Kunstig intelligens i børneklinikken
Anvendelse af kunstig intelligens i børneklinikken
I Kina er antallet af børns medicinske tjenester stadig langt bagefter den voksende efterspørgsel efter børns sundhedspleje. Fænomenet med, at børns forældre står i kø natten over for at blive tilmeldt, er ikke længere overraskende. Dette skyldes stigningen i antallet af børn og manglen på pædiatriske talenter. På pædiatrisk afdeling stiger antallet af patienter år for år, men børnelægen mangler fra start til slut. Ud over ambulant service udfører børnelæger på store hospitaler også operationer, videnskabelig forskning og andre opgaver. Som følge heraf må mange læger opgive deres ferier, hvilket gør dem elendige og mindsker deres entusiasme for arbejdet. Den lange køtid reducerede også patienternes tilfredshed, hvilket resulterede i en intensivering af konflikten mellem børnelæger og patienter.
Dette forskningsprojekt har til formål at skabe et menneske-computer integreret system og udvikle en ny diagnoseproces indlejret med kunstig intelligens (AI). Funktionen af AI-systemet omfatter hovedsageligt 3 aspekter. (1) Patienten bruger en mobiltelefonapplikation, der er indlejret med AI, der giver ham mulighed for at få tjekket op, før han opsøger en læge. Programmet vil stille patienten en række spørgsmål. Baseret på patientens svar vil AI derefter anbefale en række undersøgelser, som alle vil blive gennemgået af lægen på forhånd. Efter at patienten har betalt for det, kunne han gå direkte til undersøgelsen. Så dernæst kunne han gå til lægen med undersøgelsesrapporten, som sparer patienten for besværet med at stå i kø. (2) Samtidig kunne AI-systemet også automatisere sygehistorien. Patienten ville fuldføre selvhjælpshistorieindsamling i fritiden. AI-systemet indsamler sygehistorien og importerer den automatisk til lægens computer. Lægers hovedopgave er at ændre den medicinske historie genereret af AI. Det letter til en vis grad lægernes byrde. (3) Under besøget fanger AI-systemet automatisk informationen i patientens elektroniske journal og genererer den mulige diagnose. Denne proces er til stor hjælp for yngre læger og kan tjene som et signal.
Kort sagt er denne undersøgelse nyttig til effektivt at reducere patienternes ventetid og i høj grad øge deres medicinske erfaring. Samtidig med at lægernes arbejdsintensitet reduceres, er den ambulante procedure på vores hospital blevet effektivt optimeret for til en vis grad at afhjælpe manglen på børnelæger.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Ved at stole på mobilapplikationer og computersoftware ville det opnå:
- Intelligent vejledning og matchning af afdelingen;
- Intelligent medicinsk historieindsamling og generering af AI-journaler;
- Anbefal automatisk eksamensgenstande;
- Assistere med klinisk diagnose og stille intelligent diagnoseforslag.
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Fase
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiesteder
-
-
-
Shanghai, Kina
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, Kina, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Beskrivelse
Inklusionskriterier:
Patienter i alderen 2 måneder til 18 år og vil gå til Shanghai børnelægecenter for behandling.
Ekskluderingskriterier:
- Folk, der ikke accepterer at deltage.
- Folk der ikke kan samarbejde.
- Mennesker, der er svære at følge op på.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Sundhedstjenesteforskning
- Tildeling: Randomiseret
- Interventionel model: Parallel tildeling
- Maskning: Ingen (Åben etiket)
Antal våben
Våben og indgreb
Deltagergruppe / ArmDeltagergruppe / Arm |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Eksperimentel: Patienter med rutinemæssigt ambulant serviceforløb
Efter registreringen står patienten i kø ved døren til lægekontoret.
Hans læge bruger traditionelle metoder til at indtaste lægejournaler i hånden og stille diagnose uafhængigt.
Så står patienten i kø for at betale regningen og står i kø til undersøgelse.
Til sidst ville patienten tage undersøgelsesrapporten tilbage til lægen.
|
Patienter følger procedurerne for registrering, venter, fremmøde, venter, undersøgelse, venter, fremmøde.
|
|
Eksperimentel: Patienter med AI assisteret ambulant serviceproces
Efter registreringen binder patienten sine oplysninger til mobiltelefonapplikationen gennem ambulantnummer.
Først ville AI-systemet stille patienten en række spørgsmål.
Så ville den foretage en dom baseret på patientens svar.
Systemet sender undersøgelsesgenstandene til lægens computer og sender med lægens godkendelse emner tilbage til patienten.
Så patienten kunne gå direkte til undersøgelsen.
Mens han venter på sin tur, går patienten ind i telefonprogrammet igen, og AI-systemet indsamler hans sygehistorie.
Oplysningerne sendes tilbage til lægen.
Når patienten går til lægen med undersøgelsesrapporten, har lægens computer allerede hans journaler.
Lægen skal kun tilpasse historikken efter den faktiske situation.
Efter at have skrevet sygehistorien kunne AI-systemet automatisk stille diagnosen.
Lægen bruger AI's resultater og sin egen dømmekraft til at stille en omfattende diagnose.
|
Patienter følger procedurerne for registrering, AI anbefalede undersøgelsesartikler, selvbetjeningsindsamling af sygehistorie, undersøgelse, ventetid, AI-assisteret fremmøde.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Evaluer effektiviteten af de to processer
Tidsramme: op til 1 måned
|
Sammenlign den gennemsnitlige ventetid for en enkelt patient og den gennemsnitlige besøgstid for en enkelt patient.
|
op til 1 måned
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Evaluer patienternes tilfredshed med medicinske processer
Tidsramme: op til 1 måned
|
Tilfredshedsspørgeskemaet vil blive brugt til at sammenligne graden af tilfredshed mellem de to processer.
|
op til 1 måned
|
|
Økonomiske målinger
Tidsramme: op til 1 måned
|
Brug penge på ambulant, brug penge på undersøgelse et al.
|
op til 1 måned
|
|
Lægers arbejdseffektivitet
Tidsramme: op til 1 måned
|
Brug af historiske data til før-og-efter sammenligninger til at sammenligne indflydelsen af intelligent medicinsk historieindsamling på besøgstidspunktet for hver patient.
|
op til 1 måned
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Publikationer og nyttige links
Generelle publikationer
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- SCMCIRB-K2019020-2
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .