Sichere und erklärbare KI
23. Februar 2026 aktualisiert von: Abramson Cancer Center at Penn Medicine
Sichere und erklärbare KI-gestützte Entscheidungsfindung für personalisierte klinische Entscheidungsunterstützung
Während die aktuelle KI-Technologie zur Automatisierung einiger sich wiederholender klinischer Aufgaben geeignet ist, bleiben technische Herausforderungen bei der Lösung kritischer und gewinnbringender Probleme in den Bereichen Patienten- und Krankheitsmanagement bestehen.
Die vorgeschlagene Forschung zielt darauf ab, Probleme der medizinischen KI anzugehen, wie z. B. die effektive Integration von medizinischem Wissen, die Erklärbarkeit von KI-Empfehlungen für Kliniker und die Festlegung von Sicherheitsgarantien.
Studienübersicht
Status
Rekrutierung
Bedingungen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Geschätzt)
300000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Haideliza Soto Calderon
- Telefonnummer: 215-220-9425
- E-Mail: Haideliza.Soto-Calderon@pennmedicine.upenn.edu
Studieren Sie die Kontaktsicherung
- Name: Nicholas Bishop
- E-Mail: nicholas.bishop@pennmedicine.upenn.edu
Studienorte
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Vereinigte Staaten, 19104
- Rekrutierung
- Hospital of the University of Pennsylvania
-
Kontakt:
- Haideliza Soto Calderon
- Telefonnummer: 215-237-4509
- E-Mail: haideliza.soto-calderon@pennmedicine.upenn.edu
-
-
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 Studie wird EMR-Daten von Herz-, Onkologie- und Sepsis-gefährdeten Patienten untersuchen.
Jede Gruppe hat klar definierte Einschluss- und Ausschlusskriterien. Damit das maschinelle Lernmodell ventrikuläre Arrhythmien und Herzstillstand im Krankenhaus vorhersagen kann, werden wir Patientenkohorten erstellen, die aus erwachsenen (d. h. 18 Jahre oder älter) Patienten bestehen, die von 2020 bis 2020 in einem barrierefreien Krankenbett in einem Krankenhaus der Penn Medicine aufgenommen wurden anwesend sowie Patienten, bei denen anhand der EHR-Aufzeichnungen festgestellt wurde, dass sie einen Herzstillstand erlitten haben.
Beschreibung
Einschlusskriterien:
Kardiologe, 18 Jahre und älter, von 2017 bis heute in einem der Penn Medicine-Krankenhäuser aufgenommen. Sepsis, die zum Zeitpunkt der Vorstellung in einer Notaufnahme oder der Aufnahme in ein Krankenhaus der Penn Medicine ab dem 1. Juli 2017 18 Jahre alt ist, ist förderfähig, da dies die Bevölkerung darstellt, bei der das Risiko besteht, an Sepsis zu erkranken. Onkologie 18 Jahre und älter mit a Diagnose von invasivem Brustkrebs (Stadium 1–4) im Penn Cancer Register
Ausschlusskriterien Alle Vorhersagemodelle schließen Patienten unter 18 Jahren aus ihren Patientendatensätzen aus.
Kardiologie-Patienten, deren primäre Aufnahmediagnose Herzstillstand bei Sepsis war. Patienten mit bereits bestehenden Einschränkungen bei der lebenserhaltenden Therapie werden ausgeschlossen, da ihre Berechtigung für Sepsis-Definitionen, erhaltene Pflege und Ergebnisse durch bereits bestehende Einschränkungen bei der Pflege erheblich und unterschiedlich beeinträchtigt werden können . Onkologie Es gibt keine weiteren Ausschlüsse.
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 |
|---|---|
|
Kardiologie
Das Hauptziel in diesem klinischen Fallszenario ist die Evaluierung eines ML-Modells unter Verwendung von Echtzeit-Herztelemetrie sowie anderen klinischen, demografischen und bildgebenden strukturierten Datenquellen bei stationären Patienten auf der Intensivstation (ICU), um drohende kardiale Erkrankungen im Krankenhaus vorherzusagen Sie können potenziell reversible Ursachen für einen Herzstillstand identifizieren und vorhersagen, bei welchen Patienten aufgrund defibrillierbarer Rhythmen, d. h. ventrikulärer Tachykardie (VT) oder Kammerflimmern (VF), ein Herzstillstand drohen könnte.
|
KI-UNTERSTÜTZTE ENTSCHEIDUNGSFINDUNG ZUR PERSONALISIERTEN KLINISCHEN ENTSCHEIDUNGSUNTERSTÜTZUNG
|
|
Onkologie – Brustkrebs
Das Hauptziel in diesem klinischen Fallszenario besteht darin, ein ML-Modell zu evaluieren, das strukturierte und unstrukturierte Daten aus der klinischen, demografischen sowie molekularen und Keimbahnsequenzierung von Tumoren bei ambulanten Krebspatienten nutzt, um die kurzfristige Mortalität und/oder den Rückgang der Symptome vorherzusagen.
Das Modell zur Vorhersage des Therapieansprechens bei Brustkrebspatientinnen wird mit zwei Prognosetools verglichen: 1) Conversation Connect, ein zuvor validiertes Tool zur Mortalitätsvorhersage durch maschinelles Lernen, das an der University of Pennsylvania zur routinemäßigen klinischen Entscheidungsunterstützung eingesetzt wurde, und 2) der Elixhauser-Komorbiditätsindex, ein auf Komorbidität basierender Prognoseindex, der häufig in der Forschung und Risikoanpassung verwendet wird.
|
KI-UNTERSTÜTZTE ENTSCHEIDUNGSFINDUNG ZUR PERSONALISIERTEN KLINISCHEN ENTSCHEIDUNGSUNTERSTÜTZUNG
|
|
Sepsis
Das Hauptziel in diesem klinischen Fallszenario besteht darin, ein ML-Modell zu entwickeln und zu bewerten, das multimodale klinische Daten nutzt (z. B. strukturierte EHR-Daten wie demografische Daten, Labortestergebnisse und Vitalfunktionen; unstrukturierte EHR-Daten einschließlich des Textes von klinischen Begegnungsnotizen usw (sofern verfügbar, Wellenformen von Echtzeit-Herz-, Hämodynamik- und Atmungsüberwachungsgeräten), um die Notwendigkeit der Einleitung einer antimikrobiellen Breitbandtherapie für stationäre Patienten mit Sepsis vorherzusagen.
Mit einem Fokus auf umsetzbarer und erklärbarer KI werden wir gut kalibrierte Vorhersagen erstellen, die auch am Krankenbett klinisch bedeutsam sind, um die Entscheidungsfindung über Diagnose und Behandlungseinleitung in Echtzeit zu unterstützen.
Das Modell für die rechtzeitige Diagnose und Intervention bei Sepsis wird mit weit verbreiteten kommerziellen und Open-Source-Sepsis-Vorhersagemodellen verglichen.
|
KI-UNTERSTÜTZTE ENTSCHEIDUNGSFINDUNG ZUR PERSONALISIERTEN KLINISCHEN ENTSCHEIDUNGSUNTERSTÜTZUNG
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Neurosymbolische Lernalgorithmen
Zeitfenster: Prototypen erstellen und neue Lernalgorithmen entwickeln; 18 Monate. Benchmarking und Bewertung der Lernalgorithmen; 24 Monate. Forschungsergebnisse veröffentlichen; 24 Monate
|
Entwickeln und bewerten Sie neuartige Algorithmen zum Training neurosymbolischer Modelle.
Wir werden daten- und recheneffiziente Algorithmen für das End-to-End-Training neurosymbolischer Modelle entwickeln.
Diese Aufgabe wird den Aufwand für Klinikexperten verringern, detaillierte Etiketten für umfangreiche EHR-Daten bereitzustellen.
|
Prototypen erstellen und neue Lernalgorithmen entwickeln; 18 Monate. Benchmarking und Bewertung der Lernalgorithmen; 24 Monate. Forschungsergebnisse veröffentlichen; 24 Monate
|
|
Erklärungsmethoden
Zeitfenster: Prototypen erstellen und neue Erklärungsalgorithmen entwickeln; 18 Monate. Für Erklärungen zertifizierte Garantien ableiten; 18 Monate. Benchmarking und Bewertung der Erklärungsalgorithmen; 24 Monate. Erweitern Sie Zertifikate auf neue Eigenschaften und Aufgaben; 30 Monate. Publ
|
Wir werden neue erklärbare KI-Techniken entwickeln, die mit überprüfbaren Garantien einhergehen.
Diese Garantien werden Vertrauen und Transparenz in die KI auf grundlegender Ebene ermöglichen.
|
Prototypen erstellen und neue Erklärungsalgorithmen entwickeln; 18 Monate. Für Erklärungen zertifizierte Garantien ableiten; 18 Monate. Benchmarking und Bewertung der Erklärungsalgorithmen; 24 Monate. Erweitern Sie Zertifikate auf neue Eigenschaften und Aufgaben; 30 Monate. Publ
|
|
Methoden für Sicherheitsgarantien
Zeitfenster: Prototypen erstellen und neue Algorithmen zum Lernen von Regeln entwickeln; 30 Monate. Skalieren Sie Regellernalgorithmen auf größere Datenmengen. 36 Monate. Integrieren Sie neue Grundelemente, um komplexe Regeln auszudrücken. 36 Monate. Implementieren Sie Regellernalgorithmen für Basisaufgaben
|
Wir werden neue Algorithmen entwickeln, die komplexe logische Regeln zur Sicherheit innerhalb der Daten, die über statistische Garantien verfügen, skalierbar extrahieren können.
Diese Techniken basieren auf statistischen Analysen und unterstützen Benutzer bei der Identifizierung von Daten außerhalb der Verteilung und der Erkennung von Anomalien.
|
Prototypen erstellen und neue Algorithmen zum Lernen von Regeln entwickeln; 30 Monate. Skalieren Sie Regellernalgorithmen auf größere Datenmengen. 36 Monate. Integrieren Sie neue Grundelemente, um komplexe Regeln auszudrücken. 36 Monate. Implementieren Sie Regellernalgorithmen für Basisaufgaben
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
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)
29. November 2025
Primärer Abschluss (Geschätzt)
1. November 2028
Studienabschluss (Geschätzt)
1. November 2028
Studienanmeldedaten
Zuerst eingereicht
15. November 2024
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
15. November 2024
Zuerst gepostet (Tatsächlich)
19. November 2024
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
25. Februar 2026
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
23. Februar 2026
Zuletzt verifiziert
1. Februar 2026
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- 34124
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 .