Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Anwendung des multimodalen großen Sprachmodells in HFpEF (MeG-HFpEF)

27. Juni 2024 aktualisiert von: Tang Yida, Peking University Third Hospital

Anwendung eines multimodalen großen Sprachmodells zur Unterstützung der Diagnose von Herzinsuffizienz mit erhaltener Ejektionsfraktion

Diese Studie wird die Wirksamkeit eines multimodalen großen Sprachmodells zum Screening auf Herzinsuffizienz mit konservierter Ejektionsfraktion (HFpEF) validieren und es mit dem traditionellen klinisch standardisierten Bewertungsprozess vergleichen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Herzinsuffizienz ist eine Hauptkomplikation verschiedener Herzerkrankungen und weltweit die häufigste tödliche Ursache für kardiovaskuläre Todesfälle. Basierend auf der linksventrikulären Ejektionsfraktion (LVEF) kann Herzinsuffizienz in Herzinsuffizienz mit reduzierter Ejektionsfraktion (HFrEF), Herzinsuffizienz mit erhaltener Ejektionsfraktion (HFpEF) und Herzinsuffizienz mit leicht reduzierter Ejektionsfraktion (HFmrEF) unterteilt werden. Die Rehospitalisierungsraten bei Herzinsuffizienz und Komplikationen im Krankenhaus unterschieden sich nicht zwischen HFrEF und HFpEF. Allerdings hat sich die Überlebensrate von HFrEF in den letzten zwei Jahrzehnten deutlich verbessert, während HFpEF stagniert. Einer der Hauptgründe dafür ist, dass der Diagnoseprozess von HFpEF kompliziert ist und es leicht dazu kommen kann, dass die Diagnose in der Klinik versäumt wird, was zu einer verzögerten Behandlung führt.

Multimodale große Sprachmodelle sind in der Lage, medizinische Daten aus verschiedenen Quellen zu integrieren und zu analysieren, einschließlich Textdaten (z. B. Krankenakten, medizinische Literatur), Bilddaten (z. B. Elektrokardiogramme, CT-Scan-Bilder) und Audiodaten (z. B. von erzählten Symptomen). Patienten). Diese Fähigkeit zur multimodalen Datenintegration ist für das Verständnis komplexer medizinischer Szenarien von entscheidender Bedeutung, da sie einen umfassenderen Überblick über den Zustand bietet als eine einzelne Datenquelle.

Die Diagnose von HFpEF steht vor vielen Herausforderungen und erfordert von Ärzten die Beurteilung mehrdimensionaler Daten, was leicht zu einer Unter- oder Fehldiagnose der Krankheit führen kann. Als generatives Werkzeug der künstlichen Intelligenz ist ein großes Sprachmodell in der Lage, Daten aus verschiedenen Quellen zu integrieren und zu analysieren und verfügt über die Fähigkeit, aus vorhandenen klinischen Erkenntnissen zu lernen und sich weiterzuentwickeln. Auf dieser Grundlage soll in dieser Studie die Wirksamkeit eines multimodalen großen Sprachmodells für das Screening auf Herzinsuffizienz mit erhaltener Ejektionsfraktion (HFpEF) bewertet und mit dem traditionellen klinischen Standardbewertungsprozess verglichen werden.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

80

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studienorte

  • China
    • Beijing
      • Beijing, Beijing, China
        • Rekrutierung
        • Peking UniversityThird Hospital

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Die Probanden werden aus Patienten rekrutiert, die routinemäßig in der kardiologischen Abteilung stationär behandelt werden und die ebenfalls die Anforderungen dieser Studie erfüllen, und werden nicht separat rekrutiert.

Beschreibung

Einschlusskriterien:

  1. Alter 18–80 Jahre, männlich oder weiblich;
  2. Kardiologische stationäre Patienten mit Verdacht auf Herzinsuffizienz mit erhaltener Ejektionsfraktion (Herzultraschall, der auf eine LVEF ≥ 50 % mit mindestens einem der folgenden Symptome hinweist: 1. linksventrikuläre Hypertrophie und/oder Vergrößerung des linken Vorhofs; und 2. abnormale diastolische Herzfunktion);
  3. Aktuelles oder früheres mindestens ein Symptom einer Herzinsuffizienz, einschließlich Dyspnoe (einschließlich Belastungsdyspnoe, nächtlicher paroxysmaler Dyspnoe und Teleangiektasie), Unwohlsein, Übelkeit und beidseitiges Ödem der unteren Extremitäten;
  4. Freiwillige Teilnahme und unterschriebene Einverständniserklärung.

Ausschlusskriterien:

  1. Akute Herzinsuffizienz oder akute Verschlechterung einer chronischen Herzinsuffizienz;
  2. Schwere Koronarstenose (≥75 % Stenose) ohne Revaskularisation;
  3. Patienten, die nicht in der Lage sind, eine Belastungs-Echokardiographie durchzuführen oder Kontraindikationen für den Test haben;
  4. nehmen an anderen klinischen Studien teil;
  5. Personen mit schweren organischen Erkrankungen der Leber, der Niere oder des hämatologischen Systems oder Personen mit chronischen Erkrankungen;
  6. Diejenigen, die nicht in der Lage sind, den Prozessabläufen zu folgen;
  7. Diejenigen, die sich weigern, die Einverständniserklärung zu unterzeichnen.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
einzelne Gruppe

Zuerst wurde der routinemäßige Konsultationsprozess durchgeführt: Gemäß dem in der Ausgabe 2023 des chinesischen Expertenkonsenses zur Diagnose und Behandlung von Herzinsuffizienz mit erhaltener Ejektionsfraktion empfohlenen Verfahren schloss der behandelnde Kardiologe die klinische Kriterienbewertung des Probanden ab und führte die HFpEF-Diagnose durch ( ja Nein).

Während des Kontrollbesuchs des behandelnden Arztes sammelte das multimodale Screeningsystem für große Sprachmodelle (MedGuide-72B) Routinebesuchsdaten, zeichnete relevante Daten und Indikatoren während der Kommunikation des Patienten mit MedGuide-72B auf und stellte die Diagnose.
Diagnosetest: Multimodale Diagnose großer Sprachmodelle
Diagnose von Herzinsuffizienz mit erhaltener Ejektionsfraktion (HFpEF) mithilfe des multimodalen großen Sprachmodells MedGuide-72B.
Diagnosetest: Routinemäßiges diagnostisches und therapeutisches Verfahren
Routinemäßiges diagnostisches und therapeutisches Verfahren

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
diagnostische Spezifität
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Dianostischer Spezifitätsvergleich zwischen Routinediagnose und -therapie und Diagnose eines großen Sprachmodells
bis zum Studienabschluss durchschnittlich 8 Monate
diagnostische Sensibilität
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Dianostischer Sensitivitätsvergleich zwischen Routinediagnose und -therapie und Diagnose eines großen Sprachmodells
bis zum Studienabschluss durchschnittlich 8 Monate

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Konsistenzrate
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Konsistenzrate zwischen Routinediagnose und -therapie und Diagnose eines großen Sprachmodells
bis zum Studienabschluss durchschnittlich 8 Monate
Zeitaufwand für die Diagnose
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Vergleich der für die Diagnose aufgewendeten Zeit zwischen Routinediagnose und -therapie und Diagnose mit großen Sprachmodellen
bis zum Studienabschluss durchschnittlich 8 Monate
Patientenzufriedenheit
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Vergleich der Patientenzufriedenheit zwischen Routinediagnose und -therapie und Diagnose eines großen Sprachmodells anhand eines Fragebogens
bis zum Studienabschluss durchschnittlich 8 Monate
wirtschaftliche Kostenanalyse
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Vergleich der wirtschaftlichen Kosten zwischen Routinediagnose und -therapie und Diagnose mit großen Sprachmodellen anhand der Gesamtkosten der Behandlung
bis zum Studienabschluss durchschnittlich 8 Monate
Falscherkennungsrate
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Vergleich der Falscherkennungsrate zwischen Routinediagnose und -therapie und Diagnose mit großen Sprachmodellen
bis zum Studienabschluss durchschnittlich 8 Monate
Beurteilung der Arbeitsbelastung des Arztes
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Vergleich der ärztlichen Arbeitsbelastung zwischen Routinediagnose und -therapie und Diagnose mit großem Sprachmodell anhand der Zählung der Teilnehmerzahl mit behandlungsbezogenen Befunden
bis zum Studienabschluss durchschnittlich 8 Monate
Diagnoseeffizienz
Zeitfenster: bis zum Studienabschluss durchschnittlich 8 Monate
Die Wahrscheinlichkeit der Genauigkeit im Vergleich zur endgültigen Diagnose des Patientenbesuchs
bis zum Studienabschluss durchschnittlich 8 Monate

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Peking University Third Hospital

Mitarbeiter

Qingdao Municipal Hospital
Tianjin Medical University General Hospital
The First Hospital of Hebei Medical University
Central hospital Affiliated to Shandong First Medical University

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

20. Dezember 2023

Primärer Abschluss (Geschätzt)

20. Dezember 2024

Studienabschluss (Geschätzt)

20. Dezember 2024

Studienanmeldedaten

Zuerst eingereicht

22. Dezember 2023

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

27. Juni 2024

Zuerst gepostet (Tatsächlich)

3. Juli 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

3. Juli 2024

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

27. Juni 2024

Zuletzt verifiziert

1. Juni 2024

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • M2023830

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

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 .

Abonnieren