AI-drevet forudsigelse af dialyseresultater med EPJ
Forudsigelse af kliniske resultater hos dialysepatienter, der bruger elektroniske sundhedsregistre: En AI-baseret tilgang
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Undersøgelsestype
Undersøgelsestype
Tilmelding (Anslået)
Tilmelding
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Fei Liu, MD
- Telefonnummer: +86 13810512704
- E-mail: liufei_2359@163.com
Studiesteder
-
-
Beijing
-
Beijing, Beijing, Kina
- Rekruttering
- General Hospital of PLA
-
Kontakt:
- Delong Zhao
- Telefonnummer: +86 13810512704
- E-mail: feiliu0108@gmail.com
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Patienter, der har været i dialyse (enten hæmodialyse eller peritonealdialyse) i mindst 3 måneder.
- Fuldstændige og tilgængelige EPJ-data, herunder sygehistorie, laboratorietestresultater, detaljer om dialysebehandling og kliniske observationer.
- Deltagerne skal give informeret samtykke til brugen af deres helbredsdata til forskningsformål.
Ekskluderingskriterier:
- Patienter med ufuldstændige eller manglende kritiske EPJ-data, herunder sygehistorie, laboratorieresultater, dialysedata eller behandlingsoplysninger, der er nødvendige for undersøgelsen.
- Patienter, der har været i dialyse i mindre end 3 måneder, for at sikre stabile data til resultatforudsigelse.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Gruppe med høj risiko
Deltagerne forudsagde at have en høj risiko for dødelighed baseret på AI-assisterede forudsigelsesmodeller ved hjælp af deres EPJ-data, herunder sygehistorie, laboratorieresultater, detaljer om dialysebehandling og kliniske observationer.
|
Denne undersøgelse anvender en AI-assisteret forudsigelsesmodel, der analyserer multimodale data fra elektroniske sundhedsregistre, herunder medicinsk historie, laboratorieresultater, dialysebehandlingsdetaljer og kliniske observationer, for at forudsige resultater for dialysepatienter.
Modellen anvender dybe indlæringsalgoritmer til at forudsige dødelighedsrisiko, mellemliggende resultater såsom anæmi, blodtrykskontrol, ernæring og calcium-phosphatmetabolisme og hjælper med at identificere tidlige tegn på forringelse.
Interventionen er ikke en direkte behandling eller procedure, men sigter mod at udvikle et værktøj til at forudsige patientresultater og optimere behandlingsstrategier for at forbedre den samlede sundheds- og overlevelsesrate for dialysepatienter.
|
|
Lavrisikogruppe
Deltagerne forudsagde at have en lav risiko for dødelighed baseret på den AI-assisterede forudsigelsesmodel, som vil blive sammenlignet med gruppen med høj risiko for evaluering af effektiviteten af tidlige interventionsstrategier.
|
Denne undersøgelse anvender en AI-assisteret forudsigelsesmodel, der analyserer multimodale data fra elektroniske sundhedsregistre, herunder medicinsk historie, laboratorieresultater, dialysebehandlingsdetaljer og kliniske observationer, for at forudsige resultater for dialysepatienter.
Modellen anvender dybe indlæringsalgoritmer til at forudsige dødelighedsrisiko, mellemliggende resultater såsom anæmi, blodtrykskontrol, ernæring og calcium-phosphatmetabolisme og hjælper med at identificere tidlige tegn på forringelse.
Interventionen er ikke en direkte behandling eller procedure, men sigter mod at udvikle et værktøj til at forudsige patientresultater og optimere behandlingsstrategier for at forbedre den samlede sundheds- og overlevelsesrate for dialysepatienter.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Dødelighedsforudsigelsesnøjagtighed
Tidsramme: 1 år
|
Den AI-assisterede prædiktive models evne til præcist at forudsige risikoen for dødelighed hos dialysepatienter.
Prædiktionsnøjagtighed vil blive vurderet ved hjælp af Area Under the Curve (AUC), F1-score og sensitivitet/specificitet.
Modellen vil blive evalueret ved at sammenligne den forudsagte dødelighedsrisiko med faktiske resultater (dvs. om patienterne overlevede eller døde i løbet af undersøgelsesperioden).
|
1 år
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Komplikationer Forudsigelse Nøjagtighed
Tidsramme: 1 år
|
Nøjagtigheden af den AI-assisterede prædiktive model til at forudsige komplikationer, som ofte opleves af dialysepatienter, herunder anæmi, ukontrolleret blodtryk, dårlig ernæringsstatus og abnormiteter i calcium-phosphat-metabolismen.
Modellens ydeevne vil blive vurderet ved hjælp af målinger såsom AUC, F1-score og nøjagtighed ved at sammenligne forudsagte værdier med faktiske kliniske resultater, såsom laboratorieresultater, kliniske diagnoser og patientens helbredsstatus.
|
1 år
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Anslået)
Primær færdiggørelse
Studieafslutning (Anslået)
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
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- Dialysis
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
produkt fremstillet i og eksporteret fra U.S.A.
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 .