- ICH GCP
- Registro de ensayos clínicos de EE. UU.
- Ensayo clínico NCT06791421
Predicción de genotipo impulsada por IA utilizando EHR y datos multimodales
16 de abril de 2025 actualizado por: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Predicción de genotipos de pacientes utilizando registros de salud electrónicos y datos multimodales a través de modelos basados en IA
El objetivo de este estudio clínico es explorar el potencial del uso de registros médicos electrónicos (EHR) y datos multimodales (como imágenes, resultados de laboratorio e historial clínico) para predecir el genotipo de un paciente.
El estudio evaluará si los modelos predictivos basados en estos datos no genéticos pueden inferir con precisión información genética, que tradicionalmente requiere pruebas genéticas directas.
Descripción general del estudio
Descripción detallada
Este estudio clínico retrospectivo multicéntrico tiene como objetivo evaluar el uso de registros médicos electrónicos (EHR) y datos multimodales (como resultados de laboratorio clínico, datos de imágenes e historial médico) para predecir el genotipo de un paciente.
El objetivo principal del estudio es desarrollar un modelo de predicción basado en IA que pueda inferir información genética mediante el análisis de los datos de salud disponibles, eliminando la necesidad de pruebas genéticas directas. El modelo de IA estará entrenado para procesar e integrar grandes conjuntos de datos, incluidos EHR, resultados de laboratorio y datos de imágenes como rayos X, resonancias magnéticas y ultrasonidos, para predecir información genotípica.
El estudio comparará las predicciones basadas en IA con los resultados reales de las pruebas genéticas para evaluar la precisión del modelo.
Si tiene éxito, este método podría proporcionar una herramienta no invasiva y rentable para la predicción del genotipo, que podría usarse en medicina personalizada, diagnóstico temprano de enfermedades y estratificación de riesgos. Los participantes no se someterán a ninguna prueba genética como parte del estudio.
En cambio, el sistema de inteligencia artificial analizará sus datos médicos históricos para predecir la información genética y los riesgos de enfermedades asociados.
El estudio evaluará la capacidad del modelo para predecir predisposiciones genéticas a diversas condiciones de salud según los datos de salud disponibles.
Al hacerlo, el estudio pretende avanzar en el uso de la IA en la toma de decisiones clínicas y el diagnóstico genético.
Tipo de estudio
De observación
Inscripción (Estimado)
100000
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
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
Contacto:
- Yunfang Yu
- Número de teléfono: +86 020-81332199
- Correo electrónico: yuyf9@mail.sysu.edu.cn
-
Guangzhou, Guangdong, Porcelana
- Reclutamiento
- Sun Yat-sen University Cancer Hospital
-
Contacto:
- Yuxing Lu
- Número de teléfono: +86 13161233730
- Correo electrónico: yxlu0613@gmail.com
-
-
Zhejiang
-
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
-
Wenzhou, Zhejiang, Porcelana
- Terminado
- First Affiliated Hospital of Wenzhou Medical University
-
-
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 se seleccionará de múltiples centros de salud que mantienen registros de salud electrónicos integrales (EHR) y tienen acceso a datos clínicos multimodales, incluidos resultados de laboratorio, imágenes médicas (por ejemplo, rayos X, MRI, tomografías computarizadas) e historial médico.
Los participantes serán individuos con una variedad de condiciones de salud para las cuales la información del genotipo es relevante, aunque no se utilizarán características genéticas específicas para la selección.
El enfoque se centrará en utilizar los datos de salud disponibles para predecir la información genética a través del modelo AI.
El estudio tiene como objetivo evaluar la precisión y utilidad del uso de datos no genéticos, como EHR y imágenes multimodales, para predecir los genotipos de pacientes, que pueden proporcionar un enfoque alternativo a los métodos de prueba genética tradicionales.
Descripción
Criterios de inclusión:
- Los participantes deben tener registros de salud electrónicos integrales (EHR), que incluyen antecedentes médicos, resultados de laboratorio y datos de imágenes relevantes (por ejemplo, rayos X, MRI, tomografías computarizadas).
- Los participantes deben tener datos de pruebas genéticas existentes disponibles para comparar, si corresponde.
- Los participantes deben estar dispuestos a proporcionar consentimiento para el uso de sus datos de salud en el estudio.
- Los participantes no deben tener ninguna intervención activa relacionada con pruebas genéticas o predicción durante el período del estudio.
- Los participantes deben tener datos de salud completos y verificables para permitir una predicción precisa mediante el modelo de IA.
Criterios de exclusión:
- Participantes sin EHR, resultados de laboratorio o datos de imágenes disponibles.
- Participantes con resultados de pruebas genéticas ambiguos, inexactos o no verificables que no se pueden utilizar para comparar.
- Los pacientes con discrepancias significativas o datos faltantes que evitarían que el modelo de IA realice predicciones precisas.
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 |
|---|---|
|
Predicción de genotipo basada en IA utilizando EHR y datos multimodales
Esta cohorte está compuesta por pacientes cuyos datos de salud históricos, incluidos los registros de salud electrónicos (EHR), los resultados de laboratorio clínico y los datos de imágenes multimodales (como radiografías, resonancias magnéticas y tomografías computarizadas), se analizarán mediante un modelo de predicción basado en IA. para predecir su genotipo.
No hay intervenciones activas en esta cohorte, ya que el estudio tiene como objetivo usar datos de salud no genéticos para inferir información genética.
Los participantes no se someterán a pruebas genéticas, pero proporcionarán sus datos de salud para el análisis del sistema de IA.
El objetivo de este grupo es evaluar la precisión del modelo AI en la predicción de genotipos e identificar predisposiciones genéticas a diversas enfermedades basadas en datos de salud disponibles.
|
La intervención en este estudio implica un modelo predictivo basado en inteligencia artificial diseñado para analizar e integrar registros médicos electrónicos (EHR) de pacientes, resultados de laboratorio clínico y datos de imágenes multimodales (p. ej., rayos X, resonancias magnéticas, tomografías computarizadas).
El modelo de IA está entrenado para predecir el genotipo de un paciente basándose en estas fuentes de datos no genéticos.
Este modelo utiliza algoritmos de aprendizaje automático para detectar patrones e inferir información genética que tradicionalmente requeriría pruebas genéticas directas.
No existen tratamientos activos ni pruebas genéticas involucradas en esta intervención; más bien, el sistema de IA sirve como una herramienta para predecir información genética a partir de datos clínicos disponibles, ofreciendo una alternativa no invasiva y potencialmente más accesible a las pruebas genéticas.
|
¿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 julio de 2023
Finalización primaria (Estimado)
1 de junio de 2025
Finalización del estudio (Estimado)
1 de junio 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
Otros números de identificación del estudio
- Genotype
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. .