AI-drevet forudsigelse af dialyseresultater med EPJ
16. april 2025 opdateret af: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Forudsigelse af kliniske resultater hos dialysepatienter, der bruger elektroniske sundhedsregistre: En AI-baseret tilgang
Dette er en multicenter, retrospektiv klinisk undersøgelse designet til at evaluere applikationen og effektiviteten af en AI-assisteret forudsigelsesmodel for resultatet af dialysepatienter, der udnytter multimodale sundhedsdata.
Studieoversigt
Status
Rekruttering
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Denne undersøgelse har til formål at udvikle en AI-assisteret model til at forudsige kliniske resultater hos dialysepatienter, med fokus på både primære resultater (f.eks. dødelighed) og mellemliggende resultater (f.eks. anæmi, blodtryk, ernæringsstatus og calcium-phosphat-metabolisme).
Undersøgelsen vil bruge patienters EPJ-data, herunder laboratorietestresultater, sygehistorie, dialysebehandlingsoplysninger og kliniske observationer, til at forudsige disse helbredsudfald.
Målet er at forbedre tidlig identifikation af udsatte patienter, hvilket muliggør bedre klinisk beslutningstagning og personaliserede plejestrategier.
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
-
-
Beijing
-
Beijing, Beijing, Kina
- Rekruttering
- General Hospital of PLA
-
Kontakt:
- Delong Zhao
- Telefonnummer: +86 13810512704
- E-mail: feiliu0108@gmail.com
-
-
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
Undersøgelsespopulationen består af dialysepatienter fra Kina Hemodialyse National Network Center, som inkluderer en lang række patienter, der gennemgår hæmodialysebehandling på deltagende hospitaler i hele Kina.
Deltagerne vælges på baggrund af tilgængeligheden af omfattende elektroniske sundhedsregistre (EHR), herunder medicinsk historie, laboratorietestresultater, dialysebehandlingsdetaljer og kliniske observationer.
Kohorten vil omfatte både mandlige og kvindelige patienter med forskellige grader af sundhedsstatus, inklusive dem med komorbiditeter, der ofte er forbundet med dialyse.
Undersøgelsen sigter mod at bruge denne forskellige gruppe til at vurdere og forudsige resultater relateret til dødelighed og komplikationer hos dialysepatienter.
Beskrivelse
Inklusionskriterier:
- Patienter, der har været i dialyse (enten hæmodialyse eller peritonealdialyse) i mindst 3 måneder.
- Fuldstændige og tilgængelige EPJ-data, herunder sygehistorie, laboratorietestresultater, detaljer om dialysebehandling og kliniske observationer.
- Deltagerne skal give informeret samtykke til brugen af deres helbredsdata til forskningsformål.
Ekskluderingskriterier:
- Patienter med ufuldstændige eller manglende kritiske EPJ-data, herunder sygehistorie, laboratorieresultater, dialysedata eller behandlingsoplysninger, der er nødvendige for undersøgelsen.
- Patienter, der har været i dialyse i mindre end 3 måneder, for at sikre stabile data til resultatforudsigelse.
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 |
|---|---|
|
Gruppe med høj risiko
Deltagerne forudsagde at have en høj risiko for dødelighed baseret på AI-assisterede forudsigelsesmodeller ved hjælp af deres EPJ-data, herunder sygehistorie, laboratorieresultater, detaljer om dialysebehandling og kliniske observationer.
|
Denne undersøgelse anvender en AI-assisteret forudsigelsesmodel, der analyserer multimodale data fra elektroniske sundhedsregistre, herunder medicinsk historie, laboratorieresultater, dialysebehandlingsdetaljer og kliniske observationer, for at forudsige resultater for dialysepatienter.
Modellen anvender dybe indlæringsalgoritmer til at forudsige dødelighedsrisiko, mellemliggende resultater såsom anæmi, blodtrykskontrol, ernæring og calcium-phosphatmetabolisme og hjælper med at identificere tidlige tegn på forringelse.
Interventionen er ikke en direkte behandling eller procedure, men sigter mod at udvikle et værktøj til at forudsige patientresultater og optimere behandlingsstrategier for at forbedre den samlede sundheds- og overlevelsesrate for dialysepatienter.
|
|
Lavrisikogruppe
Deltagerne forudsagde at have en lav risiko for dødelighed baseret på den AI-assisterede forudsigelsesmodel, som vil blive sammenlignet med gruppen med høj risiko for evaluering af effektiviteten af tidlige interventionsstrategier.
|
Denne undersøgelse anvender en AI-assisteret forudsigelsesmodel, der analyserer multimodale data fra elektroniske sundhedsregistre, herunder medicinsk historie, laboratorieresultater, dialysebehandlingsdetaljer og kliniske observationer, for at forudsige resultater for dialysepatienter.
Modellen anvender dybe indlæringsalgoritmer til at forudsige dødelighedsrisiko, mellemliggende resultater såsom anæmi, blodtrykskontrol, ernæring og calcium-phosphatmetabolisme og hjælper med at identificere tidlige tegn på forringelse.
Interventionen er ikke en direkte behandling eller procedure, men sigter mod at udvikle et værktøj til at forudsige patientresultater og optimere behandlingsstrategier for at forbedre den samlede sundheds- og overlevelsesrate for dialysepatienter.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Dødelighedsforudsigelsesnøjagtighed
Tidsramme: 1 år
|
Den AI-assisterede prædiktive models evne til præcist at forudsige risikoen for dødelighed hos dialysepatienter.
Prædiktionsnøjagtighed vil blive vurderet ved hjælp af Area Under the Curve (AUC), F1-score og sensitivitet/specificitet.
Modellen vil blive evalueret ved at sammenligne den forudsagte dødelighedsrisiko med faktiske resultater (dvs. om patienterne overlevede eller døde i løbet af undersøgelsesperioden).
|
1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Komplikationer Forudsigelse Nøjagtighed
Tidsramme: 1 år
|
Nøjagtigheden af den AI-assisterede prædiktive model til at forudsige komplikationer, som ofte opleves af dialysepatienter, herunder anæmi, ukontrolleret blodtryk, dårlig ernæringsstatus og abnormiteter i calcium-phosphat-metabolismen.
Modellens ydeevne vil blive vurderet ved hjælp af målinger såsom AUC, F1-score og nøjagtighed ved at sammenligne forudsagte værdier med faktiske kliniske resultater, såsom laboratorieresultater, kliniske diagnoser og patientens helbredsstatus.
|
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. januar 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
Andre undersøgelses-id-numre
- Dialysis
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 .