Kunstig intelligens til automatiseret klinisk dataudforskning fra elektroniske lægejournaler (CardioMining-AI)
Nytten af kunstig intelligens til automatiseret udvinding og behandling af kliniske data fra elektroniske lægejournaler (CardioMining-AI)
Studieoversigt
Status
Detaljeret beskrivelse
På trods af de seneste års hastige udvikling inden for medicin og datalogi er den medicinske behandling i moderne klinisk praksis ofte empirisk og baseret på retrospektive data. Med det voksende antal patienter og deres koncentration i store tertiære centre bliver det attraktivt systematisk at indsamle kliniske data og anvende dem til risikostratificeringsmodeller. Men med den stigende mængde data bliver manuel dataindsamling og -behandling en udfordring, da denne tilgang er tidskrævende og omkostningsfuld for sundhedssystemerne. Derudover er ustruktureret information, såsom kliniske noter, meget ofte skrevet som fri tekst, der er uegnet til direkte analyse. Brugen af kunstig intelligens er meget lovende og vil hurtigt ændre fremtiden for medicin i de kommende år. På grund af de automatiserede processer, det tilbyder, er det muligt hurtigt og pålideligt at udtrække data til videre behandling. Resultaterne fra brugen af det kan nemt udvides til forskellige sundhedssystemer, hvilket forstærker den producerede viden og forbedrer diagnostisk og terapeutisk nøjagtighed og i sidste ende påvirker sundhedstjenesterne positivt. At indsamle de store mængder data fra forskellige kilder uden at kompromittere patienters personlige data er en stor udfordring i moderne videnskab.
Elektronisk registrerede kliniske notater fra patienter, der var indlagt på kardiologisk afdeling på tertiære hospitaler, vil blive indsamlet retrospektivt, såvel som yderligere filer såsom laboratorie- og billeddiagnostiske undersøgelser relateret til hver indlæggelse. I betragtning af størrelsen af de deltagende klinikker og de år, hvor registreringen af elektroniske sygehusjournaler i elektronisk form er anvendt, skønnes det, at stikprøven af patientjournaler vil være omkring 60.000. Alle oplysninger, der potentielt kan bruges til at identificere en person, såsom navn, ID-nummer, postnummer, bopæl, erhverv, vil blive slettet fra disse elektroniske filer. Kun alderen vil blive registreret, ikke den nøjagtige fødselsdato for hver patient. Kun indlæggelsesdagene vil blive registreret og ikke de nøjagtige datoer for indlæggelse og udskrivning fra hospitalet. Dataene vil således ikke kunne henføres til et specifikt emne, da der ikke vil blive indsamlet yderligere oplysninger eller identifikatorer for forsøgspersonerne. Efter at filerne er anonymiseret, vil hver patients kliniske notat blive forbundet med en specifik nøgle ("identifikator"). Den elektroniske fil, der indeholder korrelationen mellem "identifikatoren" og patientens kliniske notat, vil blive opbevaret på en sikker hospitals elektronisk placering. De fuldt anonymiserede filer vil i første omgang blive analyseret manuelt for at udtrække information til en database, der indeholder alle patienters kliniske informationer, såsom udskrivningsdiagnoser, medicin, behandlingsprotokoller, laboratorie- og diagnostiske tests. Samtidig vil en prøve (1/3) af de kliniske noter blive analyseret for at identificere de søgeord eller sætninger, der er forbundet med hver diagnose (for eksempel vil atrieflimren-diagnosen sandsynligvis blive registreret som "atrieflimren", "AF" , etc.). Ved at bruge denne genererede ordbog med nøgleord og ved at integrere kunstig intelligens metoder og tekstmining, såsom naturlig sprogbehandling (NLP), vil en automatiseret udtrækning af data og diagnoser fra disse elektroniske lægenotater blive forsøgt. Pålideligheden og nøjagtigheden af beregningsmetoderne vil blive evalueret internt, og de data, der udtrækkes automatisk, sammenlignes med dem, der registreres manuelt. Derudover vil pålideligheden og nøjagtigheden af disse beregningsmetoder blive evalueret eksternt, ved at anvende disse metoder på 2/3 af de kliniske noter, hvor der ikke er forsøgt nogen sammenhæng mellem nøgleord og specifikke diagnoser.
Hvad angår Grækenland, sigter nærværende undersøgelse på at være den første til at analysere nytten af kunstig intelligens til automatiseret udvinding og behandling af ustrukturerede kliniske data fra patienters medicinske kliniske notater. Resultaterne af denne undersøgelse vil have en positiv indvirkning på:
- automatisering af store dataanalyse- og behandlingsprocedurer
- hurtig epidemiologisk registrering og udnyttelse af kliniske data
- tidlig diagnosticering af sygdomme
- udvikling af fænotypiske patientprofiler, der kunne drage fordel af målrettede behandlinger
- udvikling af kliniske beslutningsstøttesystemer, der vil give information om patienters mulige kliniske forløb efter hospitalsudskrivning og assistere medicinske beslutninger
- udvikling og validering af prognostiske modeller for større hjerte-kar-sygdomme
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: George Giannakoulas, MD, PhD
- Telefonnummer: +30 2310994830
- E-mail: ggiannakoulas@auth.gr
Undersøgelse Kontakt Backup
- Navn: Athanasios Samaras, MD
- Telefonnummer: +30 2310994830
- E-mail: ath.samaras.as@gmail.com
Studiesteder
-
-
-
Alexandroupoli, Grækenland
- Ikke rekrutterer endnu
- University Cardiology Clinic, Democritus University of Thrace
-
Kontakt:
- George Chalikias, MD, PhD
- E-mail: gchaliki@med.duth.gr
-
Kontakt:
- Dimitrios Tziakas, MD, PhD
-
Athens, Grækenland
- Rekruttering
- 1st Department of Cardiology, Hippokration General Hospital
-
Kontakt:
- George Lazaros, MD, PhD
- E-mail: glaz35@hotmail.com
-
Kontakt:
- Konstantinos Tsioufis, MD, PhD
-
Heraklion, Grækenland
- Ikke rekrutterer endnu
- Department of Cardiology, Heraklion University Hospital
-
Kontakt:
- Alexandros Patrianakos, MD, PhD
- E-mail: apatrianakos@yahoo.gr
-
Kontakt:
- Alexandros Patrianakos, MD, PhD
-
Larissa, Grækenland
- Rekruttering
- University General Hospital of Larissa, University of Thessaly
-
Kontakt:
- Gregory Giamouzis, MD, PhD
- E-mail: grgiamouzis@gmail.com
-
Kontakt:
- Gregory Giamouzis, MD, PhD
-
Patras, Grækenland
- Rekruttering
- Department of Cardiology, University of Patras Medical School
-
Kontakt:
- Periklis Davlouros, MD, PhD
- E-mail: pdav@upatras.gr
-
Kontakt:
- Periklis Davlouros, MD, PhD
-
Thessaloniki, Grækenland
- Ikke rekrutterer endnu
- 3rd Cardiology Department, Hippokration Hospital
-
Kontakt:
- Vassilios Vassilikos, MD, PhD
- E-mail: vvassil@auth.gr
-
Kontakt:
- Vassilios Vassilikos, MD, PhD
-
Thessaloniki, Grækenland
- Rekruttering
- Cardiology Department, George Papanikolaou General Hospital
-
Kontakt:
- John Zarifis, MD, PhD
- E-mail: zarifis.john@gmail.com
-
Kontakt:
- John Zarifis, MD, PhD
-
Thessaloníki, Grækenland, 54636
- Rekruttering
- 1st Cardiology Department, AHEPA University Hospital
-
Kontakt:
- Athanasios Samaras, MD, PhD
- E-mail: ath.samaras.as@gmail.com
-
Kontakt:
- George Giannakoulas, MD, PhD
-
Thessaloníki, Grækenland
- Rekruttering
- Laboratory of Medical Physics, Aristotle University of Thessaloniki
-
Kontakt:
- Panagiotis Bamidis, Prof
- E-mail: pdbamidis@gmail.com
-
Kontakt:
- Panagiotis Bamidis, Prof
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Indlagte patienter på kardiologiske afdelinger i Grækenland
- Patienter, hvis journaler er elektronisk lagret i det enkelte hospitals computer/informationssystemer
Ekskluderingskriterier:
- Patienter, der døde under indlæggelsen, og der blev således ikke udstedt udskrivningsbrev
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Kohorte
- Tidsperspektiver: Tilbagevirkende kraft
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøjagtighed af kunstig intelligens til automatisk at udtrække kliniske data fra patienters journaler sammenlignet med traditionelle manuelle dataekstraktionsmetoder
Tidsramme: 1 år
|
Hastighed for nøjagtig ekstraktion af kliniske data (sygehistorie, udskrivningsdiagnoser, medicin osv.) fra ustrukturerede kliniske notater ved brug af automatiserede kunstig intelligens metoder sammenlignet med traditionelle metoder til manuel dataekstraktion
|
1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Tid til dødelighed af alle årsager
Tidsramme: op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
Længde af tid (måneder) indtil død af enhver årsag i opfølgningsperioden
|
op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
|
Tid til at indtræffe større hjerte-kar-sygdomme
Tidsramme: op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
Længde af tid (måneder) indtil udvikling af hjertesvigt, diabetes mellitus eller koronararteriesygdom i opfølgningsperioden
|
op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
|
Tid til genindlæggelse af kardiovaskulære årsager
Tidsramme: op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
Længde af tid (måneder) indtil genindlæggelse af kardiovaskulære årsager i opfølgningsperioden
|
op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
|
Tid til slagtilfælde eller systemisk emboli
Tidsramme: op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
Længde af tid (måneder) indtil slagtilfælde eller systemisk emboli under opfølgningsperioden
|
op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
|
Tid til akut koronarsyndrom
Tidsramme: op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
Længde af tid (måneder) indtil akut koronarsyndrom i opfølgningsperioden
|
op til 8 år (fra hospitalsudskrivning til studiets primære afslutningsdato)
|
Samarbejdspartnere og efterforskere
Publikationer og nyttige links
Generelle publikationer
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017 May 30;69(21):2657-2664. doi: 10.1016/j.jacc.2017.03.571.
- Boag W, Doss D, Naumann T, Szolovits P. What's in a Note? Unpacking Predictive Value in Clinical Note Representations. AMIA Jt Summits Transl Sci Proc. 2018 May 18;2017:26-34. eCollection 2018.
- Hashir M, Sawhney R. Towards unstructured mortality prediction with free-text clinical notes. J Biomed Inform. 2020 Aug;108:103489. doi: 10.1016/j.jbi.2020.103489. Epub 2020 Jun 25.
- Diller GP, Kempny A, Babu-Narayan SV, Henrichs M, Brida M, Uebing A, Lammers AE, Baumgartner H, Li W, Wort SJ, Dimopoulos K, Gatzoulis MA. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J. 2019 Apr 1;40(13):1069-1077. doi: 10.1093/eurheartj/ehy915.
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- 545/19.11.2021
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
IPD-deling Understøttende informationstype
- STUDY_PROTOCOL
- SAP
- ANALYTIC_CODE
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 .