Tekoäly lastenklinikalla
Tekoälyn soveltaminen lastenklinikalla
Kiinassa lasten sairaanhoitopalvelujen määrä on edelleen kaukana lasten terveydenhuollon kasvavasta kysynnästä. Ilmiö, että lasten vanhemmat jonottavat yön yli ilmoittautumista varten, ei ole enää yllättävää. Tämä johtuu lasten määrän kasvusta ja lasten kykyjen puutteesta. Lastentautien osastolla potilasmäärä kasvaa vuosi vuodelta, mutta lastenlääkäristä on pulaa alusta loppuun. Suurten sairaaloiden lastenlääkärit tekevät avohoidon lisäksi myös leikkausta, tieteellistä tutkimusta ja muita tehtäviä. Tämän seurauksena monet lääkärit joutuvat luopumaan lomastaan, mikä tekee heistä kurjaa ja vähentää heidän intoaan työhön. Pitkä jonotusaika heikensi myös potilaiden tyytyväisyyttä, minkä seurauksena lastenlääkärien ja potilaiden välinen konflikti kiihtyi.
Tämän tutkimusprojektin tavoitteena on luoda ihmisen ja tietokoneen välinen integroitu järjestelmä ja kehittää uusi diagnoosiprosessi, joka on sulautettu tekoälyyn (AI). Tekoälyjärjestelmän toiminto sisältää pääasiassa 3 näkökohtaa. (1) Potilas käyttää tekoälyyn sulautettua matkapuhelinsovellusta, jonka avulla hän voi käydä tarkastuksessa ennen lääkäriin menoa. Ohjelma kysyy potilaalta useita kysymyksiä. Tämän jälkeen tekoäly suosittelee potilaan vastausten perusteella tutkimussarjaa, jonka lääkäri tarkistaa etukäteen. Kun potilas on maksanut sen, hän voi mennä suoraan tutkimukseen. Joten seuraavaksi hän voisi mennä lääkäriin tutkimusraportin kanssa, joka säästää potilaan jonotusvaivasta. (2) Samaan aikaan tekoälyjärjestelmä voisi myös automatisoida sairaushistorian. Potilas täydensi oma-apuhistorian keräämistä vapaa-ajalla. Tekoälyjärjestelmä kerää sairaushistorian ja tuo sen automaattisesti lääkärin tietokoneelle. Lääkäreiden päätehtävänä on muokata tekoälyn tuottamaa sairaushistoriaa. Jossain määrin se keventää lääkäreiden taakkaa. (3) Tekoälyjärjestelmä tallentaa käynnin aikana automaattisesti tiedot potilaan sähköiseen sairauskertomukseen ja luo mahdollisen diagnoosin. Tämä prosessi on suureksi avuksi nuorille lääkäreille, ja se voi toimia vihjeenä.
Lyhyesti sanottuna tämä tutkimus auttaa tehokkaasti lyhentämään potilaiden odotusaikaa ja lisäämään huomattavasti heidän lääketieteellistä kokemustaan. Lääkäreiden työn intensiteettiä vähentäen on sairaalamme avohoitoa optimoitu tehokkaasti lievittämään jossain määrin lastenlääkäripulaa.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Mobiilisovellusten ja tietokoneohjelmistojen avulla se saavuttaisi:
- Älykäs ohjaus ja yhteensovittaminen osastolla;
- Älykäs sairaushistorian kerääminen ja tekoälyn potilastietojen luominen;
- Suosittele automaattisesti koekohteita;
- Auta kliinisessä diagnoosissa ja tee älykkäitä diagnoosiehdotuksia.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Shanghai, Kiina
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, Kiina, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Kuvaus
Sisällyttämiskriteerit:
Potilaat iältään 2 kuukaudesta 18-vuotiaisiin ja menevät Shanghain lastenlääkärikeskukseen hoitoon.
Poissulkemiskriteerit:
- Ihmiset, jotka eivät suostu osallistumaan.
- Ihmiset, jotka eivät osaa tehdä yhteistyötä.
- Ihmiset, joita on vaikea seurata.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Terveyspalvelututkimus
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: Potilaat, joilla on rutiininomainen avohoitopalveluprosessi
Ilmoittautumisen jälkeen potilas odottaa jonossa lääkärin vastaanoton ovella.
Hänen lääkärinsä käyttää perinteisiä menetelmiä potilastietojen syöttämiseen käsin ja diagnoosin tekemiseen itsenäisesti.
Sitten potilas joutuu jonoon maksaakseen laskun ja joutuu jonoon tutkimukseen.
Lopuksi potilas vie tutkimusraportin takaisin lääkärille.
|
Potilaat noudattavat ilmoittautumis-, odotus-, läsnäolo-, odotus-, tutkimus-, odotus- ja läsnäolomenettelyjä.
|
|
Kokeellinen: Potilaat, joilla on tekoälyavusteinen avohoitopalveluprosessi
Ilmoittautumisen jälkeen potilas sitoo tietonsa matkapuhelinsovellukseen poliklinikkanumeron kautta.
Ensinnäkin tekoälyjärjestelmä kysyisi potilaalta joukon kysymyksiä.
Sitten se tekisi arvion potilaan vastauksen perusteella.
Järjestelmä välittää tutkimuskohteet lääkärin tietokoneelle ja lähettää ne lääkärin luvalla takaisin potilaalle.
Joten potilas voi mennä suoraan tutkimukseen.
Odottaessaan vuoroaan potilas siirtyy uudelleen puhelinohjelmaan ja tekoälyjärjestelmä kerää hänen sairaushistoriansa.
Tiedot lähetetään takaisin lääkärille.
Kun potilas menee lääkärin vastaanotolle tutkimusraportin kanssa, lääkärin tietokoneella on jo hänen potilastiedot.
Lääkärin tarvitsee vain muokata historiaa todellisen tilanteen mukaan.
Lääkärihistorian kirjoittamisen jälkeen tekoälyjärjestelmä voi tehdä diagnoosin automaattisesti.
Lääkäri käyttää tekoälyn tuloksia ja omaa harkintaa tehdäkseen kattavan diagnoosin.
|
Potilaat noudattavat ilmoittautumismenettelyjä, tekoälyn suosittelemia tutkimuskohteita, itsepalveluhistorian keräämistä, tutkimuksia, odottelua, tekoälyavusteista läsnäoloa.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Arvioi näiden kahden prosessin tehokkuus
Aikaikkuna: jopa 1 kuukautta
|
Vertaa yhden potilaan keskimääräistä odotusaikaa ja yksittäisen potilaan keskimääräistä käyntiaikaa.
|
jopa 1 kuukautta
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Arvioi potilaiden tyytyväisyyttä lääketieteellisiin prosesseihin
Aikaikkuna: jopa 1 kuukautta
|
Tyytyväisyyskyselyä käytettäisiin kahden prosessin tyytyväisyysasteen vertaamiseen.
|
jopa 1 kuukautta
|
|
Taloudelliset mittaukset
Aikaikkuna: jopa 1 kuukautta
|
Käytä rahaa avohoitoon, käytä rahaa tutkimuksiin ym.
|
jopa 1 kuukautta
|
|
Lääkäreiden työn tehokkuus
Aikaikkuna: jopa 1 kuukautta
|
Historiatietojen käyttäminen ennen ja jälkeen -vertailuihin, jotta voidaan verrata älykkään sairaushistorian keräämisen vaikutusta kunkin potilaan käyntiaikaan.
|
jopa 1 kuukautta
|
Yhteistyökumppanit ja tutkijat
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muut tutkimustunnusnumerot
- SCMCIRB-K2019020-2
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .