Esta página se tradujo automáticamente y no se garantiza la precisión de la traducción. por favor refiérase a versión inglesa para un texto fuente.

Toma de decisiones médicas asistidas por IA multimodal oftálmica

16 de abril de 2025 actualizado por: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Un estudio sobre la toma de decisiones médicas asistida por IA multimodal oftálmica basada en imágenes y datos de registros médicos electrónicos

Este es un estudio clínico retrospectivo multicéntrico diseñado para evaluar la aplicación y eficacia de un sistema de apoyo a las decisiones médicas asistido por IA, que aprovecha la fusión de datos multimodal, en la práctica clínica oftálmica.

Descripción general del estudio

Estado

Reclutamiento

Condiciones

Intervención / Tratamiento

Descripción detallada

Las discapacidades visuales afectan significativamente la calidad de vida de un individuo. La detección, el diagnóstico y el tratamiento tempranos de las enfermedades oculares son cruciales para prevenir la aparición y progresión de los trastornos de la visión. En la práctica clínica, los oftalmólogos a menudo necesitan integrar una amplia gama de datos de pacientes, incluida información demográfica, historial médico, marcadores bioquímicos como niveles de glucosa y lípidos en sangre, factores de riesgo, así como diversos datos oftálmicos, como imágenes del fondo de ojo y exploraciones OCT. y pruebas de campo visual, para realizar un diagnóstico preciso y desarrollar un plan de tratamiento adecuado. En una era donde la precisión y la medicina personalizada están a la vanguardia de la atención sanitaria, la detección y el diagnóstico tempranos de enfermedades oculares, así como la selección de estrategias diagnósticas y terapéuticas adecuadas en las diferentes etapas de la enfermedad, se han convertido en importantes desafíos en el entorno clínico. Los avances recientes en técnicas de análisis e imágenes médicas han mejorado enormemente la precisión y eficacia del diagnóstico de enfermedades oculares. Este estudio tiene como objetivo desarrollar un sistema de toma de decisiones asistido por inteligencia artificial oftálmica mediante la integración de datos multimodales de imágenes y registros médicos electrónicos, en combinación con técnicas de aprendizaje profundo. El objetivo es mejorar la precisión del diagnóstico, optimizar los flujos de trabajo clínicos y brindar opciones de tratamiento más personalizadas para los pacientes. En última instancia, este sistema busca mejorar los resultados del tratamiento y mejorar la calidad de vida general de los pacientes que padecen enfermedades oculares.

Tipo de estudio

De observación

Inscripción (Estimado)

5000000

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: Lan Wang, MD
  • Número de teléfono: +86-0577-85397527
  • Correo electrónico: wl2832300533@163.com

Ubicaciones de estudio

  • Macao
      • Macau, Macao
        • Reclutamiento
        • Macau University of Science and Technology Hospital
        • Contacto:
  • Porcelana
    • Guangdong
      • Zhuhai, Guangdong, Porcelana
        • Reclutamiento
        • ZhuHai Hospital, zhuhai, guangdong
        • Contacto:
    • Zhejiang
      • Wenzhou, Zhejiang, Porcelana
        • Reclutamiento
        • First Affiliated Hospital of Wenzhou Medical University
        • Contacto:
          • Cheng Tang, MD
          • Número de teléfono: +86-0577-55579999
          • Correo electrónico: c249325687@163.com
      • Wenzhou, Zhejiang, Porcelana
        • Reclutamiento
        • Second Affiliated Hospital of Wenzhou Medical Universit
        • Contacto:
      • Wenzhou, Zhejiang, Porcelana
        • Reclutamiento
        • The Eye Hospital of Wenzhou Medical University
        • Contacto:

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

  • Niño
  • Adulto
  • Adulto Mayor

Acepta Voluntarios Saludables

No

Método de muestreo

Muestra no probabilística

Población de estudio

Todos los pacientes que han recibido tratamiento en múltiples centros, incluido el Hospital Oftalmológico de la Universidad Médica de Wenzhou, el Primer Hospital Afiliado de la Universidad Médica de Wenzhou, el Segundo Hospital Afiliado de la Universidad Médica de Wenzhou, el Hospital ZhuHai y el Hospital de la Universidad de Ciencia y Tecnología de Macao.

Descripción

Criterios de inclusión:

1.Todos los pacientes que hayan recibido tratamiento en múltiples centros, incluido el Hospital Oftalmológico de la Universidad Médica de Wenzhou, el Primer Hospital Afiliado de la Universidad Médica de Wenzhou, el Segundo Hospital Afiliado de la Universidad Médica de Wenzhou, el Hospital ZhuHai y el Hospital de la Universidad de Ciencia y Tecnología de Macao.

2. Disponibilidad de registros médicos electrónicos (EHR) completos, que incluyen: Imágenes oftálmicas (p. ej., fotografía del fondo de ojo, OCT o imágenes con lámpara de hendidura). Registros médicos electrónicos (por ejemplo, diagnóstico, tratamiento y notas de seguimiento). Resultados de exámenes (p. ej., agudeza visual, presión intraocular o pruebas de laboratorio). 3.Pacientes con diagnóstico claro y confirmado de una o más enfermedades oculares. 4.Pacientes con registros de seguimiento suficientes que permitan evaluar la progresión o el pronóstico de la enfermedad, si corresponde.

  1. Todos los pacientes de oftalmología que hayan recibido tratamiento previamente en el Departamento de Oftalmología, el Hospital Oftalmológico de la Universidad Médica de Wenzhou, el Primer Hospital Afiliado de la Universidad Médica de Wenzhou, el Segundo Hospital Afiliado de la Universidad Médica de Wenzhou, el Hospital Popular de Zhuhai y el Hospital Universitario.
  2. Disponibilidad de registros médicos electrónicos (EHR) completos, que incluyen: Imágenes oftálmicas (p. ej., fotografía del fondo de ojo, OCT o imágenes con lámpara de hendidura). Registros médicos electrónicos (por ejemplo, diagnóstico, tratamiento y notas de seguimiento). Resultados de exámenes (p. ej., agudeza visual, presión intraocular o pruebas de laboratorio).
  3. Pacientes con diagnóstico claro y confirmado de una o más enfermedades oculares.
  4. Pacientes con registros de seguimiento suficientes que permitan evaluar la progresión o el pronóstico de la enfermedad, si corresponde.

Criterios de exclusión:

  1. Componentes críticos del EHR incompletos o faltantes.
  2. Casos con diagnósticos ambiguos o no verificados que no pueden categorizarse claramente.
  3. Datos duplicados o redundantes del mismo paciente.

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
normal
pacientes que no tienen enfermedades oculares
enfermedades oculares
pacientes que tienen enfermedades oculares
Prueba de diagnóstico: Prueba de diagnóstico: modelo de diagnóstico y pronóstico basado en IA para enfermedades oculares
Esta intervención implica un sistema de inteligencia artificial que aprovecha la fusión de datos multimodal para respaldar la toma de decisiones clínicas y la evaluación de enfermedades oftálmicas. Integra datos multimodales, incluida la fotografía del fondo de ojo, la tomografía de coherencia óptica (OCT) y los registros clínicos de los pacientes, para brindar soporte de diagnóstico personalizado, preciso y en tiempo real. A diferencia de otros modelos, este sistema utiliza un conjunto de datos longitudinal del paciente para predecir la progresión de la enfermedad y los resultados del tratamiento. Las características distintivas clave incluyen: 1. Integración de datos multimodales: combina datos de imágenes, clínicos y genéticos para un análisis integral. 2. Capacidad predictiva: ofrece predicciones de pronóstico avanzadas, lo que permite planes de tratamiento personalizados. 3. Marco de aprendizaje profundo: emplea algoritmos de aprendizaje profundo de última generación para mejorar la precisión y la eficiencia del diagnóstico. 4. Validación del mundo real: validada utilizando una gran cohorte de datos diversos de pacientes, lo que garantiza la generalización y solidez.

¿Qué mide el estudio?

Medidas de resultado primarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Área bajo la curva (AUC)
Periodo de tiempo: 1 años
AUC de la curva ROC, utilizada para cuantificar la precisión diagnóstica. Sin unidad (una proporción o porcentaje, generalmente expresado como un número entre 0 y 1).
1 años
Sensibilidad
Periodo de tiempo: 1 años
La sensibilidad (también llamada tasa de verdaderos positivos) es una medida de qué tan bien un modelo identifica instancias positivas. Se define como la proporción de casos positivos reales identificados correctamente por el modelo. Sin unidad (una proporción o porcentaje, generalmente expresado como porcentaje).
1 años
Precisión Precisión Precisión
Periodo de tiempo: 1 años
La precisión mide la proporción de todas las predicciones correctas (verdaderos positivos y verdaderos negativos) sobre el número total de casos evaluados por el modelo. Sin unidad (una proporción o porcentaje, generalmente expresado como porcentaje).
1 años
Especificidad
Periodo de tiempo: 1 años
La especificidad (también llamada tasa de verdaderos negativos) mide la proporción de casos negativos reales identificados correctamente por el modelo. Sin unidad (una proporción o porcentaje, generalmente expresado como porcentaje).
1 años
Tasa de falsos positivos
Periodo de tiempo: 1 años
La tasa de falsos positivos (FPR) mide la proporción de casos negativos reales que el modelo identifica incorrectamente como positivos. Sin unidad (una proporción o porcentaje, generalmente expresado como porcentaje).
1 años
Tasa de falsos negativos
Periodo de tiempo: 1 años
La tasa de falsos negativos (FNR) mide la proporción de casos positivos reales que el modelo identifica incorrectamente como negativos. Sin unidad (una proporción o porcentaje, generalmente expresado como porcentaje).
1 años
Tasa de complicaciones posoperatorias
Periodo de tiempo: 1 años
Porcentaje (%) de pacientes que experimentaron complicaciones posoperatorias.
1 años
Tasa de riesgo de recurrencia
Periodo de tiempo: 1 años
Porcentaje (%) de pacientes que experimentaron recurrencia durante el período de seguimiento.
1 años
Tasa de supervivencia
Periodo de tiempo: 1 años
Porcentaje (%) de pacientes vivos, calculado mediante curvas de supervivencia de Kaplan-Meier.
1 años
Eficacia del apoyo a las decisiones
Periodo de tiempo: 1 años
Mejora porcentual (%) en la precisión de las decisiones de tratamiento con asistencia de IA en comparación con las decisiones tradicionales.
1 años
Eficiencia en el tiempo de decisión
Periodo de tiempo: 1 años
Tiempo promedio (segundos) requerido por los médicos para tomar decisiones de diagnóstico y tratamiento, antes y después de la asistencia de IA.
1 años

Medidas de resultado secundarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Puntuación de usabilidad del sistema
Periodo de tiempo: 1 años
Evaluado mediante la Escala de Usabilidad del Sistema (SUS), con puntuaciones que van de 0 a 100.
1 años
Tiempo de respuesta del sistema de IA
Periodo de tiempo: 1 años
Tiempo promedio (segundos) que tarda la IA en brindar recomendaciones después de la entrada de datos.
1 años
Tasa de falla del sistema
Periodo de tiempo: 1 años
Frecuencia de fallas del sistema de IA, medida como fallas por cada mil horas de uso (fallas/mil horas).
1 años
Satisfacción con el diseño de la interfaz de usuario
Periodo de tiempo: 1 años
Evaluado mediante el Cuestionario de Experiencia de Usuario (UEQ), con puntuaciones que van del 1 al 7.
1 años
Puntuación de satisfacción del paciente
Periodo de tiempo: 1 años
Medido mediante el Cuestionario de Satisfacción del Paciente (CSQ-8), con puntuaciones que oscilan entre 8 y 32.
1 años
Adherencia al tratamiento
Periodo de tiempo: 1 años
Porcentaje (%) de pacientes que siguen planes de tratamiento personalizados y visitas de seguimiento periódicas.
1 años
Aceptación médica del sistema de IA
Periodo de tiempo: 1 años
Evaluado mediante la escala del Modelo de Aceptación de Tecnología (TAM), con puntuaciones que van del 1 al 7.
1 años

Colaboradores e Investigadores

Aquí es donde encontrará personas y organizaciones involucradas en este estudio.

Patrocinador

The Eye Hospital of Wenzhou Medical University

Investigadores

  • Investigador principal: Kang Zhang, PhD., The Eye Hospital of Wenzhou Medical University

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)

20 de diciembre de 2024

Finalización primaria (Estimado)

1 de mayo de 2025

Finalización del estudio (Estimado)

1 de mayo de 2025

Fechas de registro del estudio

Enviado por primera vez

15 de diciembre de 2024

Primero enviado que cumplió con los criterios de control de calidad

23 de diciembre de 2024

Publicado por primera vez (Actual)

1 de enero de 2025

Actualizaciones de registros de estudio

Última actualización publicada (Actual)

17 de abril de 2025

Última actualización enviada que cumplió con los criterios de control de calidad

16 de abril de 2025

Última verificación

1 de abril de 2025

Más información

Términos relacionados con este estudio

Palabras clave

Otros números de identificación del estudio

  • Ophthalmic Multimodal AI

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

producto fabricado y exportado desde los 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. .

Suscribir