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

AI-gesteuerte Krebsdiagnose und Vorhersage mit EHR

25. Juli 2025 aktualisiert von: Kang Zhang, The Eye Hospital of Wenzhou Medical University

KI-basierte Krebsdiagnose und -vorhersage mithilfe elektronischer Gesundheitsakten

Dies ist eine multizentrische, retrospektive klinische Studie zur Bewertung der Anwendung und Wirksamkeit eines AI-unterstützten prädiktiven Modells zur Identifizierung und Diagnose von Krebs und zur Nutzung multimodaler Gesundheitsdaten.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Krebsdiagnose und Früherkennung sind entscheidend für die Verbesserung der Patientenergebnisse und Überlebensraten. Die frühzeitige Erkennung von Krebserkrankungen und die entsprechende Intervention können den Behandlungserfolg und die Prognose erheblich beeinflussen. In der klinischen Praxis müssen Onkologen häufig eine Vielzahl von Patientendaten integrieren, darunter Krankengeschichte, Labortestergebnisse, Bilddaten wie CT-Scans und MRTs sowie genetische Marker, um eine genaue Diagnose zu stellen und einen personalisierten Behandlungsplan zu entwickeln. Da Präzisionsmedizin immer wichtiger wird, bleibt die Herausforderung, Krebs im Frühstadium zu erkennen, insbesondere wenn die Symptome subtil sind oder fehlen. Die jüngsten Fortschritte in den Bereichen künstliche Intelligenz und Datenanalysetechniken haben sich als vielversprechend für die Verbesserung der diagnostischen Genauigkeit und Geschwindigkeit der Krebserkennung erwiesen. Ziel dieser Studie ist die Entwicklung eines KI-gestützten Entscheidungssystems durch die Integration multimodaler Daten aus elektronischen Gesundheitsakten, Bildgebung, Laborergebnissen und genetischen Daten. Ziel ist es, die diagnostische Genauigkeit zu verbessern, klinische Arbeitsabläufe zu optimieren und Krebspatienten personalisiertere Behandlungsmöglichkeiten anzubieten. Letztendlich zielt dieses System darauf ab, die Früherkennung zu verbessern, wirksame Behandlungsstrategien zu steuern und die Überlebensraten der Patienten zu erhöhen.

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
    • Guangdong
      • Guangzhou, Guangdong, China
        • Rekrutierung
        • Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
        • Kontakt:
      • Guangzhou, Guangdong, China
        • Rekrutierung
        • Guangzhou Women and Children's Medical Center
        • Kontakt:
      • Guangzhou, Guangdong, China
        • Rekrutierung
        • Nanfang Hospital
        • Kontakt:
      • Guangzhou, Guangdong, China
        • Rekrutierung
        • Sun Yat-sen University Cancer Hospital
        • Kontakt:
    • Sichuan
      • Chengdu, Sichuan, China
        • Rekrutierung
        • West China Hospital
        • Kontakt:
    • Zhejiang
      • Wenzhou, Zhejiang, China
        • Rekrutierung
        • First Affiliated Hospital of Wenzhou Medical University
        • Kontakt:
      • Wenzhou, Zhejiang, China
        • Rekrutierung
        • Second Affiliated Hospital of Wenzhou Medical University
        • 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

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Die Studienpopulation besteht aus Personen im Alter von 0 bis 90 Jahren, die in teilnehmenden Studienzentren betreut wurden. Den Teilnehmern müssen umfassende elektronische Gesundheitsakten (EHRs) zur Verfügung stehen, einschließlich Krankengeschichte, Labortestergebnissen, Bilddaten und genetischen Informationen (falls verfügbar). In die Studie werden sowohl Personen mit diagnostizierter Krebserkrankung (einschließlich Krebserkrankungen bei Kindern und Erwachsenen) als auch gesunde Personen ohne Krebserkrankung in der Vorgeschichte einbezogen, um die diagnostischen und prädiktiven Fähigkeiten des KI-gestützten Modells 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 verschiedener Altersgruppen und Krebsarten.

Beschreibung

Einschlusskriterien:

1 、 Patienten mit umfassenden elektronischen Gesundheitsakten (EHRs), einschließlich Krankengeschichte, Laboretestergebnissen, Bildgebungsdaten und genetischen Daten (falls verfügbar).

2. Personen ohne schwerwiegende kognitive Beeinträchtigungen oder Bedingungen, die sie daran hindern würden, eine Einwilligung nach einer Einverständniserklärung zu erteilen oder an der Studie teilzunehmen.

3. Eltern oder Erziehungsberechtigte müssen Minderjährige eine Einverständniserklärung einreichen, während erwachsene Teilnehmer eine Einverständniserklärung für sich selbst einreichen müssen.

Ausschlusskriterien:

  1. Patienten mit unvollständigen oder fehlenden Schlüsseldaten der elektronischen Gesundheitsakte oder unzureichenden Follow-up-Daten.
  2. Personen mit schweren kognitiven Störungen oder anderen unheilbaren Krankheiten, die eine sinnvolle Teilnahme verhindern würden.
  3. Schwangere Frauen (obwohl pädiatrische Krebserkrankungen in Betracht gezogen werden, würden schwangere Frauen aus Sicherheitsgründen ausgeschlossen).

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
Gesunde Kohorte
Diese Gruppe besteht aus Personen ohne diagnostizierte Krebserkrankung. Die Teilnehmer dieser Kohorte dienen als Kontrollgruppe zum Vergleich mit der Versuchsgruppe. Dieser Kohorte werden keine Interventionen oder Behandlungen verabreicht, da sie eine Grundlinie gesunder Personen darstellt.
Diagnosetest: KI-basiertes Diagnose- und Prognosemodell
Diese Intervention umfasst ein KI -System, das multimodale Daten integriert, einschließlich der Krankengeschichte von Patienten, Laboretestergebnissen, Bildgebungsdaten und genetischen Informationen, um das Krebsrisiko vorherzusagen. Das System verwendet Deep-Lern-Algorithmen, um Echtzeit und genaue Vorhersagen zu liefern, und ermöglicht eine frühzeitige Identifizierung von Krebsrisiken. Durch die Analyse historischer Gesundheitsdaten zielt das Modell darauf ab, potenzielle Krebsentwicklungen vorherzusagen und die Ergebnisse der Früherkennung und Behandlung zu verbessern.
Tumorkohorte
Diese Gruppe besteht aus Personen, bei denen Krebs verschiedener Art diagnostiziert wurde. Die Teilnehmer dieser Kohorte dienen als Versuchsgruppe zur Bewertung der Wirksamkeit des Frühvorhersagemodells bei der Identifizierung von Krebsrisiken und der Verbesserung der diagnostischen Genauigkeit.
Diagnosetest: KI-basiertes Diagnose- und Prognosemodell
Diese Intervention umfasst ein KI -System, das multimodale Daten integriert, einschließlich der Krankengeschichte von Patienten, Laboretestergebnissen, Bildgebungsdaten und genetischen Informationen, um das Krebsrisiko vorherzusagen. Das System verwendet Deep-Lern-Algorithmen, um Echtzeit und genaue Vorhersagen zu liefern, und ermöglicht eine frühzeitige Identifizierung von Krebsrisiken. Durch die Analyse historischer Gesundheitsdaten zielt das Modell darauf ab, potenzielle Krebsentwicklungen vorherzusagen und die Ergebnisse der Früherkennung und Behandlung 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.

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)

19. Januar 2025

Primärer Abschluss (Geschätzt)

1. Oktober 2025

Studienabschluss (Geschätzt)

1. Oktober 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)

30. Juli 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

25. Juli 2025

Zuletzt verifiziert

1. Juli 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • Cancer

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