AI-drevet forudsigelse af biologisk alder med EHR
1. april 2025 opdateret af: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Forudsigelse af biologisk alder ved hjælp af elektroniske sundhedsjournaler: en AI-baseret tilgang
Dette er et multicenter, retrospektivt klinisk studie designet til at evaluere anvendelsen og effektiviteten af en AI-assisteret prædiktiv model til at forudsige biologisk alder ved hjælp af elektroniske sundhedsjournaler (EPJ).
Undersøgelsen vil analysere forskellige sundhedsdatapunkter, herunder sygehistorie, laboratorieresultater og kliniske observationer, for at estimere patienternes biologiske alder.
Ved at sammenligne biologisk alder med kronologisk alder har undersøgelsen til formål at vurdere nøjagtigheden af modellen og dens potentiale til at identificere aldersrelaterede sundhedsrisici og forbedre patientbehandlingen.
Studieoversigt
Status
Rekruttering
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Biologisk aldersforudsigelse er afgørende for at vurdere det overordnede helbred, bestemme risikoen for aldersrelaterede sygdomme og yde personlig sundhedspleje.
Mens kronologisk alder er en nøglefaktor, afspejler den ikke altid et individs sande biologiske ældningsproces.
Tidlig identifikation af accelereret biologisk aldring og associerede sundhedsrisici kan have en betydelig indvirkning på tidlige indgreb og langsigtede sundhedsresultater.
I klinisk praksis integrerer sundhedsudbydere en bred vifte af patientdata, herunder sygehistorie, laboratorietestresultater og kliniske observationer, for at forstå en persons helbredsstatus og forudsige potentielle fremtidige risici.
Efterhånden som præcisionsmedicin bliver vigtigere, er evnen til at forudsige biologisk alder og tilpasse plejeplaner afgørende.
Nylige fremskridt inden for kunstig intelligens og dataanalyseteknikker har vist lovende med hensyn til at forbedre nøjagtigheden af biologiske aldersforudsigelser.
Denne undersøgelse har til formål at udvikle et AI-assisteret beslutningstagningssystem ved at integrere multimodale data fra elektroniske sundhedsjournaler, laboratorieresultater, kliniske observationer og patientdemografi.
Målet er at forbedre diagnostisk nøjagtighed, optimere kliniske arbejdsgange og levere mere personlig sundhedspleje til patienter ved at forudsige biologisk alder, identificere individer i risikozonen og forbedre sundhedsresultater.
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
- Nanfang Hospital
-
Kontakt:
- Zhuomin Li
- Telefonnummer: +86-0577-85397527
- E-mail: chetneyli.1001@gmail.com
-
-
Zhejiang
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- First Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Cheng Tang
- E-mail: c249325687@163.com
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- The Eye Hospital of Wenzhou Medical University
-
Kontakt:
- Lan Wang
- Telefonnummer: +86-0577-85397527
- E-mail: wl2832300533@163.com
-
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
-
-
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 personer, der har modtaget pleje på deltagende hospitaler eller sundhedscentre med tilgængelige elektroniske sundhedsregistre (EHR).
Deltagerne vil omfatte dem med komplette EHR -data, herunder medicinsk historie, laboratorietestresultater, billeddannelsesdata og livsstilsfaktorer såsom diæt, fysisk aktivitet og rygevaner.
Kohorten vil omfatte både individer, der er sunde, og dem med kroniske tilstande eller komorbiditeter til at analysere biologisk aldersforudsigelse på tværs af forskellige sundhedsstatus.
Undersøgelsen vil blive gennemført på tværs af flere sundhedsfaciliteter for at sikre en forskelligartet patientpopulation, der repræsenterer en lang række aldersgrupper, sundhedsmæssige forhold og demografi.
Beskrivelse
Inkluderingskriterier:
- Patienter med omfattende og tilgængelige EPJ-data, herunder sygehistorie, laboratorieresultater, behandlingsdata, billeddata (hvis tilgængelige) og livsstilsfaktorer (f.eks. rygning, fysisk aktivitet, kost).
- Patienter uden væsentlige kognitive svækkelser, der ville forhindre dem i at give informeret samtykke eller deltage i undersøgelsen.
- Alle deltagere skal give informeret samtykke til brugen af deres medicinske data til forskningsformål.
Ekskluderingskriterier:
- Patienter med ufuldstændige eller manglende kritiske EPJ-data såsom sygehistorie, laboratorieresultater eller behandlingsdata, der er nødvendige for at forudsige biologisk alder.
- patienter med svære kognitive lidelser (f.eks. demens, betydelige psykiske handicap), som ikke er i stand til at give informeret samtykke eller deltage meningsfuldt i undersøgelsen.
- Patienter med terminale sygdomme eller dem med begrænset forventet levetid, hvor biologiske aldersforudsigelser muligvis ikke er relevante for undersøgelsens formål.
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 |
|---|---|
|
Biologisk yngre gruppe
Deltagere, hvis biologiske alder forventes at være yngre end deres kronologiske alder.
|
Denne undersøgelse anvender en AI-assisteret forudsigelsesmodel, der analyserer multimodale data fra elektroniske sundhedsregistre, herunder medicinsk historie, laboratorieresultater, billeddannelsesdata og livsstilsfaktorer, for at estimere biologisk alder.
Modellen anvender dybe læringsalgoritmer til at forudsige biologisk alder, sammenligne den med kronologisk alder og identificere tidlige tegn på aldersrelaterede sundhedsrisici.
Interventionen er ikke en direkte behandling eller procedure, men sigter mod at udvikle et værktøj til at forudsige biologisk alder til at hjælpe med at tilpasse pleje og forbedre langsigtede sundhedsresultater.
|
|
Biologisk ældre gruppe
Deltagere, hvis biologiske alder forventes at være ældre end deres kronologiske alder.
|
Denne undersøgelse anvender en AI-assisteret forudsigelsesmodel, der analyserer multimodale data fra elektroniske sundhedsregistre, herunder medicinsk historie, laboratorieresultater, billeddannelsesdata og livsstilsfaktorer, for at estimere biologisk alder.
Modellen anvender dybe læringsalgoritmer til at forudsige biologisk alder, sammenligne den med kronologisk alder og identificere tidlige tegn på aldersrelaterede sundhedsrisici.
Interventionen er ikke en direkte behandling eller procedure, men sigter mod at udvikle et værktøj til at forudsige biologisk alder til at hjælpe med at tilpasse pleje og forbedre langsigtede sundhedsresultater.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Biologisk aldersforudsigelsesnøjagtighed
Tidsramme: 1 år
|
Nøjagtigheden af AI -modellen til at forudsige biologisk alder sammenlignet med kronologisk alder.
Dette vil blive evalueret ved hjælp af Pearson -korrelationskoefficienten (PCC) for at vurdere styrken af sammenhængen mellem forudsagt biologisk alder og kronologisk alder.
Derudover vil R-kvadrat (R²) blive brugt til at evaluere andelen af variansen i biologisk alder forklaret af modellen.
|
1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Korrelation af sundhedsrisiko
Tidsramme: 1 år
|
Korrelationen mellem forudsagt biologisk alder og forskellige sundhedsrisici, såsom udvikling af kroniske sygdomme (f.eks. hjerte-kar-sygdomme, diabetes), ved hjælp af PCC til at evaluere sammenhængen mellem biologiske aldersforudsigelser og sundhedsresultater.
|
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. marts 2023
Primær færdiggørelse (Anslået)
2. april 2025
Studieafslutning (Anslået)
2. april 2025
Datoer for studieregistrering
Først indsendt
19. januar 2025
Først indsendt, der opfyldte QC-kriterier
19. januar 2025
Først opslået (Faktiske)
25. marts 2025
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
2. april 2025
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
1. april 2025
Sidst verificeret
1. april 2025
Mere information
Begreber relateret til denne undersøgelse
Andre undersøgelses-id-numre
- Biological Age
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 .