AI-drevet genotype forudsigelse ved hjælp af EPJ og multimodale data
16. april 2025 opdateret af: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Forudsigelse af patientgenotyper ved hjælp af elektroniske sundhedsjournaler og multimodale data gennem AI-baserede modeller
Målet med denne kliniske undersøgelse er at undersøge potentialet ved at bruge elektroniske sundhedsregistre (EHR) og multimodale data (såsom billeddannelse, laboratorieresultater og klinisk historie) til at forudsige en patients genotype.
Undersøgelsen vil evaluere, om forudsigelige modeller baseret på disse ikke-genetiske data nøjagtigt kan udlede genetisk information, som traditionelt kræver direkte genetisk test.
Studieoversigt
Detaljeret beskrivelse
Denne multicenter, retrospektive kliniske undersøgelse sigter mod at evaluere brugen af elektroniske sundhedsregistre (EHR) og multimodale data (såsom kliniske laboratorieresultater, billeddannelsesdata og medicinsk historie) til at forudsige en patients genotype.
Undersøgelsens primære mål er at udvikle en AI-baseret forudsigelsesmodel, der kan udlede genetisk information ved at analysere tilgængelige sundhedsdata, hvilket eliminerer behovet for direkte genetisk test. AI-modellen trænes til at behandle og integrere store datasæt, herunder EHR, Labresultater og billeddannelsesdata såsom røntgenstråler, MRI'er og ultralyd for at forudsige genotypisk information.
Undersøgelsen vil sammenligne de AI-baserede forudsigelser med faktiske genetiske testresultater for at evaluere nøjagtigheden af modellen.
Hvis det lykkes, kunne denne metode tilvejebringe et ikke-invasivt, omkostningseffektivt værktøj til genotype-forudsigelse, som kunne bruges i personlig medicin, tidlig sygdomsdiagnose og risikostratificering. Deltagere vil ikke gennemgå nogen genetisk test som en del af undersøgelsen.
I stedet analyseres deres historiske medicinske data af AI -systemet for at forudsige genetisk information og tilhørende sygdomsrisici.
Undersøgelsen vil vurdere modellens evne til at forudsige genetiske disponeringer til forskellige sundhedsmæssige forhold baseret på de tilgængelige sundhedsdata.
Dermed sigter undersøgelsen med at fremme brugen af AI i klinisk beslutningstagning og genetisk diagnostik.
Undersøgelsestype
Observationel
Tilmelding (Anslået)
100000
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
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
Kontakt:
- Yunfang Yu
- Telefonnummer: +86 020-81332199
- E-mail: yuyf9@mail.sysu.edu.cn
-
Guangzhou, Guangdong, Kina
- Rekruttering
- Sun Yat-sen University Cancer Hospital
-
Kontakt:
- Yuxing Lu
- Telefonnummer: +86 13161233730
- E-mail: yxlu0613@gmail.com
-
-
Zhejiang
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- Second Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Sian Liu
- Telefonnummer: +86-0577-88002888
- E-mail: liusan@mail3.sysu.edu.cn
-
Wenzhou, Zhejiang, Kina
- Afsluttet
- First Affiliated Hospital of Wenzhou Medical 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
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Undersøgelsespopulationen vil blive udvalgt fra flere sundhedscentre, der vedligeholder omfattende elektroniske sundhedsjournaler (EPJ) og har adgang til multimodale kliniske data, herunder laboratorieresultater, medicinsk billeddannelse (f.eks. røntgen, MR, CT-scanninger) og sygehistorie.
Deltagerne vil være personer med en række forskellige sundhedstilstande, for hvilke genotypeoplysninger er relevante, selvom der ikke vil blive brugt specifikke genetiske karakteristika til selektion.
Fokus vil være på at udnytte de tilgængelige sundhedsdata til at forudsige genetisk information gennem AI-modellen.
Undersøgelsen har til formål at evaluere nøjagtigheden og anvendeligheden af at bruge ikke-genetiske data, såsom EPJ og multimodal billeddannelse, til at forudsige patientens genotyper, hvilket kan give en alternativ tilgang til traditionelle genetiske testmetoder.
Beskrivelse
Inklusionskriterier:
- Deltagerne skal have omfattende elektroniske sundhedsregistre (EHR), herunder medicinsk historie, laboratorieresultater og relevante billeddannelsesdata (f.eks. Røntgenstråler, MRI'er, CT-scanninger).
- Deltagerne skal have eksisterende genetiske testdata tilgængelige til sammenligning, hvis relevant.
- Deltagerne skal være villige til at give samtykke til brugen af deres sundhedsdata i undersøgelsen.
- Deltagerne må ikke have nogen aktiv intervention relateret til genetisk test eller forudsigelse i undersøgelsesperioden.
- Deltagerne skal have fuldstændige og verificerbare sundhedsdata for at muliggøre nøjagtig forudsigelse af AI-modellen.
Ekskluderingskriterier:
- Deltagere uden tilgængelige EHR, laboratorieresultater eller billeddannelsesdata.
- Deltagere med tvetydige, unøjagtige eller ikke -verificerbare genetiske testresultater, der ikke kan bruges til sammenligning.
- Patienter med betydelige uoverensstemmelser eller manglende data, der ville forhindre AI -modellen i at fremsætte nøjagtige forudsigelser.
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 |
|---|---|
|
AI-baseret genotype forudsigelse ved hjælp af EPJ og multimodale data
Denne kohort består af patienter, hvis historiske sundhedsdata, herunder elektroniske sundhedsregistre (EHR), kliniske laboratorieresultater og multimodale billeddannelsesdata (såsom røntgenstråler, MRI'er og CT-scanninger), vil blive analyseret ved en AI-baseret forudsigelsesmodel at forudsige deres genotype.
Der er ingen aktive interventioner i denne kohort, da undersøgelsen sigter mod at bruge ikke-genetiske sundhedsdata til at udlede genetisk information.
Deltagerne vil ikke gennemgå genetisk test, men vil give deres sundhedsdata til analyse af AI -systemet.
Målet med denne gruppe er at vurdere nøjagtigheden af AI -modellen til at forudsige genotyper og identificere genetiske disponeringer til forskellige sygdomme baseret på tilgængelige sundhedsdata.
|
Interventionen i denne undersøgelse involverer en AI-baseret forudsigelsesmodel designet til at analysere og integrere patientens elektroniske sundhedsregistre (EHR), kliniske laboratorieresultater og multimodale billeddannelsesdata (f.eks. Røntgenstråler, MRI'er, CT-scanninger).
AI-modellen er trænet til at forudsige en patients genotype baseret på disse ikke-genetiske datakilder.
Denne model bruger maskinlæringsalgoritmer til at detektere mønstre og udlede genetisk information, der traditionelt ville kræve direkte genetisk test.
Der er ingen aktive behandlinger eller genetiske tests involveret i denne intervention; Snarere fungerer AI-systemet som et værktøj til at forudsige genetisk information fra tilgængelige kliniske data, der tilbyder et ikke-invasivt og potentielt mere tilgængeligt alternativ til genetisk test.
|
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. juli 2023
Primær færdiggørelse (Anslået)
1. juni 2025
Studieafslutning (Anslået)
1. juni 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
Nøgleord
Andre undersøgelses-id-numre
- Genotype
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 .