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

AI-Agent für automatisierte Diagnose und Vorhersage unter Verwendung von EHR- und multimodalen Daten

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

KI-Agent-unterstützte Automatisierung zur Diagnose und Vorhersage von Patienten mithilfe elektronischer Gesundheitsakten und multimodaler Daten

Ziel dieser klinischen Studie ist es, die Wirksamkeit eines KI -Agenten bei der Diagnose und Vorhersage von Krankheiten mithilfe elektronischer Gesundheitsakten (EHR) und multimodalen Bildgebungsdaten zu bewerten. Der AI -Agent nutzt erweiterte Algorithmen für maschinelles Lernen, um verschiedene Gesundheitsdatenquellen zu verarbeiten und zu analysieren, um Gesundheitsdienstleistern bei der Erstellung genauerer Diagnosen und Vorhersagen zu unterstützen.

Studienübersicht

Status

Rekrutierung

Bedingungen

Detaillierte Beschreibung

Diese multizentrische, retrospektive klinische Studie soll den Einsatz und die Wirksamkeit eines KI-Agenten im medizinischen Entscheidungsprozess bewerten. Der KI-Agent integriert und analysiert multimodale Daten, darunter elektronische Gesundheitsakten (EHR) und verschiedene Bilddaten (z. B. Röntgenaufnahmen, MRTs, CT-Scans, Ultraschallbilder), um eine Reihe von Krankheiten vorherzusagen und zu diagnostizieren. Durch die Nutzung der Leistungsfähigkeit von maschinellem Lernen und Datenfusionstechniken kann der KI-Agent Muster in großen und komplexen Datensätzen erkennen und Erkenntnisse liefern, die mit herkömmlichen Diagnosemethoden möglicherweise nicht sofort erkennbar sind. In der Studie werden die diagnostische Genauigkeit und die Fähigkeiten zur Krankheitsvorhersage des KI-Agenten verglichen mit traditionellen diagnostischen Verfahren, um den potenziellen Nutzen im klinischen Umfeld zu bewerten. Zu den zentralen Fragen gehört, ob der KI-Agent bei der Frühdiagnose helfen, das Fortschreiten der Krankheit vorhersagen und medizinisches Fachpersonal dabei unterstützen kann, personalisierte Behandlungsentscheidungen zu treffen. Die Teilnehmer müssen sich keinen zusätzlichen Eingriffen unterziehen. Sie stellen nur historische Gesundheitsdaten bereit, einschließlich EHR und relevanter Bilddaten, die vom KI-Agenten analysiert werden. Das KI-System nutzt diese Daten dann, um Gesundheitsdienstleister zu unterstützen, indem es auf der Grundlage der Analyse der multimodalen Informationen Vorhersagen und Diagnosevorschläge macht. Das ultimative Ziel besteht darin, festzustellen, ob dieser KI-gesteuerte Ansatz die diagnostische Genauigkeit verbessern, Behandlungsstrategien optimieren und die Patientenergebnisse in der klinischen Praxis verbessern kann.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

2000000

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
        • Kontakt:
      • Guangzhou, Guangdong, China
      • 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 Teilnehmer dieser Studie werden aus mehreren Gesundheitszentren und Krankenhäusern ausgewählt, die umfassende elektronische Gesundheitsakten (EHR) und multimodale Bilddaten führen. Die Studienpopulation umfasst Patienten mit einer Vielzahl von Krankheiten oder Gesundheitszuständen, wobei Daten zur Diagnose und zum Krankheitsverlauf verfügbar sind. Die Teilnehmer erhalten bestätigte Diagnosen auf der Grundlage klinischer Aufzeichnungen oder Bilddaten, einschließlich, aber nicht beschränkt auf, durch Röntgenaufnahmen, CT-Scans, MRTs und Ultraschalluntersuchungen erfasste Zustände. Sowohl Personen mit komplexen Gesundheitszuständen als auch Personen mit häufigeren Krankheiten werden einbezogen, um die diagnostischen und prädiktiven Fähigkeiten des KI-Systems in einem breiten Spektrum von Fällen zu bewerten. Teilnehmer aus diesen Zentren werden historische Gesundheitsdaten bereitstellen, und darüber hinaus wird es keine aktive Intervention geben Nutzung ihrer vorhandenen klinischen und bildgebenden Daten zum Training und Testen des KI-Systems.

Beschreibung

Einschlusskriterien:

  1. Die Teilnehmer müssen über umfassende elektronische Gesundheitsakten (EHR) verfügen, einschließlich demografischer Informationen, Krankengeschichte und Laborergebnisse.
  2. Den Teilnehmern müssen multimodale Bilddaten (z. B. Röntgenaufnahmen, CT-Scans, MRTs, Ultraschalluntersuchungen) zur Verfügung stehen, die für ihren Gesundheitszustand relevant sind.
  3. Teilnehmer müssen eine bestätigte Diagnose einer oder mehrerer Krankheiten oder Gesundheitszustände haben, die auf klinischen Aufzeichnungen oder Bilddaten basiert.
  4. Die Patienten müssen eine Einwilligung für die Verwendung ihrer historischen Gesundheitsdaten für Forschungszwecke einreichen.

Ausschlusskriterien:

  1. Teilnehmer mit unklaren oder nicht überprüfbaren Diagnosen, die nicht genau kategorisiert werden können.
  2. Doppelte oder redundante Patientendaten (z. B. wiederholte Aufzeichnungen desselben Patienten ohne eindeutige Differenzierung).

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
AI-unterstützte Krankheitsvorhersage unter Verwendung von EHR- und Bildgebungsdaten
Diese Kohorte besteht aus Patienten, deren historische Gesundheitsdaten, einschließlich elektronischer Gesundheitsakten (EHR) und multimodalen Bildgebungsdaten (z. B. Röntgenstrahlen, MRIS, CT-Scans, Ultraschall), von einem AI-Agenten analysiert werden. Das KI -System hilft bei der Diagnose und Vorhersage von Krankheiten durch Verarbeitung und Integration dieser verschiedenen Datenquellen. Der Hauptaugenmerk liegt auf der Bewertung der Fähigkeit des KI -Mittel, Muster zu identifizieren und das Fortschreiten der Krankheit mit hoher Genauigkeit vorherzusagen. Die Teilnehmer müssen keine zusätzlichen Maßnahmen ergreifen, die über die Bereitstellung ihrer Krankengeschichte und ihre Bildgebungsdaten hinausgehen. Ziel ist es zu beurteilen, wie gut das KI-System klinische Entscheidungsfindung unterstützen und die diagnostischen Ergebnisse auf der Grundlage der bereitgestellten Daten verbessern kann.

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)

1. Juli 2023

Primärer Abschluss (Geschätzt)

1. Juli 2025

Studienabschluss (Geschätzt)

1. Juli 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

  • AI-agent

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