- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04186104
Künstliche Intelligenz in der Kinderklinik
Anwendung von Künstlicher Intelligenz in der Kinderklinik
In China bleibt die Zahl der medizinischen Dienste für Kinder noch weit hinter der wachsenden Nachfrage nach Kindergesundheitsversorgung zurück. Das Phänomen, dass Eltern von Kindern über Nacht für die Registrierung anstehen, überrascht nicht mehr. Dies liegt an der steigenden Zahl der Kinder und dem Mangel an pädiatrischen Talenten. In der Abteilung für Pädiatrie steigt die Zahl der Patienten von Jahr zu Jahr, aber Kinderärzte sind von Anfang bis Ende knapp. Neben dem ambulanten Dienst führen Kinderärzte in großen Krankenhäusern auch Operationen, wissenschaftliche Forschung und andere Aufgaben durch. Dadurch müssen viele Ärzte auf ihren Urlaub verzichten, was sie unglücklich macht und ihre Arbeitsfreude mindert. Die lange Wartezeit verringerte auch die Zufriedenheit der Patienten, was zu einer Verschärfung des Konflikts zwischen Kinderärzten und Patienten führte.
Dieses Forschungsprojekt zielt darauf ab, ein integriertes Mensch-Computer-System zu schaffen und einen neuen Diagnoseprozess zu entwickeln, der in künstliche Intelligenz (KI) eingebettet ist. Die Funktion des KI-Systems umfasst hauptsächlich 3 Aspekte. (1) Der Patient verwendet eine in KI eingebettete Mobiltelefonanwendung, die es ihm ermöglicht, sich vor einem Arztbesuch untersuchen zu lassen. Das Programm stellt dem Patienten eine Reihe von Fragen. Basierend auf den Antworten des Patienten empfiehlt AI dann eine Reihe von Untersuchungen, die alle zuvor vom Arzt überprüft werden. Nachdem der Patient dafür bezahlt hat, könnte er direkt zur Untersuchung gehen. So könnte er als nächstes mit dem Untersuchungsbericht zum Arzt gehen, was dem Patienten das Anstehen erspart. (2) Gleichzeitig könnte das KI-System auch die Anamnese automatisieren. Der Patient würde in der Freizeit die Sammlung der Selbsthilfegeschichte vervollständigen. Das KI-System sammelt die Krankengeschichte und importiert sie automatisch auf den Computer des Arztes. Die Hauptaufgabe der Ärzte besteht darin, die von der KI generierte Krankengeschichte zu modifizieren. In gewissem Maße entlastet es die Ärzte. (3) Während des Besuchs erfasst das KI-System automatisch die Informationen in der elektronischen Krankenakte des Patienten und erstellt die mögliche Diagnose. Dieser Prozess ist für junge Ärzte eine große Hilfe und kann als Hinweis dienen.
Kurz gesagt, diese Studie ist hilfreich, um die Wartezeit von Patienten effektiv zu verkürzen und ihre medizinische Erfahrung erheblich zu verbessern. Bei gleichzeitiger Verringerung der Arbeitsintensität der Ärzte wurde der ambulante Ablauf unserer Klinik nachhaltig optimiert, um den Kinderärztemangel ein Stück weit zu lindern.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Basierend auf mobilen Anwendungen und Computersoftware würde es Folgendes erreichen:
- Intelligente Führung und Abstimmung der Abteilung;
- Intelligente Anamneseerhebung und Erstellung von KI-Krankenakten;
- Prüfungsaufgaben automatisch empfehlen;
- Unterstützen Sie bei der klinischen Diagnose und machen Sie intelligente Diagnosevorschläge.
Studientyp
Einschreibung (Tatsächlich)
Phase
- Unzutreffend
Kontakte und Standorte
Studienorte
-
-
-
Shanghai, China
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, China, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Studienberechtigte Geschlechter
Beschreibung
Einschlusskriterien:
Patienten im Alter von 2 Monaten bis 18 Jahren werden zur Behandlung in das medizinische Zentrum für Kinder in Shanghai gehen.
Ausschlusskriterien:
- Personen, die einer Teilnahme nicht zustimmen.
- Menschen, die nicht kooperieren können.
- Menschen, die schwer zu verfolgen sind.
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Hauptzweck: Versorgungsforschung
- Zuteilung: Zufällig
- Interventionsmodell: Parallele Zuordnung
- Maskierung: Keine (Offenes Etikett)
Waffen und Interventionen
Teilnehmergruppe / Arm |
Intervention / Behandlung |
|---|---|
|
Experimental: Patienten mit ambulantem Routinedienstleistungsprozess
Nach der Registrierung steht der Patient in der Schlange vor der Tür der Arztpraxis.
Sein Arzt verwendet traditionelle Methoden, um Krankenakten von Hand einzugeben und eigenständig Diagnosen zu stellen.
Dann wartet der Patient in der Schlange, um die Rechnung zu bezahlen, und stellt sich zur Untersuchung an.
Abschließend würde der Patient den Untersuchungsbericht zum Arzt zurückbringen.
|
Die Patienten folgen den Verfahren der Registrierung, des Wartens, der Anwesenheit, des Wartens, der Untersuchung, des Wartens, der Anwesenheit.
|
|
Experimental: Patienten mit KI-unterstütztem ambulanten Behandlungsprozess
Nach der Registrierung bindet der Patient seine Informationen über die Ambulanznummer an die Mobiltelefonanwendung.
Zuerst würde das KI-System dem Patienten eine Reihe von Fragen stellen.
Dann würde es ein Urteil basierend auf der Reaktion des Patienten treffen.
Das System überträgt die Untersuchungsgegenstände an den Computer des Arztes und sendet die Gegenstände mit Zustimmung des Arztes an den Patienten zurück.
So konnte der Patient direkt zur Untersuchung gehen.
Während er darauf wartet, dass er an der Reihe ist, wechselt der Patient erneut in das Telefonprogramm und das KI-System sammelt seine Krankengeschichte.
Die Informationen werden an den Arzt zurückgesendet.
Wenn der Patient mit dem Untersuchungsbericht in die Arztpraxis geht, enthält der Computer des Arztes bereits seine Krankenakte.
Der Arzt muss lediglich die Anamnese an die aktuelle Situation anpassen.
Nach Anamneseerhebung könnte das KI-System automatisch die Diagnose stellen.
Der Arzt verwendet die KI-Ergebnisse und sein eigenes Urteilsvermögen, um eine umfassende Diagnose zu stellen.
|
Die Patienten befolgen die Registrierungsverfahren, die von der KI empfohlenen Untersuchungsgegenstände, die Erhebung der Krankengeschichte in Selbstbedienung, die Untersuchung, das Warten und die KI-unterstützte Anwesenheit.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bewerten Sie die Effizienz der beiden Prozesse
Zeitfenster: bis 1 Monat
|
Vergleichen Sie die durchschnittliche Wartezeit für einen einzelnen Patienten und die durchschnittliche Besuchszeit für einen einzelnen Patienten.
|
bis 1 Monat
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bewerten Sie die Zufriedenheit der Patienten mit medizinischen Prozessen
Zeitfenster: bis 1 Monat
|
Der Zufriedenheitsfragebogen würde verwendet, um die Zufriedenheitsrate zwischen den beiden Prozessen zu vergleichen.
|
bis 1 Monat
|
|
Ökonomische Messungen
Zeitfenster: bis 1 Monat
|
Ambulantes Geld ausgeben, Untersuchungsgeld ausgeben etc.
|
bis 1 Monat
|
|
Arbeitseffizienz von Ärzten
Zeitfenster: bis 1 Monat
|
Verwendung historischer Daten für Vorher-Nachher-Vergleiche, um den Einfluss einer intelligenten Anamneseerhebung auf die Besuchszeit jedes Patienten zu vergleichen.
|
bis 1 Monat
|
Mitarbeiter und Ermittler
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Andere Studien-ID-Nummern
- SCMCIRB-K2019020-2
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .