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

AI-Agente para el diagnóstico automatizado y la predicción del uso de EHR y datos multimodales

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

AI-Agent Assisted Automation para diagnosticar y predecir a los pacientes que utilizan registros de salud electrónicos y datos multimodales

El objetivo de este estudio clínico es evaluar la eficacia de un agente de IA en el diagnóstico y predicción de enfermedades utilizando registros médicos electrónicos (EHR) y datos de imágenes multimodales. El agente de IA aprovecha algoritmos avanzados de aprendizaje automático para procesar y analizar diversas fuentes de datos de salud, con el objetivo de ayudar a los proveedores de atención médica a realizar diagnósticos y predicciones más precisos.

Descripción general del estudio

Estado

Reclutamiento

Condiciones

Descripción detallada

Este estudio clínico retrospectivo y múltiple está diseñado para evaluar la aplicación y la efectividad de un agente de IA en el proceso de toma de decisiones médicas. El agente de IA integra y analiza datos multimodales, incluidos los registros de salud electrónicos (EHR) y varios datos de imágenes (por ejemplo, radiografías, MRI, tomografías computarizadas, ultrasonidos) para predecir y diagnosticar una variedad de enfermedades. Al aprovechar el poder del aprendizaje automático y las técnicas de fusión de datos, el agente de IA puede identificar patrones en conjuntos de datos grandes y complejos, ofreciendo ideas que pueden no ser aparentes inmediatamente a través de los métodos de diagnóstico tradicionales. El estudio comparará la precisión diagnóstica del agente de IA y las capacidades de predicción de la enfermedad con prácticas de diagnóstico tradicionales para evaluar sus beneficios potenciales en entornos clínicos. Las preguntas clave incluyen si el agente de IA puede ayudar en el diagnóstico temprano, predecir la progresión de la enfermedad y apoyar a los profesionales de la salud para tomar decisiones de tratamiento personalizadas. No se requerirá que los participantes se sometan a intervenciones adicionales; Solo proporcionarán datos de salud históricos, incluidos EHR y datos de imágenes relevantes, que serán analizados por el agente de IA. Luego, el sistema de IA usará estos datos para ayudar a los proveedores de atención médica al ofrecer predicciones y sugerencias de diagnóstico basadas en el análisis de la información multimodal. El objetivo final es determinar si este enfoque impulsado por la IA puede mejorar la precisión del diagnóstico, optimizar las estrategias de tratamiento y mejorar los resultados de los pacientes en la práctica clínica.

Tipo de estudio

De observación

Inscripción (Estimado)

2000000

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
        • Contacto:
      • Guangzhou, Guangdong, Porcelana
        • Reclutamiento
        • Nanfang Hospital
        • Contacto:
      • Guangzhou, Guangdong, Porcelana
        • Reclutamiento
        • Sun Yat-sen University Cancer Hospital
        • Contacto:
    • 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

Los participantes para este estudio se seleccionarán de múltiples centros de salud y hospitales que mantienen registros de salud electrónicos integrales (EHR) y datos de imágenes multimodales. La población de estudio incluirá pacientes que tienen una variedad de enfermedades o afecciones de salud, con datos disponibles para el diagnóstico y la progresión de la enfermedad. Los participantes habrán confirmado diagnósticos basados ​​en registros clínicos o datos de imágenes, incluidas, entre otros, afecciones capturadas por radiografías, tomografías computarizadas, MRI y ultrasonidos. Tanto aquellos con condiciones de salud complejas como aquellas con enfermedades más comunes se incluirán para evaluar las capacidades diagnósticas y predictivas del sistema de inteligencia artificial en un amplio espectro de casos. Los participantes de estos centros proporcionarán datos de salud históricos, y no habrá intervención activa más allá de la Uso de sus datos clínicos y de imágenes existentes para capacitar y probar el sistema de IA.

Descripción

Criterios de inclusión:

  1. Los participantes deben tener disponibles registros de salud electrónicos integrales (EHR), incluida la información demográfica, el historial médico y los resultados de laboratorio.
  2. Los participantes deben tener datos de imágenes multimodales disponibles (por ejemplo, rayos X, tomografías computarizadas, IRM, ultrasonidos) relevantes para su estado de salud.
  3. Los participantes deben tener un diagnóstico confirmado de una o más enfermedades o condiciones de salud basado en registros clínicos o datos de imágenes.
  4. Los pacientes deben dar su consentimiento para el uso de sus datos históricos de salud con fines de investigación.

Criterios de exclusión:

  1. Participantes con diagnósticos ambiguos o no verificables que no pueden clasificarse con precisión.
  2. Datos de pacientes duplicados o redundantes (por ejemplo, registros repetidos del mismo paciente sin diferenciación clara).

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
Predicción de enfermedades asistida por IA mediante EHR y datos de imágenes
Esta cohorte consta de pacientes cuyos datos de salud históricos, incluidos los registros de salud electrónicos (EHR) y los datos de imágenes multimodales (por ejemplo, rayos X, MRI, tomografías computarizadas, ultrasonidos), serán analizados por un agente de IA. El sistema de IA ayudará a diagnosticar y predecir enfermedades procesando e integrando estas diversas fuentes de datos. El enfoque principal es evaluar la capacidad del agente de IA para identificar patrones y predecir la progresión de la enfermedad con alta precisión. No se requerirá que los participantes tomen ninguna acción adicional más allá de proporcionar su historial médico y datos de imágenes. El objetivo es evaluar qué tan bien el sistema de IA puede respaldar la toma de decisiones clínicas y mejorar los resultados de diagnóstico en función de los datos proporcionados.

¿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)

1 de julio de 2023

Finalización primaria (Estimado)

1 de julio de 2025

Finalización del estudio (Estimado)

1 de julio 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

  • AI-agent

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