AI-gesteuerte Vorhersage von im Krankenhaus erworbenen Infektionen mit EHR
16. April 2025 aktualisiert von: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Vorhersage von in Krankenhäusern erworbenen Infektionen mit elektronischen Gesundheitsakten: Ein AI-unterstützter Ansatz
Hierbei handelt es sich um eine multizentrische, retrospektive klinische Studie zur Bewertung der Anwendung und Wirksamkeit eines KI-gestützten Vorhersagemodells zur Identifizierung und Diagnose von Infektionen unter Nutzung multimodaler Gesundheitsdaten.
Studienübersicht
Status
Rekrutierung
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Im Krankenhaus erworbene Infektionen (HAIs) sind eine wesentliche Ursache für Morbidität und Mortalität im Gesundheitswesen.
Die frühzeitige Erkennung und Prävention von HAI ist von entscheidender Bedeutung für die Verbesserung der Patientenergebnisse, die Senkung der Gesundheitskosten und die Verhinderung der Ausbreitung von Infektionen.
In der klinischen Praxis müssen Gesundheitsdienstleister häufig eine Vielzahl von Patientendaten integrieren, darunter Krankengeschichte, Labortestergebnisse, Medikamenteneinnahme, chirurgische Eingriffe und klinische Beobachtungen, um Infektionsrisiken zu bewerten und HAIs zu verhindern.
Da Infektionskontrolle und Präzisionsmedizin immer wichtiger werden, bleibt die Herausforderung, Infektionen vorherzusagen und zu verhindern, insbesondere bei Patienten mit subtilen oder asymptomatischen Risikofaktoren.
Die jüngsten Fortschritte bei künstlicher Intelligenz und Datenanalysetechniken haben sich als vielversprechend für die Verbesserung der Genauigkeit und Effizienz der Infektionsvorhersage und -prävention erwiesen.
Ziel dieser Studie ist die Entwicklung eines KI-gestützten Entscheidungssystems durch die Integration multimodaler Daten aus elektronischen Gesundheitsakten, Laborergebnissen, klinischen Beobachtungen und Patientendemografien.
Ziel ist es, die Früherkennung von HAI-Risikopatienten zu verbessern, klinische Arbeitsabläufe zu rationalisieren und Maßnahmen zur Infektionskontrolle zu optimieren.
Letztendlich zielt dieses System darauf ab, die Häufigkeit von Krankenhausinfektionen zu reduzieren, die Patientensicherheit zu verbessern und die Qualität der Gesundheitsversorgung insgesamt zu verbessern.
Studientyp
Beobachtungs
Einschreibung (Geschätzt)
1000000
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienkontakt
- Name: Fei Liu, MD
- Telefonnummer: +86 13810512704
- E-Mail: liufei_2359@163.com
Studienorte
-
-
Zhejiang
-
Wenzhou, Zhejiang, China
- Rekrutierung
- First Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Cheng Tang
- E-Mail: c249325687@163.com
-
Wenzhou, Zhejiang, China
- Rekrutierung
- Second Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Sian Liu
- Telefonnummer: +86-0577-88002888
- E-Mail: liusan@mail3.sysu.edu.cn
-
-
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
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Ja
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Die Studienpopulation besteht aus Personen, die in teilnehmenden Studienzentren betreut wurden.
Den Teilnehmern müssen umfassende elektronische Gesundheitsakten (EHRs) zur Verfügung stehen, einschließlich Krankengeschichte, Labortestergebnissen, Behandlungsdaten und klinischen Beobachtungen.
Sowohl Personen, die im Krankenhaus erworbene Infektionen (HAIs) entwickelt haben, als auch solche, bei denen dies nicht der Fall ist, werden in die Studie einbezogen, um die Vorhersagefähigkeiten des KI-gestützten Modells für das Infektionsrisiko zu bewerten.
Die Studie konzentriert sich auf Patienten mit vollständigen und dokumentierten Pflegeakten der teilnehmenden Zentren und gewährleistet so eine vielfältige Kohorte für die Analyse über verschiedene Altersgruppen und Infektionsarten hinweg.
Beschreibung
Einschlusskriterien:
- Patienten mit vollständigen und zugänglichen EHR-Daten, einschließlich Krankengeschichte, Labortestergebnissen, Behandlungsplänen, klinischen Beobachtungen und Infektionsgeschichte.
- Patienten, die während des Untersuchungszeitraums in das teilnehmende Krankenhaus oder die Gesundheitseinrichtung aufgenommen wurden.
- Alle Teilnehmer müssen eine Einverständniserklärung einreichen, um ihre Gesundheitsdaten für Forschungszwecke zu verwenden.
Ausschlusskriterien:
- Patienten mit unvollständigen oder fehlenden wichtigen EHR-Daten wie Laborergebnissen, Krankengeschichte oder Behandlungsdetails, die für die Infektionsvorhersage erforderlich sind.
- Patienten mit schweren kognitiven Störungen, Demenz oder Erkrankungen, die sie daran hindern, ihre Einwilligung nach Aufklärung zu erteilen oder an der Studie teilzunehmen.
- Patienten, die während des Untersuchungszeitraums nicht ins Krankenhaus eingeliefert wurden oder nur ambulante Versorgung erhalten.
- Patienten mit terminalen Erkrankungen, bei denen die Vorhersage von Infektionen möglicherweise nicht für die klinischen Ziele der Studie anwendbar ist.
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 |
|---|---|
|
In einem Krankenhaus erworbene Infektionskohorte
Diese Gruppe besteht aus Patienten, die während ihres Krankenhausaufenthalts eine Krankenhausinfektion (HAI) entwickelt haben.
Die Teilnehmer dieser Kohorte werden verwendet, um die Wirksamkeit des AI-unterstützten Vorhersagemodells bei der Identifizierung der Risikofaktoren zu bewerten, die zu im Krankenhaus erworbenen Infektionen führen.
Das Modell wird auf der Grundlage der Genauigkeit der Vorhersage von Infektionsrisiken bei Krankenhauspatienten bewertet.
Im Rahmen dieser Kohorte werden keine spezifischen Interventionen über die bestehenden Praktiken zur Kontrolle des Krankenhauses hinausgehen.
|
Bei dieser Intervention handelt es sich um ein KI-System, das multimodale Daten, einschließlich der Krankengeschichte des Patienten, Labortestergebnisse, klinische Beobachtungen und Behandlungsdaten, integriert, um das Risiko von im Krankenhaus erworbenen Infektionen (HAIs) vorherzusagen.
Das System verwendet Deep-Learning-Algorithmen, um genaue Vorhersagen in Echtzeit zu liefern und so eine frühzeitige Identifizierung von Patienten mit einem Infektionsrisiko zu ermöglichen.
Durch die Analyse historischer Gesundheitsdaten zielt das Modell darauf ab, potenzielle Infektionsentwicklungen vorherzusagen und so die Früherkennung, Präventionsstrategien und Patientenergebnisse im Krankenhausumfeld zu verbessern.
|
|
Gesunde Kohorte (kein Hai)
Diese Gruppe besteht aus Patienten, die während ihres Krankenhausaufenthalts keine im Krankenhaus erworbenen Infektionen entwickelt haben.
Die Teilnehmer dieser Kohorte werden als Kontrollgruppe zum Vergleich mit der Versuchsgruppe dienen.
Das AI-unterstützte Modell wird auf seine Fähigkeit bewertet, zwischen Patienten zu unterscheiden, bei denen das Risiko für die Entwicklung von Infektionen ausgesetzt ist, und Patienten, die während des Krankenhausaufenthalts infektionen bleiben.
Als Teil dieser Kohorte werden keine Interventionen vorgesehen, da sie Patienten ohne Komplikationen im Zusammenhang mit Infektionen vertreten.
|
Bei dieser Intervention handelt es sich um ein KI-System, das multimodale Daten, einschließlich der Krankengeschichte des Patienten, Labortestergebnisse, klinische Beobachtungen und Behandlungsdaten, integriert, um das Risiko von im Krankenhaus erworbenen Infektionen (HAIs) vorherzusagen.
Das System verwendet Deep-Learning-Algorithmen, um genaue Vorhersagen in Echtzeit zu liefern und so eine frühzeitige Identifizierung von Patienten mit einem Infektionsrisiko zu ermöglichen.
Durch die Analyse historischer Gesundheitsdaten zielt das Modell darauf ab, potenzielle Infektionsentwicklungen vorherzusagen und so die Früherkennung, Präventionsstrategien und Patientenergebnisse im Krankenhausumfeld zu verbessern.
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Bereich unter der Kurve (AUC)
Zeitfenster: 1 Jahr
|
AUC der ROC-Kurve, wird zur Quantifizierung der diagnostischen Genauigkeit verwendet.
Keine Einheit (ein Verhältnis oder Prozentsatz, normalerweise ausgedrückt als Zahl zwischen 0 und 1).
|
1 Jahr
|
|
F1 -Punktzahl
Zeitfenster: 1 Jahr
|
Der F1 -Score ist der harmonische Mittelwert von Präzision und Empfindlichkeit (Rückruf).
Es ist ein gutes Maß für die Fähigkeit des Modells, sowohl echte positive Positive zu identifizieren als auch falsch positive Ergebnisse zu minimieren, insbesondere in Fällen, in denen die Klassen unausgeglichen sind (z. B. wenn die Anzahl der gesunden Fälle viel höher ist als Krankheitsfälle).
Der F1 -Score reicht von 0 bis 1, wobei 1 perfekte Präzision und Rückruf anzeigt.
|
1 Jahr
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Sensitivität (True-Positive-Rate)
Zeitfenster: 1 Jahr
|
Sensitivität misst, wie gut das KI -Modell echte positive Fälle identifiziert, wie z.
|
1 Jahr
|
|
Spezifität (True Negative Rate)
Zeitfenster: 1 Jahr
|
Die Spezifität misst die Fähigkeit des KI-Modells, Fälle ohne Krankheiten korrekt zu identifizieren und sicherzustellen, dass gesunde Mütter und Säuglinge korrekt als negativ identifiziert werden.
|
1 Jahr
|
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)
1. Februar 2023
Primärer Abschluss (Geschätzt)
1. Mai 2025
Studienabschluss (Geschätzt)
1. Mai 2025
Studienanmeldedaten
Zuerst eingereicht
19. Januar 2025
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
19. Januar 2025
Zuerst gepostet (Tatsächlich)
24. Januar 2025
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
17. April 2025
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
16. April 2025
Zuletzt verifiziert
1. April 2025
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- Hospital-Acquired Infections
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
Produkt, das in den USA hergestellt und aus den USA exportiert wird
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 .