Predikce genotypu řízeného AI pomocí eHR a multimodálních dat
16. dubna 2025 aktualizováno: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Předpovídání genotypů pacientů pomocí elektronických zdravotních záznamů a multimodálních dat prostřednictvím modelů založených na AI
Cílem této klinické studie je prozkoumat potenciál používání elektronických zdravotních záznamů (EHR) a multimodálních dat (jako je zobrazování, laboratorní výsledky a klinická anamnéza) k predikci genotypu pacienta.
Studie vyhodnotí, zda prediktivní modely založené na těchto negenetických datech mohou přesně odvodit genetické informace, které tradičně vyžadují přímé genetické testování.
Přehled studie
Detailní popis
Tato multicentrická retrospektivní klinická studie si klade za cíl vyhodnotit použití elektronických zdravotních záznamů (EHR) a multimodálních dat (jako jsou výsledky klinických laboratoří, zobrazovací data a anamnéza) při predikci genotypu pacienta.
Primárním cílem studie je vyvinout predikční model založený na umělé inteligenci, který dokáže odvodit genetickou informaci analýzou dostupných zdravotních údajů, čímž se eliminuje potřeba přímého genetického testování. Model umělé inteligence bude vycvičen ke zpracování a integraci velkých souborů dat, včetně EHR, laboratorní výsledky a zobrazovací data, jako jsou rentgenové paprsky, MRI a ultrazvuky, aby bylo možné předpovědět genotypové informace.
Studie porovná předpovědi založené na AI se skutečnými výsledky genetického testování, aby se vyhodnotila přesnost modelu.
Pokud bude úspěšná, mohla by tato metoda poskytnout neinvazivní, nákladově efektivní nástroj pro predikci genotypu, který by mohl být použit v personalizované medicíně, včasné diagnostice onemocnění a stratifikaci rizika. Účastníci nebudou v rámci studie podstupovat žádné genetické testování.
Místo toho budou jejich historická lékařská data analyzována systémem umělé inteligence, aby bylo možné předpovědět genetické informace a související rizika onemocnění.
Studie posoudí schopnost modelu předvídat genetické predispozice k různým zdravotním stavům na základě dostupných zdravotních dat.
Studie si tak klade za cíl posunout využití AI v klinickém rozhodování a genetické diagnostice.
Typ studie
Pozorovací
Zápis (Odhadovaný)
100000
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
-
-
Guangdong
-
Guangzhou, Guangdong, Čína
- Nábor
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
Kontakt:
- Yunfang Yu
- Telefonní číslo: +86 020-81332199
- E-mail: yuyf9@mail.sysu.edu.cn
-
Guangzhou, Guangdong, Čína
- Nábor
- Sun Yat-sen University Cancer Hospital
-
Kontakt:
- Yuxing Lu
- Telefonní číslo: +86 13161233730
- E-mail: yxlu0613@gmail.com
-
-
Zhejiang
-
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
-
Wenzhou, Zhejiang, Čína
- Dokončeno
- First Affiliated Hospital of Wenzhou Medical University
-
-
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
Populace studie bude vybrána z několika zdravotnických středisek, která vedou komplexní elektronické zdravotní záznamy (EHR) a mají přístup k multimodálním klinickým datům, včetně laboratorních výsledků, lékařského zobrazení (např. rentgenové snímky, MRI, CT skeny) a anamnézy.
Účastníky budou jedinci s různými zdravotními stavy, pro které je relevantní informace o genotypu, i když pro selekci nebudou použity žádné specifické genetické charakteristiky.
Důraz bude kladen na využití dostupných zdravotních dat k predikci genetické informace prostřednictvím modelu AI.
Cílem studie je zhodnotit přesnost a užitečnost použití negenetických dat, jako je EHR a multimodální zobrazování, pro predikci genotypů pacientů, což může poskytnout alternativní přístup k tradičním metodám genetického testování.
Popis
Kritéria pro zařazení:
- Účastníci musí mít komplexní elektronické zdravotní záznamy (EHR), včetně anamnézy, laboratorních výsledků a relevantních zobrazovacích dat (např. rentgenové snímky, MRI, CT skeny).
- Účastníci musí mít pro srovnání k dispozici existující údaje o genetických testech.
- Účastníci musí být ochotni poskytnout souhlas pro používání svých zdravotních údajů ve studii.
- Během studijního období nesmí účastníci mít žádný aktivní zásah související s genetickým testováním nebo predikcí.
- Účastníci by měli mít úplná a ověřitelná zdravotní data, aby bylo možné pomocí modelu umělé inteligence přesně předpovídat.
Kritéria vyloučení:
- Účastníci bez dostupných výsledků EHR, laboratoře nebo zobrazovacích dat.
- Účastníci s nejednoznačnými, nepřesnými nebo neověřitelnými výsledky genetického testování, které nelze použít pro srovnání.
- Pacienti s významnými nesrovnalostí nebo chybějícími údaji, které by zabránily modelu AI v provádění přesných předpovědí.
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 |
|---|---|
|
Predikce genotypu založená na umělé inteligenci pomocí EHR a multimodálních dat
Tato kohorta se skládá z pacientů, jejichž historické údaje o zdraví, včetně elektronických zdravotních záznamů (EHR), výsledků klinické laboratoře a multimodálních zobrazovacích údajů (jako jsou rentgenové paprsky, MRI a CT skenování), budou analyzovány predikčním modelem založeným na AI předpovídat jejich genotyp.
V této kohortě nejsou žádné aktivní zásahy, protože studie si klade za cíl použít negenetické zdravotní údaje k odvození genetických informací.
Účastníci nebudou podstoupit genetické testování, ale poskytnou jejich zdravotní údaje pro analýzu systémem AI.
Cílem této skupiny je posoudit přesnost modelu AI při předpovídání genotypů a identifikaci genetických predispozic k různým onemocněním na základě dostupných zdravotních údajů.
|
Intervence v této studii zahrnuje prediktivní model založený na AI, jehož cílem je analyzovat a integrovat pacientské elektronické zdravotní záznamy (EHR), výsledky klinické laboratoře a multimodální zobrazovací údaje (např. Rentgenové paprsky, MRI, CT SCAN).
Model AI je vyškolen k predikci genotypu pacienta na základě těchto negenetických zdrojů dat.
Tento model používá algoritmy strojového učení k detekci vzorců a odvození genetických informací, které by tradičně vyžadovaly přímé genetické testování.
Do této intervence neexistují žádné aktivní léčby ani genetické testy; Systém AI spíše slouží jako nástroj k predikci genetických informací z dostupných klinických údajů a nabízí neinvazivní a potenciálně dostupnější alternativu k genetickému testování.
|
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. července 2023
Primární dokončení (Odhadovaný)
1. června 2025
Dokončení studie (Odhadovaný)
1. června 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
Klíčová slova
Další identifikační čísla studie
- Genotype
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 .