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

AI-drevet kræftdiagnose og forudsigelse med EHR

25. juli 2025 opdateret af: Kang Zhang, The Eye Hospital of Wenzhou Medical University

AI-baseret kræftdiagnose og forudsigelse ved hjælp af elektroniske sundhedsjournaler

Dette er en multicenter, retrospektiv klinisk undersøgelse designet til at evaluere applikationen og effektiviteten af ​​en AI-assisteret forudsigelsesmodel til identifikation og diagnosticering af kræft, udnytte multimodale sundhedsdata.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Kræftdiagnose og tidlig opdagelse er afgørende for at forbedre patienternes resultater og overlevelsesrater. Tidlig identifikation af kræftsygdomme og passende indgreb kan i væsentlig grad påvirke behandlingssucces og prognose. I klinisk praksis er onkologer ofte nødt til at integrere en række patientdata, herunder sygehistorie, laboratorietestresultater, billeddata såsom CT-scanninger og MRI'er og genetiske markører for at stille en nøjagtig diagnose og udvikle en personlig behandlingsplan. Efterhånden som præcisionsmedicin bliver stadig vigtigere, er udfordringen fortsat at identificere kræft på tidlige stadier, især når symptomerne er subtile eller fraværende. Nylige fremskridt inden for kunstig intelligens og dataanalyseteknikker har vist et stort løfte om at forbedre den diagnostiske nøjagtighed og hastigheden af ​​kræftdetektion. Denne undersøgelse har til formål at udvikle et AI-assisteret beslutningstagningssystem ved at integrere multimodale data fra elektroniske sundhedsjournaler, billeddannelse, laboratorieresultater og genetiske data. Målet er at forbedre diagnostisk nøjagtighed, optimere kliniske arbejdsgange og give mere personlige behandlingsmuligheder til kræftpatienter. I sidste ende søger dette system at forbedre tidlig detektion, vejlede effektive behandlingsstrategier og forbedre patientoverlevelsesrater.

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

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina
        • Rekruttering
        • Sun Yat-sen Memorial Hospital, Sun Yat-sen University
        • Kontakt:
      • Guangzhou, Guangdong, Kina
        • Rekruttering
        • Guangzhou Women and Children's Medical Center
        • Kontakt:
      • Guangzhou, Guangdong, Kina
        • Rekruttering
        • Nanfang Hospital
        • Kontakt:
      • Guangzhou, Guangdong, Kina
        • Rekruttering
        • Sun Yat-sen University Cancer Hospital
        • Kontakt:
    • Sichuan
      • Chengdu, Sichuan, Kina
        • Rekruttering
        • West China Hospital
        • Kontakt:
    • Zhejiang
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • First Affiliated Hospital of Wenzhou Medical University
        • Kontakt:
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • Second Affiliated Hospital of Wenzhou Medical University
        • Kontakt:

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 består af enkeltpersoner i alderen 0 til 90 år, der har modtaget pleje på deltagende studiecentre. Deltagerne skal have omfattende elektroniske sundhedsregistre (EHR'er) tilgængelige, herunder medicinsk historie, laboratorietestresultater, billeddannelsesdata og genetisk information (hvis tilgængelig). Både personer, der er diagnosticeret med kræft (inklusive pædiatriske og voksne kræftformer) og raske individer uden kræfthistorie, vil blive inkluderet i undersøgelsen for at evaluere den AI-assisterede model's diagnostiske og forudsigelige evner. Undersøgelsen vil fokusere på patienter med komplette og dokumenterede plejeposter fra de deltagende centre, hvilket sikrer en forskelligartet kohort til analyse på tværs af forskellige aldersgrupper og kræftformer.

Beskrivelse

Inklusionskriterier:

1、Patienter med omfattende elektroniske sundhedsjournaler (EPJ), herunder sygehistorie, laboratorietestresultater, billeddata og genetiske data (hvis tilgængelige).

2. Personer uden alvorlige kognitive svækkelser eller tilstande, der ville forhindre dem i at give informeret samtykke eller deltage i undersøgelsen.

3. Forældre eller værger skal give informeret samtykke til mindreårige, mens voksne deltagere skal give informeret samtykke til sig selv.

Ekskluderingskriterier:

  1. Patienter med ufuldstændige eller manglende nøgle elektroniske sundhedsrekorddata eller utilstrækkelige opfølgningsdata.
  2. Personer med svære kognitive lidelser eller andre terminale sygdomme, der ville forhindre meningsfuld deltagelse.
  3. Gravide kvinder (selvom pædiatriske kræftformer overvejes, ville gravide kvinder blive udelukket af sikkerhedsmæssige årsager).

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 kohort
Denne gruppe består af individer uden nogen diagnosticeret kræft. 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 en basislinje af raske individer.
Diagnostisk test: AI-baseret diagnostisk og prognostisk model
Denne intervention involverer et AI -system, der integrerer multimodale data, herunder patientmedicinsk historie, laboratorietestresultater, billeddannelsesdata og genetisk information for at forudsige risikoen for kræft. Systemet bruger dybe indlæringsalgoritmer til at give realtid, nøjagtige forudsigelser, hvilket muliggør tidlig identifikation af kræftrisici. Ved at analysere historiske sundhedsdata sigter modellen mod at forudsige potentielle kræftudviklinger, forbedre tidlige detekterings- og behandlingsresultater.
Tumorkohort
Denne gruppe består af individer, der er diagnosticeret med kræft, inklusive forskellige typer. Deltagere i denne kohort vil fungere som den eksperimentelle gruppe til evaluering af effektiviteten af ​​den tidlige forudsigelsesmodel til identifikation af kræftrisici og forbedring af diagnostisk nøjagtighed.
Diagnostisk test: AI-baseret diagnostisk og prognostisk model
Denne intervention involverer et AI -system, der integrerer multimodale data, herunder patientmedicinsk historie, laboratorietestresultater, billeddannelsesdata og genetisk information for at forudsige risikoen for kræft. Systemet bruger dybe indlæringsalgoritmer til at give realtid, nøjagtige forudsigelser, hvilket muliggør tidlig identifikation af kræftrisici. Ved at analysere historiske sundhedsdata sigter modellen mod at forudsige potentielle kræftudviklinger, forbedre tidlige detekterings- og behandlingsresultater.

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.

Sponsor

The Eye Hospital of Wenzhou Medical 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)

19. januar 2025

Primær færdiggørelse (Anslået)

1. oktober 2025

Studieafslutning (Anslået)

1. oktober 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)

30. juli 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

25. juli 2025

Sidst verificeret

1. juli 2025

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • Cancer

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 .

Kliniske forsøg med Svulst

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Serbia

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner