Predicción basada en IA de infecciones adquiridas en hospitales con EHR
16 de abril de 2025 actualizado por: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Predicción de infecciones adquiridas en el hospital utilizando registros de salud electrónicos: un enfoque asistido por AII
Se trata de un estudio clínico retrospectivo multicéntrico diseñado para evaluar la aplicación y eficacia de un modelo predictivo asistido por IA para identificar y diagnosticar infecciones, aprovechando datos de salud multimodales.
Descripción general del estudio
Estado
Reclutamiento
Condiciones
Intervención / Tratamiento
Descripción detallada
Las infecciones adquiridas en hospitales (HAI) son una causa importante de morbilidad y mortalidad en los entornos sanitarios.
La identificación temprana y la prevención de las HAI son cruciales para mejorar los resultados de los pacientes, reducir los costos de atención médica y prevenir la propagación de infecciones.
En la práctica clínica, los proveedores de atención médica a menudo necesitan integrar una amplia gama de datos de los pacientes, incluidos el historial médico, los resultados de las pruebas de laboratorio, el uso de medicamentos, los procedimientos quirúrgicos y las observaciones clínicas, para evaluar los riesgos de infección y prevenir las HAI.
A medida que el control de infecciones y la medicina de precisión se vuelven cada vez más importantes, el desafío sigue siendo predecir y prevenir infecciones, especialmente en pacientes con factores de riesgo sutiles o asintomáticos.
Los avances recientes en inteligencia artificial y técnicas de análisis de datos se han mostrado muy prometedores a la hora de mejorar la precisión y eficiencia de la predicción y prevención de infecciones.
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, resultados de laboratorio, observaciones clínicas y datos demográficos de los pacientes.
El objetivo es mejorar la identificación temprana de pacientes con riesgo de HAI, optimizar los flujos de trabajo clínicos y optimizar las medidas de control de infecciones.
En última instancia, este sistema busca reducir la incidencia de infecciones adquiridas en hospitales, mejorar la seguridad del paciente y mejorar la calidad general de la atención médica.
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
-
-
Zhejiang
-
Wenzhou, Zhejiang, Porcelana
- Reclutamiento
- First Affiliated Hospital of Wenzhou Medical University
-
Contacto:
- Cheng Tang
- Correo electrónico: c249325687@163.com
-
Wenzhou, Zhejiang, Porcelana
- Reclutamiento
- Second Affiliated Hospital of Wenzhou Medical University
-
Contacto:
- Sian Liu
- 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
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Sí
Método de muestreo
Muestra no probabilística
Población de estudio
La población de estudio consta de individuos que han recibido atención en los centros de estudio participantes.
Los participantes deben tener disponibles registros de salud electrónicos integrales (EHR), incluido el historial médico, los resultados de las pruebas de laboratorio, los datos de tratamiento y las observaciones clínicas.
Ambas personas que han desarrollado infecciones adquiridas en el hospital (HAIS) y aquellas que no lo han hecho serán incluidas en el estudio para evaluar las capacidades predictivas del modelo asistido por AI-AI para el riesgo de infección.
El estudio se centrará en pacientes con registros de atención completos y documentados de los centros participantes, asegurando una cohorte diversa para el análisis en diferentes grupos de edad y tipos de infección.
Descripción
Criterios de inclusión:
- Pacientes con datos de EHR completos y accesibles, incluidos historial médico, resultados de pruebas de laboratorio, regímenes de tratamiento, observaciones clínicas e historial de infecciones.
- Los pacientes que han sido ingresados en el hospital participante o en el centro de atención médica durante el período de estudio.
- Todos los participantes deben proporcionar consentimiento informado para utilizar sus datos de salud para fines de investigación.
Criterios de exclusión:
- Pacientes con datos críticos de EHR incompletos o faltantes, como resultados de laboratorio, historial médico o detalles del tratamiento, que son necesarios para la predicción de infecciones.
- Pacientes que tengan trastornos cognitivos graves, demencia o condiciones que les impidan dar su consentimiento informado o participar en el estudio.
- Pacientes que no hayan sido ingresados en el hospital durante el período de estudio o que estén recibiendo atención ambulatoria únicamente.
- Pacientes con enfermedades terminales donde la predicción de infección puede no ser aplicable a los objetivos clínicos del estudio.
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 de infección adquirida en el hospital
Este grupo está formado por pacientes que han desarrollado una infección adquirida en el hospital (HAI) durante su estadía en el hospital.
Los participantes en esta cohorte se utilizarán para evaluar la efectividad del modelo predictivo asistido por AII para identificar los factores de riesgo que conducen a infecciones adquiridas en el hospital.
El modelo se evaluará en función de la precisión de predecir los riesgos de infección en pacientes hospitalizados.
No se proporcionarán intervenciones específicas como parte de esta cohorte más allá de las prácticas de control de infecciones hospitalarias existentes.
|
Esta intervención involucra un sistema de IA que integra datos multimodales, incluido el historial médico del paciente, los resultados de las pruebas de laboratorio, las observaciones clínicas y los datos de tratamiento, para predecir el riesgo de infecciones adquiridas en el hospital (HAI).
El sistema utiliza algoritmos de aprendizaje profundo para proporcionar predicciones precisas en tiempo real, lo que permite la identificación temprana de los pacientes en riesgo de infecciones.
Al analizar los datos de salud históricos, el modelo tiene como objetivo predecir posibles desarrollos de infecciones, mejorar la detección temprana, las estrategias de prevención y los resultados del paciente en entornos hospitalarios.
|
|
Cohorte saludable (sin hai)
Este grupo está formado por pacientes que no han desarrollado ninguna infección nosocomial durante su estancia hospitalaria.
Los participantes de esta cohorte servirán como grupo de control para compararlos con el grupo experimental.
Se evaluará la capacidad del modelo asistido por IA para distinguir entre pacientes que tienen riesgo de desarrollar infecciones y aquellos que permanecen libres de infecciones durante la hospitalización.
No se proporcionarán intervenciones como parte de esta cohorte, ya que representan pacientes sin complicaciones relacionadas con la infección.
|
Esta intervención involucra un sistema de IA que integra datos multimodales, incluido el historial médico del paciente, los resultados de las pruebas de laboratorio, las observaciones clínicas y los datos de tratamiento, para predecir el riesgo de infecciones adquiridas en el hospital (HAI).
El sistema utiliza algoritmos de aprendizaje profundo para proporcionar predicciones precisas en tiempo real, lo que permite la identificación temprana de los pacientes en riesgo de infecciones.
Al analizar los datos de salud históricos, el modelo tiene como objetivo predecir posibles desarrollos de infecciones, mejorar la detección temprana, las estrategias de prevención y los resultados del paciente en entornos hospitalarios.
|
¿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 febrero 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
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- Hospital-Acquired Infections
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. .