Aplicación del modelo de lenguaje grande multimodal en HFpEF (MeG-HFpEF)
Aplicación de un modelo multimodal de lenguaje grande para ayudar en el diagnóstico de insuficiencia cardíaca con fracción de eyección conservada
Descripción general del estudio
Estado
Descripción detallada
La insuficiencia cardíaca es una complicación importante de diversas enfermedades cardíacas y es la principal causa letal de muerte cardiovascular en todo el mundo. Según la fracción de eyección del ventrículo izquierdo (FEVI), la insuficiencia cardíaca se puede dividir en insuficiencia cardíaca con fracción de eyección reducida (ICFEr), insuficiencia cardíaca con fracción de eyección preservada (ICFEp) e insuficiencia cardíaca con fracción de eyección ligeramente reducida (ICFEm). Las tasas de rehospitalización por insuficiencia cardíaca y las complicaciones hospitalarias no difirieron entre la HFrEF y la HFpEF. Sin embargo, en las últimas dos décadas, la tasa de supervivencia de la HFrEF ha mejorado significativamente, mientras que la HFpEF ha permanecido estancada. Una de las razones principales de esto es que el proceso de diagnóstico de la HFpEF es complicado y es fácil que se pierda el diagnóstico en la clínica, lo que resulta en un retraso en el tratamiento.
Los modelos multimodales de lenguaje grande son capaces de integrar y analizar datos médicos de diferentes fuentes, incluidos datos textuales (p. ej., registros médicos, literatura médica), datos de imágenes (p. ej., electrocardiogramas, imágenes de tomografía computarizada) y datos de audio (p. ej., síntomas narrados por pacientes). Esta capacidad de integración de datos multimodal es crucial para comprender escenarios médicos complejos, ya que proporciona una visión más completa de la afección que una única fuente de datos.
El diagnóstico de HFpEF enfrenta muchos desafíos y requiere que los médicos emitan juicios sobre datos multidimensionales, lo que puede conducir fácilmente a un subdiagnóstico y un diagnóstico erróneo de la enfermedad. Como herramienta de inteligencia artificial generativa, un modelo de lenguaje grande es capaz de integrar y analizar datos de diferentes fuentes y tiene la capacidad de aprender y evolucionar a partir de la evidencia clínica existente. Con base en esto, este estudio pretende evaluar la efectividad del modelo multimodal de lenguaje grande para la detección de insuficiencia cardíaca con fracción de eyección preservada (HFpEF), comparándolo con el proceso de evaluación clínica estándar tradicional.
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Xiangbin Meng
- Número de teléfono: 17600220171
- Correo electrónico: 15896850171@163.com
Ubicaciones de estudio
-
-
Beijing
-
Beijing, Beijing, Porcelana
- Reclutamiento
- Peking UniversityThird Hospital
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Edad 18-80 años, hombre o mujer;
- Pacientes hospitalizados en cardiología con sospecha de insuficiencia cardíaca con fracción de eyección conservada (ecografía cardíaca sugestiva de FEVI ≥50 % con al menos 1 de los siguientes: 1, hipertrofia del ventrículo izquierdo y/o agrandamiento de la aurícula izquierda; y 2, función cardíaca diastólica anormal);
- Al menos un síntoma actual o previo de insuficiencia cardíaca, incluida disnea (incluida disnea de esfuerzo, disnea paroxística nocturna y telangiectasia), malestar, náuseas y edema bilateral de las extremidades inferiores;
- Participación voluntaria y consentimiento informado firmado.
Criterio de exclusión:
- Insuficiencia cardíaca aguda o empeoramiento agudo de insuficiencia cardíaca crónica;
- Estenosis coronaria grave (estenosis ≥75%) sin revascularización;
- Pacientes que no pueden realizar una ecocardiografía de esfuerzo o que tienen contraindicaciones para la prueba;
- están participando en otros ensayos clínicos;
- Aquellos con patologías orgánicas severas del hígado, riñón o sistema hematológico o aquellos con enfermedades crónicas;
- Quienes no puedan seguir los procedimientos del juicio;
- Quienes se nieguen a firmar el consentimiento informado.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
grupo único
Primero se realizó el proceso de consulta de rutina: de acuerdo con el proceso recomendado por la edición de 2023 del Consenso de expertos chinos sobre el diagnóstico y tratamiento de la insuficiencia cardíaca con fracción de eyección preservada, el cardiólogo a cargo completó la evaluación de los criterios clínicos del sujeto y realizó el diagnóstico de HFpEF ( sí No). Durante la visita de control del médico tratante, el sistema de detección multimodal de modelo de lenguaje grande (MedGuide-72B) recopiló datos de visitas de rutina, registró datos e indicadores relevantes durante la comunicación del paciente con MedGuide-72B y realizó el diagnóstico. |
Diagnóstico de insuficiencia cardíaca con fracción de eyección preservada (ICFEp) mediante el modelo multimodal de lenguaje grande MedGuide-72B.
Procedimiento diagnóstico y terapéutico de rutina.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
especificidad diagnóstica
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
Comparación de la especificidad dianóstica entre el diagnóstico y la terapia de rutina y el diagnóstico del modelo de lenguaje grande.
|
hasta la finalización del estudio, un promedio de 8 meses
|
|
sensibilidad diagnóstica
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
comparación de sensibilidad dianóstica entre el diagnóstico y la terapia de rutina y el diagnóstico del modelo de lenguaje grande
|
hasta la finalización del estudio, un promedio de 8 meses
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
tasa de consistencia
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
Tasa de coherencia entre el diagnóstico y la terapia de rutina y el diagnóstico del modelo de lenguaje grande.
|
hasta la finalización del estudio, un promedio de 8 meses
|
|
tiempo dedicado al diagnóstico
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
comparación del tiempo dedicado al diagnóstico entre el diagnóstico y la terapia de rutina y el diagnóstico del modelo de lenguaje grande
|
hasta la finalización del estudio, un promedio de 8 meses
|
|
satisfacción del paciente
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
Comparación de la satisfacción del paciente entre el diagnóstico y la terapia de rutina y el diagnóstico del modelo de lenguaje amplio mediante cuestionario.
|
hasta la finalización del estudio, un promedio de 8 meses
|
|
análisis de costos económicos
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
comparación del costo económico entre el diagnóstico y la terapia de rutina y el diagnóstico del modelo de lenguaje grande por el costo total del tratamiento
|
hasta la finalización del estudio, un promedio de 8 meses
|
|
tasa de descubrimiento falso
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
comparación de la tasa de descubrimiento falso entre el diagnóstico y la terapia de rutina y el diagnóstico del modelo de lenguaje grande
|
hasta la finalización del estudio, un promedio de 8 meses
|
|
evaluación de la carga de trabajo del médico
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
Comparación de la carga de trabajo del médico entre el diagnóstico y la terapia de rutina y el diagnóstico del modelo de lenguaje grande según el conteo del número de participantes con problemas relacionados con el tratamiento.
|
hasta la finalización del estudio, un promedio de 8 meses
|
|
eficiencia del diagnóstico
Periodo de tiempo: hasta la finalización del estudio, un promedio de 8 meses
|
La probabilidad de precisión en comparación con el diagnóstico final de la visita del paciente.
|
hasta la finalización del estudio, un promedio de 8 meses
|
Colaboradores e Investigadores
Publicaciones y enlaces útiles
Publicaciones Generales
- Kittleson MM, Panjrath GS, Amancherla K, Davis LL, Deswal A, Dixon DL, Januzzi JL Jr, Yancy CW. 2023 ACC Expert Consensus Decision Pathway on Management of Heart Failure With Preserved Ejection Fraction: A Report of the American College of Cardiology Solution Set Oversight Committee. J Am Coll Cardiol. 2023 May 9;81(18):1835-1878. doi: 10.1016/j.jacc.2023.03.393. Epub 2023 Apr 19. No abstract available.
- Ahmad T, Desai NR, Januzzi JL. Heart Failure With Preserved Ejection Fraction: Many Emperors With Many Clothes. JACC Heart Fail. 2020 Mar;8(3):185-187. doi: 10.1016/j.jchf.2019.11.004. Epub 2020 Jan 8. No abstract available.
- Wang X, Cunningham JW. Restoring balance in heart failure with preserved ejection fraction. Eur J Heart Fail. 2022 Aug;24(8):1415-1417. doi: 10.1002/ejhf.2599. Epub 2022 Jul 18. No abstract available.
- Sicari R. Phenotyping heart failure with preserved ejection fraction with exercise stress echocardiography. Eur Heart J Cardiovasc Imaging. 2022 Jul 21;23(8):1053-1054. doi: 10.1093/ehjci/jeac053. No abstract available.
- Omote K, Verbrugge FH, Borlaug BA. Heart Failure with Preserved Ejection Fraction: Mechanisms and Treatment Strategies. Annu Rev Med. 2022 Jan 27;73:321-337. doi: 10.1146/annurev-med-042220-022745. Epub 2021 Aug 11.
- Margulies KB. DELIVERing Progress in Heart Failure with Preserved Ejection Fraction. N Engl J Med. 2022 Sep 22;387(12):1138-1140. doi: 10.1056/NEJMe2210177. Epub 2022 Aug 27. No abstract available.
- Ventura HO, Lavie CJ, Mehra MR. Heart Failure With Preserved Ejection Fraction: Separating the Wheat From the Chaff. J Am Coll Cardiol. 2020 Jan 28;75(3):255-257. doi: 10.1016/j.jacc.2019.11.027. No abstract available.
- Reddy YNV, Borlaug BA. Heart Failure With Preserved Ejection Fraction: Where Do We Stand? Mayo Clin Proc. 2020 Apr;95(4):629-631. doi: 10.1016/j.mayocp.2020.02.015. No abstract available.
- Donal E, L'official G, Kosmala W. Heart Failure With Preserved Ejection Fraction: Defining Phenotypes. J Card Fail. 2020 Nov;26(11):929-931. doi: 10.1016/j.cardfail.2020.09.013. Epub 2020 Sep 19. No abstract available.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- M2023830
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .