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

Effektiviteten af ​​et eTriaging-system til sygdomstriaging

17. januar 2024 opdateret af: Yingfeng Zheng, Sun Yat-sen University

Effektiviteten af ​​at bruge eTriaging-system til sygdomstriaging i samfundsbefolkningen

Efterhånden som befolkningen stiger og sygdomsforekomsten stiger, er lang ventetid blevet et almindeligt problem i de offentlige sundhedssystemer. Der er et presserende behov for hurtige, præcise og omkostningseffektive hurtige triaging-tjenester. Derfor havde vi til formål at udvikle et eTriaging-system og sammenligne dets effektivitet med mennesker.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Undersøgelsestype

Interventionel

Tilmelding (Faktiske)

535

Fase

  • Ikke anvendelig

Kontakter og lokationer

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

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510000
        • Zhognshan Ophthalmic Center, Sun Yat-sen University

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

18 år og ældre (Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Beskrivelse

Inklusionskriterier:

  • Folk over 18 år.
  • At have en smartphone/tablet og i stand til at se og betjene eTriaging APP'en.
  • Villig til at deltage i undersøgelsen og levere informeret indhold.

Ekskluderingskriterier:

  • NA

Studieplan

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

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Primært formål: Andet
  • Tildeling: N/A
  • Interventionel model: Enkelt gruppeopgave
  • Maskning: Ingen (Åben etiket)

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Eksperimentel: Et selvevalueringsværktøj baseret på Large Language Model
Selvevalueringsværktøjet, drevet af en stor sprogmodel, behandler brugerforespørgsler gennem en omfattende generering, beslutning, handling og sikkerhedsramme for at levere optimale svar. Systemets nøglefunktioner omfatter genfinding-augmented in-context learning, som forbedrer de svar, der genereres ved at hente information fra pålidelige websteder. Det inkorporerer også et Guardrail-modul for at afbøde potentielt skadeligt indhold i svarene ved at validere indholdet før levering. Derudover har systemet et selvkontrollerende hukommelsesmodul, der bevarer væsentlige kliniske egenskaber på tværs af multi-turn dialoger, hvilket sikrer ensartet og kontinuerlig interaktion med brugerne.
Andet: Et selvevalueringsværktøj baseret på Large Language Model

Efter baselinevurderingen vil deltagerne blive guidet til uafhængigt at bruge et selvevalueringsværktøj til at vurdere deres risiko for diabetisk retinopati (DR). Dette værktøj er en fusion af et konversations-AI-system baseret på LLM og en eksisterende logistisk diagnostisk model.

AI-systemet er designet til at indsamle kliniske variabler, herunder alder, varighed af diabetes, Body Mass Index (BMI) og insulinforbrug. Derudover vil kliniske testdata såsom middelarterielt tryk, HbA1c, serumkreatinin og mikroalbuminuri blive ekstraheret fra et lokalt datasæt ved hjælp af patientens navn og ID. Når de er indsamlet, vil disse data blive overført til en serverbaseret diagnostisk model for yderligere analyse for at bestemme tilstedeværelsen af ​​DR.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
AUROC af selvevalueringsværktøjet
Tidsramme: Umiddelbart efter brug af chatbot
Ydeevnen af ​​selvevalueringsværktøjet evalueres med nøjagtighed med reference til de diagnostiske etiketter af senior øjenlæger baseret på fundusfotos.
Umiddelbart efter brug af chatbot

Samarbejdspartnere og efterforskere

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

Sponsor

Sun Yat-sen University

Efterforskere

  • Ledende efterforsker: Yingfeng Zheng, Zhongshan Ophthalmic Center, Sun Yat-sen 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)

1. maj 2023

Primær færdiggørelse (Faktiske)

30. juli 2023

Studieafslutning (Faktiske)

30. juli 2023

Datoer for studieregistrering

Først indsendt

29. januar 2022

Først indsendt, der opfyldte QC-kriterier

29. januar 2022

Først opslået (Faktiske)

9. februar 2022

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Anslået)

19. januar 2024

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

17. januar 2024

Sidst verificeret

1. januar 2024

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 2022KYPJ258

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

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 .

Abonner