožených HAI, zefektivňuje klinické pracovní postupy a optimalizovat opatření kontroly infekce.
Nakonec se tento systém snaží snížit výskyt infekcí získaných v nemocnici, zlepšit bezpečnost pacientů a zvýšit celkovou kvalitu zdravotní péče.
Typ studie
Pozorovací
Zápis (Odhadovaný)
1000000
Kontakty a umístění
Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.
Studijní kontakt
- Jméno: Fei Liu, MD
- Telefonní číslo: +86 13810512704
- E-mail: liufei_2359@163.com
Studijní místa
-
-
Zhejiang
-
Wenzhou, Zhejiang, Čína
- Nábor
- First Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Cheng Tang
- E-mail: c249325687@163.com
-
Wenzhou, Zhejiang, Čína
- Nábor
- Second Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Sian Liu
- Telefonní číslo: +86-0577-88002888
- E-mail: liusan@mail3.sysu.edu.cn
-
-
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
- Dítě
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Ano
Metoda odběru vzorků
Vzorek nepravděpodobnosti
Studijní populace
Studovaná populace se skládá z jedinců, kterým byla poskytnuta péče v zúčastněných studijních centrech.
Účastníci musí mít k dispozici komplexní elektronické zdravotní záznamy (EHR), včetně anamnézy, výsledků laboratorních testů, údajů o léčbě a klinických pozorování.
Do studie budou zahrnuti jak jedinci, u kterých se rozvinuly nemocniční infekce (HAI), tak ti, kteří ne, aby se vyhodnotily prediktivní schopnosti modelu s podporou AI pro riziko infekce.
Studie se zaměří na pacienty s kompletními a zdokumentovanými záznamy péče ze zúčastněných center, což zajistí různorodou kohortu pro analýzu napříč různými věkovými skupinami a typy infekcí.
Popis
Kritéria zahrnutí:
- Pacienti s úplnými a přístupnými údaji EHR, včetně anamnézy, výsledky laboratorních testů, léčebných režimů, klinických pozorování a historie infekce.
- Pacienti, kteří byli přijati do zúčastněné nemocnice nebo zdravotnického zařízení během období studie.
- Všichni účastníci musí poskytnout informovaný souhlas s využitím svých údajů o zdraví pro účely výzkumu.
Kritéria vyloučení:
- Pacienti s neúplnými nebo chybějícími kritickými daty EHR, jako jsou laboratorní výsledky, anamnéza nebo podrobnosti o léčbě, které jsou nezbytné pro předpověď infekce.
- Pacienti, kteří mají závažné kognitivní poruchy, demenci nebo podmínky, které jim brání v poskytování informovaného souhlasu nebo účasti na studii.
- Pacienti, kteří nebyli během studijního období přijati do nemocnice nebo kteří dostávají pouze ambulantní péči.
- Pacienti s terminálními stavy, kde se předpověď infekce nemusí vztahovat na klinické cíle studie.
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 |
|---|---|
|
Kohorta nemocniční infekce
Tato skupina se skládá z pacientů, kteří během pobytu v nemocnici vyvinuli infekci získanou v nemocnici (HAI).
Účastníci této kohorty budou použity k vyhodnocení účinnosti prediktivního modelu s přiměřeným AI při identifikaci rizikových faktorů vedoucích k infekcím získaným v nemocnici.
Model bude hodnocen na základě přesnosti predikce rizik infekcí u hospitalizovaných pacientů.
V rámci této kohorty nebudou poskytnuty žádné specifické intervence za stávající postupy kontroly infekce nemocnice.
|
Tento zásah zahrnuje systém umělé inteligence, který integruje multimodální data, včetně anamnézy pacienta, výsledků laboratorních testů, klinických pozorování a údajů o léčbě, aby bylo možné předpovědět riziko infekcí získaných v nemocnici (HAI).
Systém využívá algoritmy hlubokého učení k poskytování přesných předpovědí v reálném čase, což umožňuje včasnou identifikaci pacientů s rizikem infekcí.
Analýzou historických údajů o zdraví se model zaměřuje na předpovídání potenciálního vývoje infekce, zlepšení včasné detekce, preventivních strategií a výsledků pacientů v nemocničním prostředí.
|
|
Zdravá kohorta (bez hai)
Tato skupina se skládá z pacientů, u kterých se během pobytu v nemocnici nevyvinuly žádné infekce získané v nemocnici.
Účastníci této kohorty budou sloužit jako kontrolní skupina pro srovnání s experimentální skupinou.
U modelu asistovaného AI bude hodnocena jeho schopnost rozlišovat mezi pacienty, kteří jsou ohroženi rozvojem infekcí, a těmi, kteří během hospitalizace zůstávají bez infekce.
V rámci této kohorty nebudou poskytovány žádné intervence, protože představují pacienty bez komplikací souvisejících s infekcí.
|
Tento zásah zahrnuje systém umělé inteligence, který integruje multimodální data, včetně anamnézy pacienta, výsledků laboratorních testů, klinických pozorování a údajů o léčbě, aby bylo možné předpovědět riziko infekcí získaných v nemocnici (HAI).
Systém využívá algoritmy hlubokého učení k poskytování přesných předpovědí v reálném čase, což umožňuje včasnou identifikaci pacientů s rizikem infekcí.
Analýzou historických údajů o zdraví se model zaměřuje na předpovídání potenciálního vývoje infekce, zlepšení včasné detekce, preventivních strategií a výsledků pacientů v nemocničním prostředí.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Oblast pod křivkou (AUC)
Časové okno: 1 rok
|
AUC křivky ROC, používané ke kvantifikaci diagnostické přesnosti.
Žádná jednotka (poměr nebo procento, obvykle vyjádřené jako číslo mezi 0 a 1).
|
1 rok
|
|
Skóre F1
Časové okno: 1 rok
|
Skóre F1 je harmonický průměr přesnosti a citlivosti (odvolání).
Je to dobrá míra schopnosti modelu identifikovat jak skutečná pozitiva, tak minimalizovat falešná pozitiva, zejména v případech, kdy jsou třídy nevyvážené (např. Když je počet zdravých případů mnohem vyšší než případy nemoci).
Skóre F1 se pohybuje od 0 do 1, přičemž 1 označuje dokonalou přesnost a vyvolání.
|
1 rok
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Citlivost (skutečně pozitivní míra)
Časové okno: 1 rok
|
Citlivost měří, jak dobře model AI identifikuje skutečné pozitivní případy, jako je správná diagnostika těhotných žen s komplikacemi nebo identifikace neonatálních poruch.
|
1 rok
|
|
Specifičnost (skutečná negativní sazba)
Časové okno: 1 rok
|
Specifičnost měří schopnost modelu AI správně identifikovat případy bez onemocnění, což zajišťuje, že zdravé matky a kojenci jsou správně identifikovány jako negativní.
|
1 rok
|
Spolupracovníci a vyšetřovatelé
Zde najdete lidi a organizace zapojené do této studie.
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)
1. února 2023
Primární dokončení (Odhadovaný)
1. května 2025
Dokončení studie (Odhadovaný)
1. května 2025
Termíny zápisu do studia
První předloženo
19. ledna 2025
První předloženo, které splnilo kritéria kontroly kvality
19. ledna 2025
První zveřejněno (Aktuální)
24. ledna 2025
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
17. dubna 2025
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
16. dubna 2025
Naposledy ověřeno
1. dubna 2025
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- Hospital-Acquired Infections
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
produkt vyrobený a vyvážený z USA
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 .