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

AI-agent til automatiseret diagnose og forudsigelse ved hjælp af EPJ og multimodale data

16. april 2025 opdateret af: Kang Zhang, The Eye Hospital of Wenzhou Medical University

AI-Agent assisteret automatisering til diagnosticering og forudsigelse af patienter, der bruger elektroniske sundhedsregistre og multimodale data

Målet med denne kliniske undersøgelse er at evaluere effektiviteten af ​​en AI -agent til diagnosticering og forudsigelse af sygdomme ved hjælp af elektroniske sundhedsregistre (EHR) og multimodale billeddannelsesdata. AI -agenten udnytter avancerede maskinlæringsalgoritmer til at behandle og analysere forskellige sundhedsdatakilder med det formål at hjælpe sundhedsudbydere med at stille mere nøjagtige diagnoser og forudsigelser.

Studieoversigt

Status

Rekruttering

Betingelser

Detaljeret beskrivelse

Dette multicenter, retrospektive kliniske studie er designet til at evaluere anvendelsen og effektiviteten af ​​et AI-middel i den medicinske beslutningsproces. AI-agenten integrerer og analyserer multimodale data, herunder elektroniske sundhedsjournaler (EPJ) og forskellige billeddata (f.eks. røntgenbilleder, MR'er, CT-scanninger, ultralyd) for at forudsige og diagnosticere en række sygdomme. Ved at udnytte kraften ved maskinlæring og datafusionsteknikker kan AI-agenten identificere mønstre i store og komplekse datasæt og tilbyde indsigt, som måske ikke umiddelbart er tydelig gennem traditionelle diagnostiske metoder. Undersøgelsen vil sammenligne AI-agentens diagnostiske nøjagtighed og sygdomsforudsigelsesmuligheder med traditionel diagnostisk praksis for at vurdere dets potentielle fordele i kliniske omgivelser. Nøglespørgsmål omfatter, om AI-agenten kan hjælpe med tidlig diagnose, forudsige sygdomsprogression og støtte sundhedspersonale i at træffe personlige behandlingsbeslutninger. Deltagerne vil ikke være forpligtet til at gennemgå yderligere indgreb; de vil kun levere historiske helbredsdata, inklusive EPJ og relevante billeddata, som vil blive analyseret af AI-agenten. AI-systemet vil derefter bruge disse data til at hjælpe sundhedsudbydere ved at tilbyde forudsigelser og diagnostiske forslag baseret på analysen af ​​den multimodale information. Det ultimative mål er at afgøre, om denne AI-drevne tilgang kan forbedre diagnostisk nøjagtighed, optimere behandlingsstrategier og forbedre patientresultater i klinisk praksis.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

2000000

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
        • Kontakt:
      • Guangzhou, Guangdong, Kina
      • 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

Deltagerne til denne undersøgelse vil blive udvalgt fra flere sundhedscentre og hospitaler, der opretholder omfattende elektroniske sundhedsjournaler (EPJ) og multimodale billeddannelsesdata. Undersøgelsespopulationen vil omfatte patienter, der har en række forskellige sygdomme eller helbredstilstande, med data tilgængelige for diagnose og sygdomsprogression. Deltagerne vil have bekræftede diagnoser baseret på kliniske optegnelser eller billeddata, herunder, men ikke begrænset til, tilstande opfanget af røntgenstråler, CT-scanninger, MRI'er og ultralyd. Både dem med komplekse helbredstilstande og dem med mere almindelige sygdomme vil blive inkluderet for at evaluere AI-systemets diagnostiske og prædiktive evner på tværs af et bredt spektrum af tilfælde. Deltagere fra disse centre vil levere historiske sundhedsdata, og der vil ikke være nogen aktiv intervention ud over brug af deres eksisterende kliniske og billeddannende data til træning og test af AI-systemet.

Beskrivelse

Inkluderingskriterier:

  1. Deltagerne skal have omfattende elektroniske sundhedsjournaler (EPJ) tilgængelige, herunder demografiske oplysninger, sygehistorie og laboratorieresultater.
  2. Deltagerne skal have tilgængelige multimodale billeddannelsesdata (f.eks. røntgenbilleder, CT-scanninger, MRI'er, ultralyd), der er relevante for deres helbredstilstand.
  3. Deltagerne skal have en bekræftet diagnose af en eller flere sygdomme eller helbredstilstande baseret på kliniske optegnelser eller billeddata.
  4. Patienter skal give samtykke til brugen af ​​deres historiske sundhedsdata til forskningsformål.

Ekskluderingskriterier:

  1. Deltagere med tvetydige eller ikke-verificerbare diagnoser, som ikke kan kategoriseres nøjagtigt.
  2. Dublerede eller overflødige patientdata (f.eks. gentagne registreringer af den samme patient uden klar differentiering).

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
AI-assisteret sygdomsforudsigelse ved hjælp af EHR og billeddannelsesdata
Denne kohorte består af patienter, hvis historiske helbredsdata, herunder elektroniske sundhedsjournaler (EPJ) og multimodale billeddannelsesdata (f.eks. røntgen, MR, CT-scanninger, ultralyd), vil blive analyseret af en AI-agent. AI-systemet vil hjælpe med at diagnosticere og forudsige sygdomme ved at behandle og integrere disse forskellige datakilder. Det primære fokus er at evaluere AI-agentens evne til at identificere mønstre og forudsige sygdomsprogression med høj nøjagtighed. Deltagerne vil ikke være forpligtet til at foretage yderligere handlinger ud over at angive deres sygehistorie og billeddata. Målet er at vurdere, hvor godt AI-systemet kan understøtte klinisk beslutningstagning og forbedre diagnostiske resultater baseret på de leverede data.

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)

1. juli 2023

Primær færdiggørelse (Anslået)

1. juli 2025

Studieafslutning (Anslået)

1. juli 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

  • AI-agent

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 AI-agent

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Vietnam

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner