Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Oftalmisk multimodal AI-assisteret medicinsk beslutningstagning

16. april 2025 opdateret af: Kang Zhang, The Eye Hospital of Wenzhou Medical University

En undersøgelse af oftalmisk multimodal AI-assisteret medicinsk beslutningstagning baseret på billeddannelse og elektroniske journaldata

Dette er et multicenter, retrospektivt klinisk studie designet til at evaluere anvendelsen og effektiviteten af ​​et AI-assisteret medicinsk beslutningsstøttesystem, der udnytter multimodal datafusion, i oftalmisk klinisk praksis.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Synsforstyrrelser påvirker i høj grad den enkeltes livskvalitet. Tidlig screening, diagnosticering og behandling af øjensygdomme er afgørende for at forhindre opståen og progression af synsforstyrrelser. I klinisk praksis har øjenlæger ofte brug for at integrere en bred vifte af patientdata, herunder demografiske oplysninger, sygehistorie, biokemiske markører såsom blodsukker og lipidniveauer, risikofaktorer samt forskellige oftalmiske data, såsom fundusbilleder, OCT-scanninger , og synsfelttests for at stille en nøjagtig diagnose og udvikle en passende behandlingsplan. I en æra, hvor præcision og personlig medicin er på forkant med sundhedsvæsenet, er den tidlige opdagelse og diagnosticering af øjensygdomme, samt udvælgelsen af ​​passende diagnostiske og terapeutiske strategier på forskellige stadier af sygdommen, blevet betydelige udfordringer i kliniske omgivelser. Nylige fremskridt inden for medicinsk billeddannelse og analyseteknikker har i høj grad forbedret nøjagtigheden og effektiviteten af ​​diagnosticering af øjensygdomme. Denne undersøgelse har til formål at udvikle et oftalmisk kunstig intelligens-assisteret beslutningstagningssystem ved at integrere multimodale data fra billeddiagnostik og elektroniske medicinske journaler i kombination med deep learning-teknikker. Målet er at forbedre diagnostisk nøjagtighed, strømline kliniske arbejdsgange og give patienter mere personlige behandlingsmuligheder. I sidste ende søger dette system at forbedre behandlingsresultater og forbedre den overordnede livskvalitet for patienter, der lider af øjensygdomme.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

5000000

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Studiesteder

    • Guangdong
      • Zhuhai, Guangdong, Kina
        • Rekruttering
        • ZhuHai Hospital, zhuhai, guangdong
        • Kontakt:
    • Zhejiang
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • First Affiliated Hospital of Wenzhou Medical University
        • Kontakt:
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • Second Affiliated Hospital of Wenzhou Medical Universit
        • Kontakt:
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • The Eye Hospital of Wenzhou Medical University
        • Kontakt:
      • Macau, Macau
        • Rekruttering
        • Macau University of Science and Technology Hospital
        • Kontakt:

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Alle patienter, der har modtaget behandling på flere centre, herunder The Eye Hospital of Wenzhou Medical University, First Affiliated Hospital of Wenzhou Medical University, Second Affiliated Hospital of Wenzhou Medical University, ZhuHai Hospital og Macau University of Science and Technology Hospital.

Beskrivelse

Inklusionskriterier:

1. Alle patienter, der har modtaget behandling på flere centre, herunder Øjenhospitalet ved Wenzhou Medical University, First Affiliated Hospital of Wenzhou Medical University, Second Affiliated Hospital of Wenzhou Medical University, ZhuHai Hospital og Macau University of Science and Technology Hospital.

2. Tilgængelighed af omfattende elektroniske sundhedsjournaler (EPJ), herunder: Oftalmiske billeder (f.eks. fundusfotografering, OCT eller spaltelampebilleder). Elektroniske journaler (f.eks. diagnose, behandling og opfølgningsnotater). Undersøgelsesresultater (f.eks. synsstyrke, intraokulært tryk eller laboratorietest). 3.Patienter med en klar og bekræftet diagnose af en eller flere øjensygdomme. 4. Patienter med tilstrækkelige opfølgningsjournaler til at muliggøre vurdering af sygdomsprogression eller prognose, hvis det er relevant.

  1. Alle oftalmologiske patienter, som tidligere har modtaget behandling på Oftalmologisk afdeling, Øjenhospitalet ved Wenzhou Medical University, First Affiliated Hospital of Wenzhou Medical University, Second Affiliated Hospital of Wenzhou Medical University, Zhuhai People's Hospital og University Hospital.
  2. Tilgængelighed af omfattende elektroniske sundhedsjournaler (EPJ), herunder: Oftalmiske billeder (f.eks. fundusfotografering, OCT eller spaltelampebilleder). Elektroniske journaler (f.eks. diagnose, behandling og opfølgningsnotater). Undersøgelsesresultater (f.eks. synsstyrke, intraokulært tryk eller laboratorietest).
  3. Patienter med en klar og bekræftet diagnose af en eller flere øjensygdomme.
  4. Patienter med tilstrækkelige opfølgningsjournaler til at muliggøre vurdering af sygdomsprogression eller prognose, hvis det er relevant.

Ekskluderingskriterier:

  1. Ufuldstændige eller manglende kritiske EPJ-komponenter.
  2. Sager med tvetydige eller uverificerede diagnoser, som ikke kan kategoriseres klart.
  3. Duplikerede eller redundante data fra samme patient.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
normal
patienter, der ikke har øjensygdommene
øjensygdomme
patienter, der har øjensygdomme
Denne intervention involverer et AI-system, der udnytter multimodal datafusion til at understøtte den kliniske beslutningstagning og evaluering af oftalmiske sygdomme. Den integrerer multimodale data, herunder fundusfotografering, optisk kohærenstomografi (OCT) og patientjournaler, for at give real-time, præcis og personlig diagnostisk support. I modsætning til andre modeller bruger dette system et longitudinelt patientdatasæt til at forudsige sygdomsprogression og behandlingsresultater. Nøgle kendetegn omfatter: 1. Multi-modal dataintegration: Kombinerer billeddannelses-, kliniske og genetiske data til omfattende analyse. 2. Forudsigelsesevne: Tilbyder avancerede prognostiske forudsigelser, hvilket muliggør personlige behandlingsplaner. 3. Deep Learning Framework: Anvender state-of-the-art deep learning algoritmer for forbedret diagnostisk nøjagtighed og effektivitet. 4. Real-World Validering: Valideret ved hjælp af en stor kohorte af forskelligartede patientdata, hvilket sikrer generaliserbarhed og robusthed.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Area Under the Curve (AUC)
Tidsramme: 1 år
AUC for ROC-kurven, bruges til at kvantificere diagnostisk nøjagtighed. Ingen enhed (et forhold eller en procentdel, typisk udtrykt som et tal mellem 0 og 1).
1 år
Følsomhed
Tidsramme: 1 år
Sensitivitet (også kaldet True Positive Rate) er et mål for, hvor godt en model identificerer positive tilfælde. Det er defineret som andelen af ​​faktiske positive tilfælde, der er korrekt identificeret af modellen. Ingen enhed (et forhold eller en procentdel, typisk udtrykt som en procentdel).
1 år
Nøjagtighed Nøjagtighed Nøjagtighed
Tidsramme: 1 år
Nøjagtighed måler andelen af ​​alle korrekte forudsigelser (sande positive og sande negative) ud af det samlede antal tilfælde evalueret af modellen. Ingen enhed (et forhold eller en procentdel, typisk udtrykt som en procentdel).
1 år
Specificitet
Tidsramme: 1 år
Specificitet (også kaldet True Negative Rate) måler andelen af ​​faktiske negative tilfælde, der er korrekt identificeret af modellen. Ingen enhed (et forhold eller en procentdel, typisk udtrykt som en procentdel).
1 år
Falsk positiv rate
Tidsramme: 1 år
Falsk Positiv Rate (FPR) måler andelen af ​​faktiske negative tilfælde, der er forkert identificeret som positive af modellen. Ingen enhed (et forhold eller en procentdel, typisk udtrykt som en procentdel).
1 år
Falsk negativ sats
Tidsramme: 1 år
False Negative Rate (FNR) måler andelen af ​​faktiske positive tilfælde, der er forkert identificeret som negative af modellen. Ingen enhed (et forhold eller en procentdel, typisk udtrykt som en procentdel).
1 år
Postoperativ komplikationsfrekvens
Tidsramme: 1 år
Procentdel (%) af patienter, der oplever postoperative komplikationer.
1 år
Risiko for gentagelse
Tidsramme: 1 år
Procentdel (%) af patienter, der oplever recidiv i opfølgningsperioden.
1 år
Overlevelsesrate
Tidsramme: 1 år
Procentdel (%) af patienter i live, beregnet ved hjælp af Kaplan-Meier overlevelseskurver.
1 år
Effektiviteten af ​​beslutningsstøtte
Tidsramme: 1 år
Procentvis (%) forbedring i nøjagtigheden af ​​behandlingsbeslutninger med AI-assistance sammenlignet med traditionelle beslutninger.
1 år
Beslutningstidseffektivitet
Tidsramme: 1 år
Gennemsnitlig tid (sekunder), der kræves for læger til at træffe diagnostiske og behandlingsbeslutninger, før og efter AI-assistance.
1 år

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
System Usability Score
Tidsramme: 1 år
Evalueret ved hjælp af System Usability Scale (SUS), med score fra 0-100.
1 år
AI-systemets responstid
Tidsramme: 1 år
Gennemsnitlig tid (sekunder), det tager for AI'en at give anbefalinger efter datainput.
1 år
Systemfejlfrekvens
Tidsramme: 1 år
Hyppighed af AI-systemfejl, målt som fejl pr. tusinde timers brug (fejl/tusind timer).
1 år
Brugergrænsefladedesigntilfredshed
Tidsramme: 1 år
Evalueret ved hjælp af User Experience Questionnaire (UEQ), med score fra 1-7.
1 år
Patienttilfredshedsscore
Tidsramme: 1 år
Målt ved hjælp af Patient Satisfaction Questionnaire (CSQ-8), med score fra 8-32.
1 år
Behandlingsoverholdelse
Tidsramme: 1 år
Procentdel (%) af patienter, der overholder personlige behandlingsplaner og regelmæssige opfølgningsbesøg.
1 år
Læge Accept af AI System
Tidsramme: 1 år
Evalueret ved hjælp af Technology Acceptance Model (TAM) skalaen, med score fra 1-7.
1 år

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Efterforskere

  • Ledende efterforsker: Kang Zhang, PhD., The Eye Hospital of Wenzhou Medical University

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

20. december 2024

Primær færdiggørelse (Anslået)

1. maj 2025

Studieafslutning (Anslået)

1. maj 2025

Datoer for studieregistrering

Først indsendt

15. december 2024

Først indsendt, der opfyldte QC-kriterier

23. december 2024

Først opslået (Faktiske)

1. januar 2025

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

17. april 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

16. april 2025

Sidst verificeret

1. april 2025

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • Ophthalmic Multimodal AI

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

produkt fremstillet i og eksporteret fra U.S.A.

Ingen

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 .