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

Diagnóstico y predicción del cáncer impulsados ​​por IA con EHR

25 de julio de 2025 actualizado por: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Diagnóstico y predicción de cáncer basado en IA utilizando registros de salud electrónicos

Este es un estudio clínico retrospectivo y múltiple diseñado para evaluar la aplicación y la efectividad de un modelo predictivo asistido por AI-AI para identificar y diagnosticar el cáncer, aprovechando los datos de salud multimodal.

Descripción general del estudio

Estado

Reclutamiento

Condiciones

Intervención / Tratamiento

Descripción detallada

El diagnóstico de cáncer y la detección temprana son cruciales para mejorar los resultados de los pacientes y las tasas de supervivencia. La identificación temprana de los cánceres y la intervención apropiada pueden afectar significativamente el éxito y el pronóstico del tratamiento. En la práctica clínica, los oncólogos a menudo necesitan integrar una variedad de datos de pacientes, incluido el historial médico, los resultados de las pruebas de laboratorio, los datos de imágenes como las tomografías computarizadas y las IRM, y los marcadores genéticos, para hacer un diagnóstico preciso y desarrollar un plan de tratamiento personalizado. A medida que la medicina de precisión se vuelve cada vez más importante, el desafío sigue siendo identificar el cáncer en las primeras etapas, especialmente cuando los síntomas son sutiles o ausentes. Los avances recientes en la inteligencia artificial y las técnicas de análisis de datos han mostrado una gran promesa para mejorar la precisión diagnóstica y la velocidad de la detección del cáncer. Este estudio tiene como objetivo desarrollar un sistema de toma de decisiones asistido por AII integrando datos multimodales de registros de salud electrónicos, imágenes, resultados de laboratorio y datos genéticos. El objetivo es mejorar la precisión del diagnóstico, optimizar los flujos de trabajo clínicos y proporcionar opciones de tratamiento más personalizadas para pacientes con cáncer. En última instancia, este sistema busca mejorar la detección temprana, guiar estrategias de tratamiento efectivas y mejorar las tasas de supervivencia del paciente.

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

  • Porcelana
    • Guangdong
      • Guangzhou, Guangdong, Porcelana
        • Reclutamiento
        • Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
        • Contacto:
      • Guangzhou, Guangdong, Porcelana
        • Reclutamiento
        • Guangzhou Women and Children's Medical Center
        • Contacto:
          • Bingzhou Li, MD
          • Número de teléfono: +86-0756-2222569
          • Correo electrónico: mr_jerry_99@163.com
      • Guangzhou, Guangdong, Porcelana
        • Reclutamiento
        • Nanfang Hospital
        • Contacto:
      • Guangzhou, Guangdong, Porcelana
        • Reclutamiento
        • Sun Yat-sen University Cancer Hospital
        • Contacto:
          • Yuxing Lu, MD
          • Número de teléfono: +86 13161233730
          • Correo electrónico: yxlu0613@gmail.com
    • Sichuan
      • Chengdu, Sichuan, Porcelana
        • Reclutamiento
        • West China Hospital
        • Contacto:
    • Zhejiang
      • Wenzhou, Zhejiang, Porcelana
        • Reclutamiento
        • First Affiliated Hospital of Wenzhou Medical University
        • Contacto:
      • Wenzhou, Zhejiang, Porcelana
        • Reclutamiento
        • Second Affiliated 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

Sí

Método de muestreo

Muestra no probabilística

Población de estudio

La población de estudio consta de individuos de 0 a 90 años 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 imágenes e información genética (si está disponible). Ambas personas diagnosticadas con cáncer (incluidos cánceres pediátricos y adultos) y individuos sanos sin antecedentes de cáncer se incluirán en el estudio para evaluar las capacidades de diagnóstico y predictivas del modelo asistido por AII. 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 cáncer.

Descripción

Criterios de inclusión:

1. Pacientes con registros médicos electrónicos (EHR) completos, que incluyen historial médico, resultados de pruebas de laboratorio, datos de imágenes y datos genéticos (si están disponibles).

2. Personas sin deterioros cognitivos graves o condiciones que les impidan dar su consentimiento informado o participar en el estudio.

3. Los padres o tutores deben dar consentimiento informado a los menores, mientras que los participantes adultos deben dar su consentimiento informado a ellos mismos.

Criterios de exclusión:

  1. Pacientes con datos clave de registros médicos electrónicos incompletos o faltantes o datos de seguimiento insuficientes.
  2. Personas con trastornos cognitivos graves u otras enfermedades terminales que impedirían una participación significativa.
  3. Mujeres embarazadas (aunque se están considerando los cánceres pediátricos, las mujeres embarazadas quedarían excluidas por razones de seguridad).

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
Este grupo está formado por personas sin ningún cáncer diagnosticado. 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 una línea de base de individuos sanos.
Prueba de diagnóstico: Modelo de diagnóstico y pronóstico basado en IA
Esta intervención involucra un sistema de IA que integra datos multimodales, incluido el historial médico del paciente, los resultados de las pruebas de laboratorio, los datos de imágenes e información genética, para predecir el riesgo de cáncer. El sistema utiliza algoritmos de aprendizaje profundo para proporcionar predicciones precisas en tiempo real, lo que permite la identificación temprana de los riesgos de cáncer. Al analizar los datos de salud históricos, el modelo tiene como objetivo predecir potenciales desarrollos del cáncer, mejorando los resultados de detección temprana y tratamiento.
Cohorte de tumores
Este grupo consta de individuos diagnosticados con cáncer, incluidos varios tipos. Los participantes en esta cohorte servirán como grupo experimental para evaluar la efectividad del modelo de predicción temprana para identificar los riesgos de cáncer y mejorar la precisión del diagnóstico.
Prueba de diagnóstico: Modelo de diagnóstico y pronóstico basado en IA
Esta intervención involucra un sistema de IA que integra datos multimodales, incluido el historial médico del paciente, los resultados de las pruebas de laboratorio, los datos de imágenes e información genética, para predecir el riesgo de cáncer. El sistema utiliza algoritmos de aprendizaje profundo para proporcionar predicciones precisas en tiempo real, lo que permite la identificación temprana de los riesgos de cáncer. Al analizar los datos de salud históricos, el modelo tiene como objetivo predecir potenciales desarrollos del cáncer, mejorando los resultados de detección temprana y tratamiento.

¿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

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)

19 de enero de 2025

Finalización primaria (Estimado)

1 de octubre de 2025

Finalización del estudio (Estimado)

1 de octubre 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)

30 de julio de 2025

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

25 de julio de 2025

Última verificación

1 de julio de 2025

Más información

Términos relacionados con este estudio

Palabras clave

Términos MeSH relevantes adicionales

Otros números de identificación del estudio

  • Cancer

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