Predicción Temprana de la Displasia Broncopulmonar en Lactantes Prematuros Utilizando Datos Clínicos
Predicción Temprana de la Displasia Broncopulmonar Mediante Datos Clínicos de las Primeras Tres Semanas Postnatales en Lactantes Prematuros: Un Estudio Retrospectivo con Modelos de Lenguaje de Gran Escala
Predicción Temprana de Displasia Broncopulmonar en Lactantes Prematuros Utilizando Datos Clínicos de las Primeras Tres Semanas Postnatales con Modelos de Lenguaje de Gran Tamaño: Un Estudio Retrospectivo Este estudio retrospectivo y observacional tiene como objetivo evaluar la predicción temprana de la displasia broncopulmonar (DBP) en lactantes prematuros utilizando datos clínicos de la primera, segunda y tercera semanas postnatales. El estudio incluye lactantes nacidos antes de las 32 semanas de gestación o con un peso inferior a 1.500 gramos, seguidos en la Unidad de Cuidados Intensivos Neonatales del Hospital de la Ciudad de Konya.
El estudio comparará el rendimiento de diferentes modelos de lenguaje de gran tamaño (LLM), incluidos ChatGPT, Gemini y Claude, en la predicción del desarrollo de DBP. Se utilizarán variables clínicas como la edad gestacional, el peso al nacer, el soporte respiratorio, los requerimientos de oxígeno, la duración de la ventilación mecánica y el estado de infección.
Resultado primario: Precisión de la predicción del riesgo de DBP por cada modelo de IA en comparación con los resultados clínicos reales. Resultados secundarios: Sensibilidad y especificidad de las predicciones, rendimiento de predicción semanal y rendimiento comparativo entre los modelos de IA.
Los resultados proporcionarán información sobre la utilidad clínica potencial de los enfoques basados en IA para la evaluación temprana del riesgo de DBP en lactantes prematuros.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Antecedentes:
El nacimiento prematuro es una causa importante de morbilidad y mortalidad neonatal. La displasia broncopulmonar (DBP) es una de las enfermedades pulmonares crónicas más comunes en los recién nacidos prematuros, especialmente en aquellos con edad gestacional o peso al nacer muy bajos. La DBP aumenta la dependencia de oxígeno a largo plazo, la estancia hospitalaria y las complicaciones respiratorias. La predicción temprana de la DBP es crucial para optimizar el manejo clínico.
La edad gestacional, el peso al nacer, la duración de la ventilación mecánica, la terapia de oxígeno, las infecciones y los factores hemodinámicos son factores de riesgo conocidos para la DBP. Se han desarrollado varios modelos de riesgo clínico para predecir la DBP de forma temprana, pero su aplicabilidad clínica es limitada.
Los avances recientes en inteligencia artificial (IA) y aprendizaje automático han mostrado potencial para analizar datos clínicos y predecir el riesgo de enfermedades. Los modelos de lenguaje grandes (LLM) como ChatGPT, Gemini y Claude pueden interpretar conjuntos de datos clínicos complejos y generar predicciones de riesgo. Sin embargo, los estudios que evalúan su rendimiento en la predicción de DBP en recién nacidos prematuros son limitados.
Objetivo:
Evaluar retrospectivamente el rendimiento de diferentes LLM en la predicción de DBP en recién nacidos prematuros (<32 semanas de gestación o <1.500 gramos) utilizando datos clínicos de las semanas 1, 2 y 3 posnatales. El estudio tiene como objetivo comparar las predicciones generadas por IA con los resultados clínicos reales.
Diseño del estudio:
Estudio retrospectivo, observacional, de centro único Los datos clínicos de la UCIN del Hospital de la Ciudad de Konya se extraerán de los registros hospitalarios y se anonimizarán Los modelos de IA (ChatGPT, Gemini, Claude) recibirán conjuntos de datos estandarizados que incluyen edad gestacional, peso al nacer, sexo, soporte respiratorio, requerimiento de oxígeno, duración de la ventilación mecánica, estado de infección y otros parámetros relevantes Las predicciones de IA clasificarán el riesgo de DBP como bajo, medio o alto con porcentajes de probabilidad estimados
Participantes:
Inclusión: Recién nacidos prematuros <32 semanas de gestación o <1.500 gramos, con datos clínicos completos, seguidos en la UCIN durante el período de estudio Exclusión: Recién nacidos con anomalías congénitas mayores, datos clínicos incompletos o muerte posnatal temprana
Resultados:
Primario: Precisión de los modelos de IA en la predicción de DBP en comparación con los resultados clínicos reales Secundarios: Sensibilidad y especificidad de las predicciones de IA, comparación de predicciones semanales, comparación de rendimiento entre modelos de IA
Análisis estadístico:
Estadística descriptiva (media, DE, recuentos, porcentajes) Métricas de rendimiento de predicción: precisión, sensibilidad, especificidad, análisis ROC Comparación de modelos y predicciones semanales utilizando la prueba de DeLong Significancia estadística: p < 0,05
Entorno:
Centro único, basado en hospital, UCIN del Hospital de la Ciudad de Konya Recopilación retrospectiva de datos clínicos
Muestra:
Población objetivo: Recién nacidos prematuros con alto riesgo de DBP (<32 semanas o <1.500 gramos) Tamaño de la muestra: Mínimo 108 recién nacidos calculado utilizando el software G-power (80% de potencia, 5% de significancia, tamaño del efecto medio = 0,3)
Protocolo del modelo de IA:
Indicaciones estandarizadas para cada semana posnatal:
Datos clínicos de un recién nacido prematuro en la semana [1ª/2ª/3ª] posnatal:
- Edad gestacional: [semanas + días]
- Peso al nacer: [gramos]
- Sexo: [masculino/femenino]
- Esteroides antenatales: [Sí/No]
- Terapia con surfactante: [recuento de dosis]
- Soporte respiratorio: [VM/CPAP/HFNC]
- Requerimiento de FiO2: [%]
- Estado de sepsis/PDA: [Sí/No]
Predecir el riesgo de DBP (Bajo/Medio/Alto) y proporcionar la probabilidad (%) para cada categoría.
Ética:
Estudio aprobado por el comité de ética institucional Datos anonimizados y confidencialidad mantenida
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Melek Büyükeren, Assoc. Prof. Dr.
- Número de teléfono: +90532-780-30-78
- Correo electrónico: melekbuyukeren@gmail.com
Ubicaciones de estudio
-
-
-
Konya, Turquía (Türkiye), 42020
- Konya City Hospital, İstiklal, Adana Çevre Yolu Cd. No:135/1
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
Bebés prematuros nacidos antes de las 32 semanas de gestación o con un peso inferior a 1.500 gramos Seguidos en la Unidad de Cuidados Intensivos Neonatales del Hospital de la Ciudad de Konya Datos clínicos completos disponibles en los registros hospitalarios Estado documentado de displasia broncopulmonar (DBP)
Criterios de exclusión:
Anomalías congénitas mayores Datos clínicos faltantes o incompletos Muerte poco después del nacimiento con datos de seguimiento insuficientes
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Cohorte de Infantes Prematuros (<32 semanas o <1500 g)
Esta cohorte incluye bebés prematuros nacidos antes de las 32 semanas de gestación o con un peso inferior a 1.500 gramos, seguidos en la Unidad de Cuidados Intensivos Neonatales del Hospital de la Ciudad de Konya.
Los datos clínicos de la primera, segunda y tercera semanas posnatales se recopilan retrospectivamente para su análisis.
No se aplican intervenciones; se utilizan modelos de IA para predecir el riesgo de DBP basándose en los datos clínicos existentes.
|
Diferentes modelos de lenguaje de gran tamaño (ChatGPT, Gemini, Claude) analizarán datos clínicos retrospectivos para predecir el riesgo de displasia broncopulmonar (DBP).
Esta es una evaluación observacional; no se administra ningún tratamiento o terapia experimental. |
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Precisión de la predicción del riesgo de displasia broncopulmonar (DBP) mediante modelos de inteligencia artificial (IA) en lactantes prematuros.
Periodo de tiempo: Semanas posnatales 1, 2 y 3
|
El resultado principal es la precisión de diferentes modelos de lenguaje de gran tamaño (ChatGPT, Gemini, Claude) en la predicción del desarrollo del TLP.
Las predicciones de riesgo generadas por IA se compararán con los resultados clínicos reales para evaluar la corrección de las predicciones.
|
Semanas posnatales 1, 2 y 3
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Sensibilidad y especificidad de las predicciones de IA
Periodo de tiempo: Semanas postnatales 1, 2 y 3
|
Evalúe la tasa de verdaderos positivos (sensibilidad) y la tasa de verdaderos negativos (especificidad) de las predicciones de riesgo de BPD de cada modelo de IA en comparación con los resultados reales.
|
Semanas postnatales 1, 2 y 3
|
|
Comparación de la precisión de predicción a lo largo de las semanas posnatales
Periodo de tiempo: Semanas postnatales 1, 2 y 3
|
Comparar el rendimiento del modelo de IA en diferentes semanas posnatales para determinar si la precisión de predicción mejora a medida que se dispone de más datos clínicos.
|
Semanas postnatales 1, 2 y 3
|
|
Rendimiento comparativo de diferentes modelos de IA
Periodo de tiempo: Semanas posnatales 1, 2 y 3
|
Comparar el rendimiento del modelo de IA en diferentes semanas posnatales para determinar si la precisión de la predicción mejora a medida que se dispone de más datos clínicos.
|
Semanas posnatales 1, 2 y 3
|
Colaboradores e Investigadores
Patrocinador
Publicaciones y enlaces útiles
Publicaciones Generales
- 1. Dai D, Chen H, Dong X, Chen J, Mei M, Lu Y, et al. Bronchopulmonary dysplasia predicted by developing a machine learning model of genetic and clinical information. Front Genet. 2021;12:689071. 2. Choi HJ, Lee G, Shin SH, Lee SM, Lee HC, Sohn JA, et al. Development and external validation of a machine learning model to predict bronchopulmonary dysplasia using dynamic factors. Sci Rep. 2025;15:13620. 3. Chen Y, Ma H, Liu X. Clinical and imaging data-based machine learning for early diagnosis of bronchopulmonary dysplasia: A meta-analysis. Curr Med Imaging. 2025;21:e15734056421036. 4. Özçelik G, Erol S, Korkut S, Köse Çetinkaya A, Özçelik H. Prediction of bronchopulmonary dysplasia using machine learning from chest X-rays of premature infants in the neonatal intensive care unit. Medicine (Baltimore).2025;104:e44322. 5. Akila K, Aravind Babu LR. Deep learning-driven early prediction of bronchopulmonary dysplasia using chest X-rays and clinical data. Electronics Communications and Computing Summit. 2025;3(3):90-97. 6. Zhang X, Wang Y, Li J, et al. Development and validation of machine learning models for predicting bronchopulmonary dysplasia risk in preterm neonates based on antenatal determinants. BMC Pediatr. 2025. 7. Li Y, Wang L, Chen Z, et al. Machine learning models combining oversampling techniques for prediction of bronchopulmonary dysplasia-associated pulmonary hypertension in very preterm infants. Respir Res. 2024;25:199.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Estimado)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
- Enfermedades urogenitales
- Enfermedades urogenitales femeninas y complicaciones del embarazo
- Trabajo de parto prematuro, obstétrico
- Complicaciones obstétricas del parto
- Complicaciones del embarazo
- Enfermedades de las vías respiratorias
- Enfermedades pulmonares
- Infantil, Prematuro, Enfermedades
- Infantil, Recién Nacido, Enfermedades
- Lesión pulmonar
- Lesión pulmonar inducida por ventilador
- Enfermedades y anomalías congénitas, hereditarias y neonatales
- Nacimiento prematuro
- Displasia broncopulmonar
Otros números de identificación del estudio
- KSH_MB_2026_1
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
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. .