Sikker og forklarlig AI
23. februar 2026 opdateret af: Abramson Cancer Center at Penn Medicine
SIKKER OG FORKLARLIG AI-AKTIVERET BESLUTNINGSTAGELSE TIL PERSONLIG KLINISK BESLUTNINGSSTØTTE
Mens den nuværende AI-teknologi er egnet til at automatisere nogle gentagne kliniske opgaver, er der stadig tekniske udfordringer med at løse kritiske og indbringende problemer inden for patient- og sygdomshåndtering.
Den foreslåede forskning søger at løse problemer inden for medicinsk AI, såsom at integrere medicinsk viden effektivt, gøre AI-anbefalinger forklarelige for klinikere og etablere sikkerhedsgarantier.
Studieoversigt
Status
Rekruttering
Betingelser
Intervention / Behandling
Undersøgelsestype
Observationel
Tilmelding (Anslået)
300000
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Haideliza Soto Calderon
- Telefonnummer: 215-220-9425
- E-mail: Haideliza.Soto-Calderon@pennmedicine.upenn.edu
Undersøgelse Kontakt Backup
- Navn: Nicholas Bishop
- E-mail: nicholas.bishop@pennmedicine.upenn.edu
Studiesteder
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Forenede Stater, 19104
- Rekruttering
- Hospital of the University of Pennsylvania
-
Kontakt:
- Haideliza Soto Calderon
- Telefonnummer: 215-237-4509
- E-mail: haideliza.soto-calderon@pennmedicine.upenn.edu
-
-
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
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Undersøgelsen vil se på EMR-data fra hjerte-, onkologi- og patienter med risiko for at få sepsis.
Hver gruppe har klart definerede inklusions-eksklusionskriterier. For at maskinlæringsmodellen kan forudsige ventrikulære arytmier og hjertestop på hospitalet, vil vi konstruere patientkohorter bestående af voksne (dvs. 18 år eller ældre) patienter indlagt i Sickbay-tilgængelig seng på et Penn Medicine hospital fra 2020 til tilstede samt patienter identificeret som at have oplevet hjertestop ved hjælp af EPJ-journaler.
Beskrivelse
Inklusionskriterier:
Kardiologi 18 år og ældre, indlagt på et af Penn Medicine hospitalerne fra 2017 til i dag. Sepsis 18 år på tidspunktet for præsentation på en skadestue eller indlæggelse på et Penn Medicine-hospital fra 1. juli 2017 og fremefter vil være berettiget, da dette repræsenterer befolkningen i risiko for at få sepsis Onkologi 18 år og ældre med en diagnosticering af invasiv brystkræft (stadie 1-4) i Penn Cancer-registret
Eksklusionskriterier Alle forudsigelsesmodeller vil ekskludere patienter under 18 år fra deres patientdatasæt.
Kardiologi Patienter, hvis primære indlæggelsesdiagnose var hjertestop Sepsis De med allerede eksisterende begrænsninger i livsoprettholdende terapi vil blive udelukket, fordi deres berettigelse til sepsisdefinitioner, modtaget behandling og resultater kan være væsentligt og varierende påvirket af allerede eksisterende begrænsninger i plejen . Onkologi Der er ingen andre undtagelser.
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 |
|---|---|
|
Kardiologi
Det primære mål i dette kliniske case-scenarie er at evaluere en ML-model, der anvender hjertetelemetri i realtid, samt andre kliniske, demografiske og billeddannende strukturerede datakilder blandt hospitalsindlagte patienter på intensivafdelinger (ICU) for at forudsige forestående inhospitalt hjerte standse, identificere potentielt reversible årsager til hjertestop og forudsige, hvilke patienter der kan få forestående hjertestop på grund af stødbare rytmer, dvs. ventrikulær takykardi (VT) eller ventrikulær fibrillering (VF).
|
AI-AKTIVERET BESLUTNINGSTAGELSE TIL PERSONLIG STØTTE TIL KLINISKE BESLUTNINGER
|
|
Onkologi - Brystkræft
Det primære formål i dette kliniske case-scenarie er at evaluere en ML-model, der anvender strukturerede og ustrukturerede data fra klinisk, demografisk og tumormolekylær og kimlinjesekvensering blandt ambulante patienter med cancer, for at forudsige kortsigtet dødelighed og/eller symptomnedgang.
Modellen for forudsigelse af behandlingsrespons hos brystkræftpatienter vil blive sammenlignet med to prognostiske værktøjer: 1) Conversation Connect, et tidligere valideret maskinlærings-dødelighedsforudsigelsesværktøj, der er blevet brugt ved University of Pennsylvania til rutinemæssig klinisk beslutningsstøtte, og 2) Elixhauser Comorbidity Index, et komorbiditetsbaseret prognostisk indeks, der almindeligvis anvendes i forskning og risikojustering.
|
AI-AKTIVERET BESLUTNINGSTAGELSE TIL PERSONLIG STØTTE TIL KLINISKE BESLUTNINGER
|
|
Sepsis
Det primære mål i dette kliniske case-scenarie er at udvikle og evaluere en ML-model, der anvender multidmodale kliniske data (f.eks. strukturerede EPJ-data såsom demografi, laboratorietestresultater og vitale tegn; ustrukturerede EPJ-data, herunder teksten af kliniske mødenoter og , hvor de er tilgængelige, bølgeformer fra hjerte-, hæmodynamiske og respiratoriske overvågningsenheder i realtid) for at forudsige behovet for initiering af bredspektret antimikrobiel behandling til hospitalsindlagte patienter med sepsis.
Med fokus på implementerbar og forklarlig AI vil vi producere velkalibrerede forudsigelser, der også er klinisk meningsfulde ved sengekanten for at hjælpe med beslutningstagning i realtid om diagnose og behandlingsstart.
Modellen for rettidig diagnose og intervention i sepsis vil blive sammenlignet med udbredte kommercielle og open source sepsis-forudsigelsesmodeller.
|
AI-AKTIVERET BESLUTNINGSTAGELSE TIL PERSONLIG STØTTE TIL KLINISKE BESLUTNINGER
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Neurosymbolske læringsalgoritmer
Tidsramme: Prototype og udvikle nye læringsalgoritmer; 18 måneder. Benchmark og evaluer læringsalgoritmerne; 24 måneder. Udgive forskningsresultater; 24 måneder
|
Udvikle og evaluere nye algoritmer til træning af neurosymbolske modeller.
Vi vil udvikle data- og computereffektive algoritmer til end-to-end træning af neurosymbolske modeller.
Denne opgave vil reducere byrden for klinikereksperter med at levere finkornede etiketter på omfangsrige EPJ-data.
|
Prototype og udvikle nye læringsalgoritmer; 18 måneder. Benchmark og evaluer læringsalgoritmerne; 24 måneder. Udgive forskningsresultater; 24 måneder
|
|
Forklaringsmetoder
Tidsramme: Prototype og udvikle nye forklaringsalgoritmer; 18 måneder. Udled certificerede garantier for forklaringer; 18 måneder. Benchmarke og evaluere forklaringsalgoritmerne; 24 måneder. Udvide certifikater til nye ejendomme og opgaver; 30 måneder. Publ
|
Vi vil udvikle nye forklarlige AI-teknikker, der kommer med verificerbare garantier.
Disse garantier vil muliggøre tillid og gennemsigtighed i AI på et grundlæggende niveau.
|
Prototype og udvikle nye forklaringsalgoritmer; 18 måneder. Udled certificerede garantier for forklaringer; 18 måneder. Benchmarke og evaluere forklaringsalgoritmerne; 24 måneder. Udvide certifikater til nye ejendomme og opgaver; 30 måneder. Publ
|
|
Metoder til sikkerhedsgarantier
Tidsramme: Prototype og udvikle nye regelindlæringsalgoritmer; 30 måneder. Skaler regelindlæringsalgoritmer til større dataindstillinger; 36 måneder. Inkorporer nye primitiver for at udtrykke komplekse regler; 36 måneder. Implementer regelindlæringsalgoritmer på basisopgaver
|
Vi vil udvikle nye algoritmer, der skalerbart kan udtrække komplekse logiske regler for sikkerhed inden for de data, der har statistiske garantier.
Disse teknikker vil være forankret i statistisk analyse og hjælpe brugere med at identificere ude af distributionsdata og opdage uregelmæssigheder.
|
Prototype og udvikle nye regelindlæringsalgoritmer; 30 måneder. Skaler regelindlæringsalgoritmer til større dataindstillinger; 36 måneder. Inkorporer nye primitiver for at udtrykke komplekse regler; 36 måneder. Implementer regelindlæringsalgoritmer på basisopgaver
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
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)
29. november 2025
Primær færdiggørelse (Anslået)
1. november 2028
Studieafslutning (Anslået)
1. november 2028
Datoer for studieregistrering
Først indsendt
15. november 2024
Først indsendt, der opfyldte QC-kriterier
15. november 2024
Først opslået (Faktiske)
19. november 2024
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
25. februar 2026
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
23. februar 2026
Sidst verificeret
1. februar 2026
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 34124
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 .