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

KI-gesteuerte Vorhersage des Dialyseergebnisses mit EHR

16. April 2025 aktualisiert von: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Vorhersage der klinischen Ergebnisse bei Dialysepatienten unter Verwendung elektronischer Gesundheitsakten: Ein AI-basierter Ansatz

Hierbei handelt es sich um eine multizentrische, retrospektive klinische Studie, die darauf abzielt, die Anwendung und Wirksamkeit eines KI-gestützten Vorhersagemodells für das Ergebnis von Dialysepatienten zu bewerten und dabei multimodale Gesundheitsdaten zu nutzen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Diese Studie zielt darauf ab, ein AI-unterstütztes Modell zu entwickeln, um die klinischen Ergebnisse bei Dialysepatienten vorherzusagen und sich sowohl auf primäre Ergebnisse (z. B. Mortalität) als auch auf Zwischenergebnisse (z. B. Anämie, Blutdruck, Ernährungsstatus und Calcium-Phosphat-Metabolismus) zu konzentrieren. In der Studie werden die EHR -Daten der Patienten, einschließlich Labortestergebnisse, Krankengeschichte, Informationen zur Behandlung von Dialyse und klinischen Beobachtungen, verwendet, um diese gesundheitlichen Ergebnisse vorherzusagen. Ziel ist es, die frühzeitige Identifizierung von gefährdeten Patienten zu verbessern und eine bessere klinische Entscheidungsfindung und personalisierte Pflegestrategien zu ermöglichen.

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

Studienorte

  • China
    • Beijing
      • Beijing, Beijing, China
        • Rekrutierung
        • General Hospital of PLA
        • Kontakt:

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 Studienpopulation besteht aus Dialysepatienten des China Hemodialysis National Network Center, zu dem ein breites Spektrum von Patienten gehört, die sich in teilnehmenden Krankenhäusern in ganz China einer Hämodialysebehandlung unterziehen. Die Auswahl der Teilnehmer erfolgt auf der Grundlage der Verfügbarkeit umfassender elektronischer Gesundheitsakten (EHR), einschließlich Krankengeschichte, Labortestergebnissen, Details zur Dialysebehandlung und klinischen Beobachtungen. Die Kohorte umfasst sowohl männliche als auch weibliche Patienten mit unterschiedlichem Gesundheitszustand, einschließlich Patienten mit häufig mit der Dialyse verbundenen Komorbiditäten. Die Studie zielt darauf ab, diese vielfältige Gruppe zu nutzen, um Ergebnisse im Zusammenhang mit Mortalität und Komplikationen bei Dialysepatienten zu bewerten und vorherzusagen.

Beschreibung

Einschlusskriterien:

  1. Patienten, die seit mindestens 3 Monaten eine Dialyse (entweder Hämodialyse oder Peritonealdialyse) unterzogen.
  2. Vollständige und zugängliche EHR-Daten, einschließlich Krankengeschichte, Labortestergebnissen, Details zur Dialysebehandlung und klinischen Beobachtungen.
  3. Die Teilnehmer müssen eine informierte Einwilligung zur Nutzung ihrer Gesundheitsdaten für Forschungszwecke erteilen.

Ausschlusskriterien:

  1. Patienten mit unvollständigen oder fehlenden kritischen EHR -Daten, einschließlich Anamnese, Laborergebnissen, Dialysedaten oder für die Studie erforderlichen Behandlungsdetails.
  2. Patienten, die seit weniger als 3 Monaten Dialyse haben, um stabile Daten für die Ergebnisvorhersage zu gewährleisten.

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
Hochrisikogruppe
Die Teilnehmer hatten vorausgesagt, dass ein hohes Sterblichkeitsrisiko auf der Grundlage von AI-unterstützten Vorhersagemodellen unter Verwendung ihrer EHR-Daten basiert, einschließlich Krankengeschichte, Laborergebnisse, Details zur Dialysebehandlung und klinischen Beobachtungen.
Sonstiges: KI-gestütztes Vorhersagemodell für Dialyseergebnisse
Diese Studie verwendet ein AI-unterstütztes prädiktives Modell, das multimodale Daten aus elektronischen Gesundheitsakten, einschließlich Krankengeschichte, Laborergebnissen, Details der Dialysebehandlung und klinischen Beobachtungen, analysiert, um die Ergebnisse für Dialysepatienten vorherzusagen. Das Modell verwendet Deep-Lern-Algorithmen, um das Sterblichkeitsrisiko, Zwischenergebnisse wie Anämie, Blutdruckkontrolle, Ernährung und Calcium-Phosphat-Metabolismus vorherzusagen, und hilft, frühe Anzeichen einer Verschlechterung zu identifizieren. Die Intervention ist keine direkte Behandlung oder Verfahren, sondern zielt darauf ab, ein Instrument zur Vorhersage von Patientenergebnissen und zur Optimierung der Behandlungsstrategien zur Verbesserung der allgemeinen Gesundheit und der Überlebensraten für Dialysepatienten zu entwickeln.
Gruppe mit geringer Risiko
Die Teilnehmer hatten vorausgesagt, dass ein geringer Sterblichkeitsrisiko auf der Grundlage des AI-unterstützten Vorhersagemodells besteht, der mit der Hochrisikogruppe zur Bewertung der Wirksamkeit frühzeitiger Interventionsstrategien verglichen wird.
Sonstiges: KI-gestütztes Vorhersagemodell für Dialyseergebnisse
Diese Studie verwendet ein AI-unterstütztes prädiktives Modell, das multimodale Daten aus elektronischen Gesundheitsakten, einschließlich Krankengeschichte, Laborergebnissen, Details der Dialysebehandlung und klinischen Beobachtungen, analysiert, um die Ergebnisse für Dialysepatienten vorherzusagen. Das Modell verwendet Deep-Lern-Algorithmen, um das Sterblichkeitsrisiko, Zwischenergebnisse wie Anämie, Blutdruckkontrolle, Ernährung und Calcium-Phosphat-Metabolismus vorherzusagen, und hilft, frühe Anzeichen einer Verschlechterung zu identifizieren. Die Intervention ist keine direkte Behandlung oder Verfahren, sondern zielt darauf ab, ein Instrument zur Vorhersage von Patientenergebnissen und zur Optimierung der Behandlungsstrategien zur Verbesserung der allgemeinen Gesundheit und der Überlebensraten für Dialysepatienten zu entwickeln.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Mortalitätsvorhersagegenauigkeit
Zeitfenster: 1 Jahr
Die Fähigkeit des KI-gestützten Vorhersagemodells, das Sterblichkeitsrisiko von Dialysepatienten genau vorherzusagen. Die Vorhersagegenauigkeit wird anhand der Fläche unter der Kurve (AUC), des F1-Scores und der Sensitivität/Spezifität bewertet. Das Modell wird bewertet, indem das vorhergesagte Sterblichkeitsrisiko mit den tatsächlichen Ergebnissen verglichen wird (d. h. ob Patienten während des Studienzeitraums überlebt haben oder verstorben sind).
1 Jahr

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Genauigkeit der Komplikationsvorhersage
Zeitfenster: 1 Jahr
Die Genauigkeit des AI-unterstützten prädiktiven Modells bei der Vorhersage von Komplikationen, die üblicherweise bei Dialysepatienten wie Anämie, unkontrolliertem Blutdruck, schlechter Ernährungsstatus und Anomalien beim Calcium-Phosphat-Metabolismus auftreten. Die Leistung des Modells wird unter Verwendung von Metriken wie AUC, F1 -Score und Genauigkeit bewertet, indem vorhergesagte Werte mit den tatsächlichen klinischen Ergebnissen wie Laborergebnissen, klinischen Diagnosen und Patientengesundheitsstatus verglichen werden.
1 Jahr

Mitarbeiter und Ermittler

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

Sponsor

The Eye Hospital of Wenzhou Medical University

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. Januar 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

Schlüsselwörter

Andere Studien-ID-Nummern

  • Dialysis

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 .

Abonnieren