IA segura y explicable
23 de febrero de 2026 actualizado por: Abramson Cancer Center at Penn Medicine
TOMA DE DECISIONES SEGURA Y EXPLICABLE MEDIANTE IA PARA APOYO A LAS DECISIONES CLÍNICAS PERSONALIZADAS
Si bien la tecnología de inteligencia artificial actual es adecuada para automatizar algunas tareas clínicas repetitivas, persisten desafíos técnicos para resolver problemas críticos y rentables en los ámbitos del manejo de pacientes y enfermedades.
La investigación propuesta busca abordar cuestiones relacionadas con la IA médica, como la integración eficaz del conocimiento médico, hacer que las recomendaciones de la IA sean explicables para los médicos y establecer garantías de seguridad.
Descripción general del estudio
Estado
Reclutamiento
Condiciones
Intervención / Tratamiento
Tipo de estudio
De observación
Inscripción (Estimado)
300000
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Estudio Contacto
- Nombre: Haideliza Soto Calderon
- Número de teléfono: 215-220-9425
- Correo electrónico: Haideliza.Soto-Calderon@pennmedicine.upenn.edu
Copia de seguridad de contactos de estudio
- Nombre: Nicholas Bishop
- Correo electrónico: nicholas.bishop@pennmedicine.upenn.edu
Ubicaciones de estudio
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Estados Unidos, 19104
- Reclutamiento
- Hospital of the University of Pennsylvania
-
Contacto:
- Haideliza Soto Calderon
- Número de teléfono: 215-237-4509
- Correo electrónico: haideliza.soto-calderon@pennmedicine.upenn.edu
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
No
Método de muestreo
Muestra no probabilística
Población de estudio
El estudio analizará datos de EMR de pacientes cardíacos, oncológicos y con riesgo de contraer sepsis.
Cada grupo tiene criterios de inclusión-exclusión claramente definidos. Para que el modelo de aprendizaje automático prediga arritmias ventriculares y paro cardíaco intrahospitalario, construiremos cohortes de pacientes compuestas por pacientes adultos (es decir, de 18 años o más) admitidos en camas accesibles a enfermería dentro de un hospital de Penn Medicine desde 2020 hasta el presentes, así como los pacientes identificados que han experimentado un paro cardíaco mediante registros EHR.
Descripción
Criterios de inclusión:
Cardiología mayores de 18 años, ingresados en cualquiera de los hospitales de Penn Medicine desde 2017 hasta la actualidad. Serán elegibles los 18 años de edad con sepsis al momento de la presentación en un departamento de emergencias o la admisión a cualquier hospital de Penn Medicine a partir del 1 de julio de 2017, ya que esto representa la población en riesgo de contraer sepsis. Oncología 18 años de edad o más con un diagnóstico de cáncer de mama invasivo (etapa 1-4) en el registro de cáncer de Penn
Criterio de exclusión Todos los modelos de predicción excluirán a los pacientes menores de 18 años de sus conjuntos de datos de pacientes.
Cardiología Pacientes cuyo diagnóstico principal de ingreso fue paro cardíaco Sepsis Aquellos con limitaciones preexistentes en la terapia de soporte vital serán excluidos porque su elegibilidad para las definiciones de sepsis, la atención recibida y los resultados pueden verse afectados de manera significativa y variable por limitaciones preexistentes en la atención. . Oncología No existen otras exclusiones.
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Cardiología
El objetivo principal en este escenario de caso clínico es evaluar un modelo de ML que utiliza telemetría cardíaca en tiempo real, así como otras fuentes de datos estructurados clínicos, demográficos y de imágenes, entre pacientes hospitalizados en unidades de cuidados intensivos (UCI) para predecir enfermedades cardíacas intrahospitalarias inminentes. paro cardíaco, identificar causas potencialmente reversibles de paro cardíaco y predecir qué pacientes pueden tener un paro cardíaco inminente debido a ritmos desfibrilables, es decir, taquicardia ventricular (TV) o fibrilación ventricular (FV).
|
TOMA DE DECISIONES HABILITADA POR IA PARA APOYO A LAS DECISIONES CLÍNICAS PERSONALIZADAS
|
|
Oncología - Cáncer de Mama
El objetivo principal en este escenario de caso clínico es evaluar un modelo de aprendizaje automático que utiliza datos estructurados y no estructurados de secuenciación clínica, demográfica y de línea germinal y molecular de tumores, entre pacientes ambulatorios con cáncer, para predecir la mortalidad a corto plazo y/o la disminución de los síntomas.
El modelo de predicción de la respuesta al tratamiento en pacientes con cáncer de mama se comparará con dos herramientas de pronóstico: 1) Conversation Connect, una herramienta de predicción de mortalidad mediante aprendizaje automático previamente validada que se ha utilizado en la Universidad de Pensilvania para respaldar las decisiones clínicas de rutina, y 2) el índice de comorbilidad de Elixhauser, un índice de pronóstico basado en comorbilidad que se utiliza comúnmente en investigación y ajuste de riesgos.
|
TOMA DE DECISIONES HABILITADA POR IA PARA APOYO A LAS DECISIONES CLÍNICAS PERSONALIZADAS
|
|
Septicemia
El objetivo principal en este escenario de caso clínico es desarrollar y evaluar un modelo de ML que utiliza datos clínicos multimodales (p. ej., datos EHR estructurados, como datos demográficos, resultados de pruebas de laboratorio y signos vitales; datos EHR no estructurados, incluido el texto de las notas de encuentros clínicos y , cuando estén disponibles, formas de onda de dispositivos de monitoreo cardíaco, hemodinámico y respiratorio en tiempo real) para predecir la necesidad de iniciar una terapia antimicrobiana de amplio espectro para pacientes hospitalizados con sepsis.
Centrándonos en la IA implementable y explicable, produciremos predicciones bien calibradas que también serán clínicamente significativas junto a la cama para ayudar a la toma de decisiones en tiempo real sobre el diagnóstico y el inicio del tratamiento.
El modelo para el diagnóstico y la intervención oportunos en la sepsis se comparará con modelos de predicción de sepsis comerciales y de código abierto ampliamente utilizados.
|
TOMA DE DECISIONES HABILITADA POR IA PARA APOYO A LAS DECISIONES CLÍNICAS PERSONALIZADAS
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Algoritmos de aprendizaje neurosimbólico
Periodo de tiempo: Prototipar y desarrollar nuevos algoritmos de aprendizaje; 18 meses. Comparar y evaluar los algoritmos de aprendizaje; 24 meses. Publicar resultados de investigaciones; 24 meses
|
Desarrollar y evaluar algoritmos novedosos para el entrenamiento de modelos neurosimbólicos.
Desarrollaremos algoritmos eficientes en datos y computación para el entrenamiento de un extremo a otro de modelos neurosimbólicos.
Esta tarea reducirá la carga de los expertos médicos a la hora de proporcionar etiquetas detalladas en datos voluminosos de HCE.
|
Prototipar y desarrollar nuevos algoritmos de aprendizaje; 18 meses. Comparar y evaluar los algoritmos de aprendizaje; 24 meses. Publicar resultados de investigaciones; 24 meses
|
|
Métodos de explicación
Periodo de tiempo: Prototipar y desarrollar nuevos algoritmos de explicación; 18 meses. Obtener garantías certificadas de explicaciones; 18 meses. Comparar y evaluar los algoritmos de explicación; 24 meses. Ampliar los certificados a nuevas propiedades y tareas; 30 meses. público
|
Desarrollaremos nuevas técnicas de IA explicables y con garantías verificables.
Estas garantías permitirán la confianza y la transparencia en la IA a un nivel fundamental.
|
Prototipar y desarrollar nuevos algoritmos de explicación; 18 meses. Obtener garantías certificadas de explicaciones; 18 meses. Comparar y evaluar los algoritmos de explicación; 24 meses. Ampliar los certificados a nuevas propiedades y tareas; 30 meses. público
|
|
Métodos de garantías de seguridad
Periodo de tiempo: Prototipar y desarrollar nuevos algoritmos de aprendizaje de reglas; 30 meses. Escale los algoritmos de aprendizaje de reglas a configuraciones de datos más grandes; 36 meses. Incorporar nuevas primitivas para expresar reglas complejas; 36 meses. Implementar algoritmos de aprendizaje de reglas en tareas básicas
|
Desarrollaremos nuevos algoritmos que puedan extraer de forma escalable reglas lógicas complejas que rigen la seguridad dentro de los datos que tienen garantías estadísticas.
Estas técnicas se basarán en el análisis estadístico y ayudarán a los usuarios a identificar datos fuera de distribución y detectar anomalías.
|
Prototipar y desarrollar nuevos algoritmos de aprendizaje de reglas; 30 meses. Escale los algoritmos de aprendizaje de reglas a configuraciones de datos más grandes; 36 meses. Incorporar nuevas primitivas para expresar reglas complejas; 36 meses. Implementar algoritmos de aprendizaje de reglas en tareas básicas
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
29 de noviembre de 2025
Finalización primaria (Estimado)
1 de noviembre de 2028
Finalización del estudio (Estimado)
1 de noviembre de 2028
Fechas de registro del estudio
Enviado por primera vez
15 de noviembre de 2024
Primero enviado que cumplió con los criterios de control de calidad
15 de noviembre de 2024
Publicado por primera vez (Actual)
19 de noviembre de 2024
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
25 de febrero de 2026
Última actualización enviada que cumplió con los criterios de control de calidad
23 de febrero de 2026
Última verificación
1 de febrero de 2026
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 34124
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
NO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
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. .