Tidlig diagnose og forudsigelse af moderlige og neonatale sygdomme: (EDPMND)
16. april 2025 opdateret af: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Tidlig forudsigelse og diagnose af moderlige og neonatale sygdomme ved hjælp af multimodale sundhedsdata
Dette er et multicenter, retrospektivt klinisk studie designet til at evaluere anvendelsen og effektiviteten af en AI-assisteret prædiktiv model til at identificere mødre- og neonatale sygdomme, ved at udnytte multimodale sundhedsdata.
Studieoversigt
Status
Rekruttering
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Mødres og neonatale sundhed påvirker i høj grad både mødres og spædbørns velbefindende.
Tidlig screening, diagnosticering og intervention er afgørende for at forhindre opståen og progression af graviditetsrelaterede sygdomme og neonatale tilstande.
I klinisk praksis har fødselslæger og børnelæger ofte behov for at integrere en bred vifte af patientdata, herunder demografiske oplysninger, sygehistorie, biokemiske markører såsom blodsukker og lipidniveauer samt forskellige billeddata såsom ultralyd, føtal overvågning og laboratorium testresultater, for at stille en nøjagtig diagnose og udvikle en passende plejeplan.
I en æra, hvor præcision og personlig medicin er på forkant med sundhedsvæsenet, er den tidlige opdagelse og diagnosticering af mødre- og neonatale sygdomme, såvel som valget af passende diagnostiske og terapeutiske strategier, blevet betydelige udfordringer i kliniske omgivelser.
Nylige fremskridt inden for medicinsk billeddannelse og dataanalyseteknikker har i høj grad forbedret nøjagtigheden og effektiviteten af diagnosticering af moder- og neonatal sygdom.
Denne undersøgelse har til formål at udvikle et AI-assisteret beslutningstagningssystem ved at integrere multimodale data fra elektroniske medicinske journaler, billeddannelse og laboratorieresultater i kombination med deep learning-teknikker.
Målet er at forbedre diagnostisk nøjagtighed, strømline kliniske arbejdsgange og give mere personlige plejemuligheder til mødre og spædbørn.
I sidste ende søger dette system at forbedre sundhedsresultater og forbedre den overordnede livskvalitet for både mødre og deres nyfødte.
Undersøgelsestype
Observationel
Tilmelding (Anslået)
1000000
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Fei Liu, MD
- Telefonnummer: +86 13810512704
- E-mail: liufei_2359@163.com
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina
- Rekruttering
- Guangzhou Women and Children's Medical Center
-
Kontakt:
- Bingzhou Liu, MD
- Telefonnummer: +86-0756-2222569
- E-mail: mr_jerry_99@163.com
-
-
Zhejiang
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- First Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Cheng Tang, MD
- Telefonnummer: +86-0577-55579999
- E-mail: c249325687@163.com
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- Second Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Sian Liu, MD
- Telefonnummer: +86-0577-88002888
- E-mail: liusan@mail3.sysu.edu.cn
-
-
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
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Undersøgelsespopulationen består af gravide kvinder i alderen 18 til 45 år, der har modtaget pleje på deltagende studiecentre.
Deltagerne skal have omfattende elektroniske sundhedsregistre (EHR'er) tilgængelige, herunder prenatal plejedata, laboratorieresultater eller billeddannelsesdata.
Både sunde mødre og dem med graviditetsrelaterede sygdomme (f.eks. Preeklampsi, svangerskabsdiabetes) vil blive inkluderet i undersøgelsen for at vurdere den AI-assisterede model's diagnostiske kapaciteter.
Undersøgelsen vil fokusere på patienter med dokumenterede plejeposter fra de deltagende centre.
Beskrivelse
Inkluderingskriterier:
- Gravide kvinder i alderen 18 til 45 år.
- Kvinder, der har modtaget fødselspleje på deltagende centre (f.eks. Hospitaler eller klinikker).
- Tilgængelighed af omfattende elektroniske sundhedsregistre, herunder prenatal plejedata, laboratorieresultater og billeddannelsesregistre.
- Vilje til at give samtykke til deltagelse i undersøgelsen og brug af historiske helbredsdata til analyse.
Ekskluderingskriterier:
- Kvinder under 18 år eller over 45 år gamle.
- Deltagere med utilstrækkelige opfølgningsdata eller manglende kritiske kliniske oplysninger, der kræves til forudsigelig modellering.
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 |
|---|---|
|
Sund mødre og neonatal kohorte
Denne gruppe består af gravide mødre uden graviditetsrelaterede sygdomme og deres sunde nyfødte.
Deltagere i denne kohort vil fungere som kontrolgruppe til sammenligning med den eksperimentelle gruppe.
Ingen interventioner eller behandlinger administreres til denne kohort, da de repræsenterer basislinjen for sunde graviditeter og nyfødte.
|
Denne intervention involverer et AI-system, der integrerer multimodale data, herunder mødres helbredsjournaler, laboratorietestresultater og billeddata, for at forudsige risikoen for maternelle og neonatale sygdomme.
Systemet bruger deep learning algoritmer til at give nøjagtige forudsigelser i realtid, hvilket muliggør tidlig identifikation af helbredskomplikationer.
Ved at analysere historiske sundhedsdata sigter modellen mod at forudsige potentielle risici for både mødre og spædbørn, hvilket forbedrer tidlig intervention og resultater.
|
|
Maternal og neonatal sygdomskohorte
Denne gruppe består af gravide mødre, der er blevet diagnosticeret med graviditetsrelaterede sygdomme eller deres ramte nyfødte.
Deltagerne i denne kohorte vil tjene som den eksperimentelle gruppe til at evaluere effektiviteten af den tidlige forudsigelsesmodel til at identificere mødres og neonatale sundhedsrisici.
|
Denne intervention involverer et AI-system, der integrerer multimodale data, herunder mødres helbredsjournaler, laboratorietestresultater og billeddata, for at forudsige risikoen for maternelle og neonatale sygdomme.
Systemet bruger deep learning algoritmer til at give nøjagtige forudsigelser i realtid, hvilket muliggør tidlig identifikation af helbredskomplikationer.
Ved at analysere historiske sundhedsdata sigter modellen mod at forudsige potentielle risici for både mødre og spædbørn, hvilket forbedrer tidlig intervention og resultater.
|
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
|
|
F1 score
Tidsramme: 1 år
|
F1-score er det harmoniske gennemsnit af præcision og følsomhed (genkaldelse).
Det er et godt mål for modellens evne til at identificere både sande positive og minimere falske positive, især i tilfælde, hvor klasserne er ubalancerede (f.eks. når antallet af raske tilfælde er meget højere end sygdomstilfælde).
F1-scoren går fra 0 til 1, hvor 1 indikerer perfekt præcision og genkaldelse.
|
1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhed (ægte positiv sats)
Tidsramme: 1 år
|
Sensitivitet måler, hvor godt AI-modellen identificerer ægte positive tilfælde, såsom korrekt diagnosticering af gravide kvinder med komplikationer eller identifikation af neonatale lidelser.
|
1 år
|
|
Specificitet (sand negativ sats)
Tidsramme: 1 år
|
Specificitet måler AI -modellens evne til korrekt at identificere tilfælde uden sygdomme, hvilket sikrer, at sunde mødre og spædbørn korrekt identificeres som negative.
|
1 år
|
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)
1. august 2023
Primær færdiggørelse (Anslået)
1. maj 2025
Studieafslutning (Anslået)
1. maj 2025
Datoer for studieregistrering
Først indsendt
19. januar 2025
Først indsendt, der opfyldte QC-kriterier
19. januar 2025
Først opslået (Faktiske)
24. 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
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- Maternal and Neonatal Diseases
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 .