Diagnóstico temprano y predicción de enfermedades maternas y neonatales: (EDPMND)
16 de abril de 2025 actualizado por: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Predicción temprana y diagnóstico de enfermedades maternas y neonatales utilizando datos de salud multimodal
Se trata de un estudio clínico retrospectivo multicéntrico diseñado para evaluar la aplicación y eficacia de un modelo predictivo asistido por IA para identificar enfermedades maternas y neonatales, aprovechando datos de salud multimodales.
Descripción general del estudio
Estado
Reclutamiento
Intervención / Tratamiento
Descripción detallada
La salud materna y neonatal tiene un impacto significativo en el bienestar tanto de las madres como de los bebés.
La detección, el diagnóstico y la intervención tempranos son cruciales para prevenir la aparición y progresión de enfermedades relacionadas con el embarazo y afecciones neonatales.
En la práctica clínica, los obstetras y pediatras a menudo necesitan integrar una amplia gama de datos de pacientes, incluida información demográfica, historial médico, marcadores bioquímicos como niveles de lípidos y glucosa en sangre, así como diversos datos de imágenes como ecografías, monitorización fetal y análisis de laboratorio. resultados de las pruebas, para hacer un diagnóstico preciso y desarrollar un plan de atención adecuado.
En una era donde la precisión y la medicina personalizada están a la vanguardia de la atención médica, la detección y el diagnóstico tempranos de enfermedades maternas y neonatales, así como la selección de estrategias diagnósticas y terapéuticas adecuadas, se han convertido en desafíos importantes en los entornos clínicos.
Los avances recientes en técnicas de análisis de datos e imágenes médicas han mejorado enormemente la precisión y eficacia del diagnóstico de enfermedades maternas y neonatales.
Este estudio tiene como objetivo desarrollar un sistema de toma de decisiones asistido por IA mediante la integración de datos multimodales de registros médicos electrónicos, imágenes y resultados de laboratorio, 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 atención más personalizadas para madres y bebés.
En última instancia, este sistema busca mejorar los resultados de salud y mejorar la calidad de vida general tanto de las madres como de sus recién nacidos.
Tipo de estudio
De observación
Inscripción (Estimado)
1000000
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: Fei Liu, MD
- Número de teléfono: +86 13810512704
- Correo electrónico: liufei_2359@163.com
Ubicaciones de estudio
-
-
Guangdong
-
Guangzhou, Guangdong, Porcelana
- Reclutamiento
- Guangzhou Women and Children's Medical Center
-
Contacto:
- Bingzhou Liu, MD
- Número de teléfono: +86-0756-2222569
- Correo electrónico: mr_jerry_99@163.com
-
-
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 University
-
Contacto:
- Sian Liu, MD
- Número de teléfono: +86-0577-88002888
- Correo electrónico: liusan@mail3.sysu.edu.cn
-
-
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
Acepta Voluntarios Saludables
Sí
Método de muestreo
Muestra no probabilística
Población de estudio
La población de estudio consiste en mujeres embarazadas de 18 a 45 años que han recibido atención en los centros de estudio participantes.
Los participantes deben tener disponibles registros de salud electrónicos integrales (EHR), incluidos datos de atención prenatal, resultados de laboratorio o datos de imágenes.
Tanto las madres sanas como las personas con enfermedades relacionadas con el embarazo (por ejemplo, preeclampsia, diabetes gestacional) se incluirán en el estudio para evaluar las capacidades de diagnóstico del modelo asistido por AII.
El estudio se centrará en pacientes con registros de atención documentados de los centros participantes.
Descripción
Criterios de inclusión:
- Mujeres embarazadas de 18 a 45 años.
- Las mujeres que han recibido atención prenatal en los centros participantes (por ejemplo, hospitales o clínicas).
- Disponibilidad de registros de salud electrónicos integrales, incluidos datos de atención prenatal, resultados de laboratorio y registros de imágenes.
- Voluntad de dar consentimiento para participar en el estudio y el uso de datos históricos de salud para su análisis.
Criterios de exclusión:
- Mujeres menores de 18 años o mayores de 45 años.
- Participantes con datos de seguimiento insuficientes o información clínica crítica faltante requerida para el modelado predictivo.
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 |
|---|---|
|
Cohorte saludable materna y neonatal
Este grupo está formado por madres embarazadas sin enfermedades relacionadas con el embarazo y sus recién nacidos sanos.
Los participantes de esta cohorte servirán como grupo de control para compararlos con el grupo experimental.
No se administrarán intervenciones ni tratamientos a esta cohorte, ya que representan la base de embarazos y recién nacidos sanos.
|
Esta intervención involucra un sistema de IA que integra datos multimodales, incluidos los registros de salud materna, los resultados de las pruebas de laboratorio y los datos de imágenes, para predecir el riesgo de enfermedades maternas y neonatales.
El sistema utiliza algoritmos de aprendizaje profundo para proporcionar predicciones precisas en tiempo real, lo que permite la identificación temprana de complicaciones de salud.
Al analizar los datos de salud históricos, el modelo tiene como objetivo predecir riesgos potenciales tanto para las madres como para los bebés, mejorando la intervención temprana y los resultados.
|
|
Cohorte de enfermedades maternas y neonatales
Este grupo consta de madres embarazadas que han sido diagnosticadas con enfermedades relacionadas con el embarazo o sus recién nacidos afectados.
Los participantes en esta cohorte servirán como grupo experimental para evaluar la efectividad del modelo de predicción temprana en la identificación de riesgos para la salud materna y neonatal.
|
Esta intervención involucra un sistema de IA que integra datos multimodales, incluidos los registros de salud materna, los resultados de las pruebas de laboratorio y los datos de imágenes, para predecir el riesgo de enfermedades maternas y neonatales.
El sistema utiliza algoritmos de aprendizaje profundo para proporcionar predicciones precisas en tiempo real, lo que permite la identificación temprana de complicaciones de salud.
Al analizar los datos de salud históricos, el modelo tiene como objetivo predecir riesgos potenciales tanto para las madres como para los bebés, mejorando la intervención temprana y los resultados.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Área debajo de la curva (AUC)
Periodo de tiempo: 1 año
|
AUC de la curva ROC, utilizada para cuantificar la precisión del diagnóstico.
No hay unidad (una relación o porcentaje, típicamente expresada como un número entre 0 y 1).
|
1 año
|
|
Puntaje F1
Periodo de tiempo: 1 año
|
La puntuación F1 es la media armónica de precisión y sensibilidad (recuerdo).
Es una buena medida de la capacidad del modelo para identificar tanto los verdaderos positivos como minimizar los falsos positivos, especialmente en los casos en que las clases están desequilibradas (por ejemplo, cuando el número de casos sanos es mucho mayor que el de casos de enfermedad).
La puntuación F1 varía de 0 a 1, donde 1 indica precisión y recuperación perfectas.
|
1 año
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Sensibilidad (tasa de verdaderos positivos)
Periodo de tiempo: 1 año
|
La sensibilidad mide qué tan bien el modelo de IA identifica casos positivos verdaderos, como diagnosticar correctamente a las mujeres embarazadas con complicaciones o identificar trastornos neonatales.
|
1 año
|
|
Especificidad (verdadera tasa negativa)
Periodo de tiempo: 1 año
|
La especificidad mide la capacidad del modelo AI para identificar correctamente los casos sin enfermedades, asegurando que las madres y los bebés sanos se identifiquen correctamente como negativos.
|
1 año
|
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)
1 de agosto de 2023
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
19 de enero de 2025
Primero enviado que cumplió con los criterios de control de calidad
19 de enero de 2025
Publicado por primera vez (Actual)
24 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
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- Maternal and Neonatal Diseases
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. .