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

Předpověď biologického věku řízená umělou inteligencí s EHR

1. dubna 2025 aktualizováno: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Předpovídání biologického věku pomocí elektronických zdravotních záznamů: přístup založený na umělé inteligenci

Jedná se o retrospektivní klinickou studii s vícecentrií, která má vyhodnotit aplikaci a účinnost prediktivního modelu asistovaného AI pro predikci biologického věku pomocí elektronických zdravotních záznamů (EHR). Studie bude analyzovat různé údaje o zdravotních datech, včetně anamnézy, laboratorních výsledků a klinických pozorování, aby se odhadoval biologický věk pacientů. Cílem studie je porovnáním biologického věku s chronologickým věkem posoudit přesnost modelu a jeho potenciálu při identifikaci zdravotních rizik souvisejících s věkem a zlepšení péče o pacienty.

Přehled studie

Postavení

Nábor

Podmínky

Intervence / Léčba

Detailní popis

Predikce biologického věku je zásadní pro posouzení celkového zdravotního stavu, stanovení rizika onemocnění souvisejících s věkem a poskytování personalizované zdravotní péče. I když je chronologický věk klíčovým faktorem, ne vždy odráží skutečný biologický proces stárnutí jedince. Včasná identifikace zrychleného biologického stárnutí a souvisejících zdravotních rizik může významně ovlivnit včasné intervence a dlouhodobé zdravotní výsledky. V klinické praxi poskytovatelé zdravotní péče integrují širokou škálu údajů o pacientech, včetně anamnézy, výsledků laboratorních testů a klinických pozorování, aby porozuměli zdravotnímu stavu jednotlivce a předpovídali potenciální budoucí rizika. Vzhledem k tomu, že precizní medicína nabývá na důležitosti, je nezbytná schopnost předvídat biologický věk a personalizovat plány péče. Nedávné pokroky v oblasti umělé inteligence a technik analýzy dat se ukázaly jako slibné ve zvýšení přesnosti předpovědí biologického věku. Tato studie si klade za cíl vyvinout rozhodovací systém s podporou umělé inteligence integrací multimodálních dat z elektronických zdravotních záznamů, laboratorních výsledků, klinických pozorování a demografie pacientů. Cílem je zlepšit diagnostickou přesnost, optimalizovat klinické pracovní postupy a poskytovat pacientům více personalizovanou zdravotní péči předpovídáním biologického věku, identifikací rizikových jedinců a zlepšováním zdravotních výsledků.

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

Studijní místa

  • Čína
    • Guangdong
      • Guangzhou, Guangdong, Čína
    • Zhejiang
      • Wenzhou, Zhejiang, Čína
        • Nábor
        • First Affiliated Hospital of Wenzhou Medical University
        • Kontakt:
      • Wenzhou, Zhejiang, Čína
        • Nábor
        • The Eye Hospital of Wenzhou Medical University
        • Kontakt:
      • Wenzhou, Zhejiang, Čína
        • Nábor
        • Second Affiliated Hospital of Wenzhou Medical University
        • Kontakt:

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 se skládá z jednotlivců, kteří se dostali v zúčastněných nemocnicích nebo zdravotnických střediscích s dostupnými elektronickými zdravotními záznamy (EHR). Účastníci budou zahrnovat ty s úplnými údaji EHR, včetně anamnézy lékařské anamnézy, výsledků laboratorních testů, zobrazovacích údajů a faktorů životního stylu, jako je strava, fyzická aktivita a kouření. Kohorta bude zahrnovat jak jednotlivce, kteří jsou zdraví, tak i osoby s chronickými stavy nebo komorbiditami pro analýzu predikce biologického věku napříč různými zdravotními stavy. Studie bude prováděna ve více zdravotnických zařízeních, aby byla zajištěna rozmanitá populace pacientů představující širokou škálu věkových skupin, zdravotních podmínek a demografických údajů.

Popis

Kritéria zahrnutí:

  1. Pacienti s komplexními a dostupnými daty EHR, včetně anamnézy, laboratorních výsledků, údajů o léčbě, zobrazovacích dat (pokud jsou k dispozici) a faktorů životního stylu (např. kouření, fyzická aktivita, strava).
  2. Pacienti bez významných kognitivních poruch, které by jim bránily v poskytování informovaného souhlasu nebo účasti na studii.
  3. Všichni účastníci musí poskytnout informovaný souhlas s použitím jejich lékařských údajů pro výzkumné účely.

Kritéria vyloučení:

  1. Pacienti s neúplnými nebo chybějícími kritickými údaji EHR, jako je anamnéza, laboratorní výsledky nebo údaje o léčbě, které jsou nezbytné pro předpovídání biologického věku.
  2. Atienti se závažnými kognitivními poruchami (např. Demenci, významné mentální postižení), kteří nejsou schopni poskytnout informovaný souhlas nebo se smysluplně účastnit studie.
  3. Pacienti s terminálním onemocněním nebo pacienti s omezenou očekávanou délkou života, kde předpovědi biologického věku nemusí být pro účely studie relevantní.

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
Biologicky mladší skupina
Předpokládá se, že účastníci, jejichž biologický věk je mladší než jejich chronologický věk.
Jiný: Prediktivní model asistovaný A
Tato studie využívá prediktivní model pomocí AI, který analyzuje multimodální údaje z elektronických zdravotních záznamů, včetně anamnézy, laboratorních výsledků, zobrazovacích dat a faktorů životního stylu, k odhadu biologického věku. Model využívá algoritmy hlubokého učení k predikci biologického věku, porovnání ho s chronologickým věkem a identifikaci časných známek zdravotních rizik souvisejících s věkem. Intervence není přímým ošetřením nebo postupem, ale jeho cílem je vyvinout nástroj pro předpovídání biologického věku, který pomáhá personalizovat péči a zlepšit dlouhodobé zdravotní výsledky.
Biologicky starší skupina
Předpokládá se, že účastníci, jejichž biologický věk je starší než jejich chronologický věk.
Jiný: Prediktivní model asistovaný A
Tato studie využívá prediktivní model pomocí AI, který analyzuje multimodální údaje z elektronických zdravotních záznamů, včetně anamnézy, laboratorních výsledků, zobrazovacích dat a faktorů životního stylu, k odhadu biologického věku. Model využívá algoritmy hlubokého učení k predikci biologického věku, porovnání ho s chronologickým věkem a identifikaci časných známek zdravotních rizik souvisejících s věkem. Intervence není přímým ošetřením nebo postupem, ale jeho cílem je vyvinout nástroj pro předpovídání biologického věku, který pomáhá personalizovat péči a zlepšit dlouhodobé zdravotní výsledky.

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Přesnost predikce biologického věku
Časové okno: 1 rok
Přesnost modelu AI při předpovídání biologického věku ve srovnání s chronologickým věkem. To bude vyhodnoceno pomocí Pearsonova korelačního koeficientu (PCC) k posouzení síly korelace mezi předpokládaným biologickým věkem a chronologickým věkem. K vyhodnocení podílu rozptylu v biologickém věku vysvětlil model navíc R-Squared (R²).
1 rok

Sekundární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Korelace zdravotního rizika
Časové okno: 1 rok
Korelace mezi předpokládaným biologickým věkem a různými zdravotními riziky, jako je rozvoj chronických onemocnění (např. Kardiovaskulární onemocnění, diabetes), s použitím PCC k vyhodnocení vztahu mezi předpovědi biologického věku a zdravotními výsledky.
1 rok

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

The Eye Hospital of Wenzhou Medical University

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. března 2023

Primární dokončení (Odhadovaný)

2. dubna 2025

Dokončení studie (Odhadovaný)

2. dubna 2025

Termíny zápisu do studia

První předloženo

19. ledna 2025

První předloženo, které splnilo kritéria kontroly kvality

19. ledna 2025

První zveřejněno (Aktuální)

25. března 2025

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

2. dubna 2025

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

1. dubna 2025

Naposledy ověřeno

1. dubna 2025

Více informací

Termíny související s touto studií

Klíčová slova

Další identifikační čísla studie

  • Biological Age

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 .

Předplatit