Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Turvallinen ja selitettävissä oleva tekoäly

maanantai 23. helmikuuta 2026 päivittänyt: Abramson Cancer Center at Penn Medicine

TURVALLINEN JA SELITTÄVÄ AI-PÄÄTÖKSEN TEKEMINEN HENKILÖKOHTAISTA KLIINISET PÄÄTÖSTUKEA VARTEN

Vaikka nykyinen tekoälyteknologia soveltuu joidenkin toistuvien kliinisten tehtävien automatisointiin, teknisiä haasteita on edelleen kriittisten ja tuottoisten ongelmien ratkaisemisessa potilaiden ja sairauksien hallinnassa. Ehdotetulla tutkimuksella pyritään käsittelemään lääketieteelliseen tekoälyyn liittyviä kysymyksiä, kuten integroimaan tehokkaasti lääketieteellistä tietämystä, tekemään tekoälysuosituksista selitettäviä kliinikoille ja luomaan turvallisuustakuita.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Interventio / Hoito

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

300000

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Tutki yhteystietojen varmuuskopiointi

Opiskelupaikat

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Ei

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Tutkimuksessa tarkastellaan EMR-tietoja sydän-, onkologia- ja potilailta, joilla on riski saada sepsis.

Jokaisella ryhmällä on selkeästi määritellyt sisällyttämis- ja poissulkemiskriteerit. Jotta koneoppimismalli ennustaisi kammiorytmihäiriöitä ja sairaalassa tapahtuvaa sydämenpysähdystä, rakennamme potilaskohortteja, jotka koostuvat aikuisista (eli 18-vuotiaista tai sitä vanhemmista) potilaista, jotka on otettu Penn Medicine -sairaalan Sickbayn esteettömiin sänkyyn vuodesta 2020 alkaen sekä potilaat, joiden on todettu kokeneen sydämenpysähdyksen EHR-tietueiden perusteella.

Kuvaus

Sisällön kriteerit:

Kardiologia 18-vuotiaat ja sitä vanhemmat, otettu mihin tahansa Penn Medicine -sairaalaan vuodesta 2017 tähän päivään. Sepsis, joka on 18-vuotias päivystyspoliklinikalle tai jollekin Penn Medicine -sairaalalle ottaessa 1.7.2017 alkaen, on kelvollinen, koska se edustaa väestöä, jolla on riski saada sepsis 18-vuotiaita ja sitä vanhempia. invasiivisen rintasyövän diagnoosi (vaihe 1-4) Penn Cancer -rekisterissä

Poissulkemiskriteerit Kaikki ennustemallit jättävät alle 18-vuotiaat potilaat pois potilastietosarjoistaan.

Kardiologiapotilaat, joiden ensisijainen diagnoosi oli sydämenpysähdys Sepsis Potilaat, joilla on olemassa rajoituksia elämää ylläpitävässä hoidossa, suljetaan pois, koska heidän kelpoisuuteensa sepsiksen määritelmiin, saamaan hoitoon ja tuloksiin voivat vaikuttaa merkittävästi ja vaihtelevasti aiemmat hoidon rajoitukset. . Onkologia Muita poikkeuksia ei ole.

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti
Interventio / Hoito
Kardiologia
Tämän kliinisen tapausskenaarion ensisijainen tavoite on arvioida ML-mallia, joka hyödyntää reaaliaikaista sydämen telemetriaa sekä muita kliinisiä, demografisia ja kuvantamisen strukturoituja tietolähteitä sairaalassa oleville, tehohoitoyksiköille (ICU) oleville potilaille tulevan sairaalasydämen ennusteen ennustamiseksi. Pysähdys, tunnistaa sydämenpysähdyksen mahdolliset palautuvat syyt ja ennustaa, millä potilailla saattaa olla uhkaava sydämenpysähdys shokkien aiheuttaman rytmin vuoksi eli kammiotakykardia (VT) tai kammiovärinä (VF).
Muut: AI-HENKILÖKOHTAISET KLIINISET PÄÄTÖSTUKI
AI-PÄÄTÖKSEN TEKEMINEN HENKILÖKOHTAISTA KLIINISET PÄÄTÖSTUKEA VARTEN
Onkologia - rintasyöpä
Tämän kliinisen tapausskenaarion ensisijainen tavoite on arvioida ML-mallia, jossa käytetään strukturoitua ja rakenteellista dataa kliinisestä, demografisesta ja kasvaimen molekyyli- ja ituradan sekvensoinnista syöpää sairastavien avohoidossa olevien potilaiden keskuudessa lyhytaikaisen kuolleisuuden ja/tai oireiden vähenemisen ennustamiseksi. Rintasyöpäpotilaiden hoitovasteen ennustusmallia verrataan kahteen ennustetyökaluun: 1) Conversation Connect, aiemmin validoitu koneoppimiskuolleisuuden ennustamistyökalu, jota on käytetty Pennsylvanian yliopistossa rutiininomaiseen kliinisen päätöksenteon tukemiseen, ja 2) Elixhauser Comorbidity Index, komorbiditeettiin perustuva ennusteindeksi, jota käytetään yleisesti tutkimuksessa ja riskien arvioinnissa.
Muut: AI-HENKILÖKOHTAISET KLIINISET PÄÄTÖSTUKI
AI-PÄÄTÖKSEN TEKEMINEN HENKILÖKOHTAISTA KLIINISET PÄÄTÖSTUKEA VARTEN
Sepsis
Tämän kliinisen tapausskenaarion ensisijainen tavoite on kehittää ja arvioida ML-malli, joka hyödyntää multimodaalista kliinistä dataa (esim. strukturoitua EHR-dataa, kuten demografisia tietoja, laboratoriotestien tuloksia ja elintoimintoja; rakenteettomia EHR-tietoja, mukaan lukien kliinisen kohtaamisen muistiinpanojen tekstit ja , mikäli saatavilla, aaltomuotoja reaaliaikaisista sydämen, hemodynaamisten ja hengityslaitteiden seurantalaitteista), jotta voidaan ennustaa laajakirjoisen antimikrobisen hoidon aloittaminen sairaalassa oleville potilaille, joilla on sepsis. Keskitymme toteutettavissa olevaan ja selitettävissä olevaan tekoälyyn, ja tuotamme hyvin kalibroituja ennusteita, jotka ovat myös kliinisesti merkityksellisiä hoidon aloitusvaiheessa auttamaan reaaliaikaisessa päätöksenteossa diagnoosista ja hoidon aloittamisesta. Sepsiksen oikea-aikaisen diagnoosin ja puuttumisen mallia verrataan laajalti käytettyihin kaupallisiin ja avoimen lähdekoodin sepsiksen ennustemalleihin.
Muut: AI-HENKILÖKOHTAISET KLIINISET PÄÄTÖSTUKI
AI-PÄÄTÖKSEN TEKEMINEN HENKILÖKOHTAISTA KLIINISET PÄÄTÖSTUKEA VARTEN

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Neurosymboliset oppimisalgoritmit
Aikaikkuna: Prototyyppi ja uusien oppimisalgoritmien kehittäminen; 18 kuukautta. vertailla ja arvioida oppimisalgoritmeja; 24 kuukautta. Julkaise tutkimustuloksia; 24 kuukautta
Kehitä ja arvioi uusia algoritmeja neurosymbolisten mallien harjoittamiseen. Kehitämme data- ja laskentatehokkaita algoritmeja neurosymbolisten mallien päästä päähän -opetukseen. Tämä tehtävä vähentää kliinikoiden asiantuntijoiden taakkaa tuottaa hienojakoisia etikettejä suurille EHR-tiedoille.
Prototyyppi ja uusien oppimisalgoritmien kehittäminen; 18 kuukautta. vertailla ja arvioida oppimisalgoritmeja; 24 kuukautta. Julkaise tutkimustuloksia; 24 kuukautta
Selitysmenetelmät
Aikaikkuna: Prototyyppi ja uusien selitysalgoritmien kehittäminen; 18 kuukautta. Hanki sertifioidut takuut selityksille; 18 kuukautta. vertailla ja arvioida selitysalgoritmeja; 24 kuukautta. Laajenna varmenteita uusiin kiinteistöihin ja tehtäviin; 30 kuukautta. Publ
Kehitämme uusia selitettäviä tekoälytekniikoita, joilla on todennettavat takuut. Nämä takuut mahdollistavat luottamuksen ja avoimuuden tekoälyyn perustasolla.
Prototyyppi ja uusien selitysalgoritmien kehittäminen; 18 kuukautta. Hanki sertifioidut takuut selityksille; 18 kuukautta. vertailla ja arvioida selitysalgoritmeja; 24 kuukautta. Laajenna varmenteita uusiin kiinteistöihin ja tehtäviin; 30 kuukautta. Publ
Turvallisuustakuun menetelmät
Aikaikkuna: Prototyyppi ja uusien sääntöjen oppimisalgoritmien kehittäminen; 30 kuukautta. Skaalaa säännön oppimisalgoritmit suurempiin tietoasetuksiin; 36 kuukautta. Sisällytä uusia primitiivisiä monimutkaisten sääntöjen ilmaisemiseen; 36 kuukautta. Toteuta sääntöjen oppimisalgoritmeja perustehtäviin
Kehitämme uusia algoritmeja, jotka voivat skaalautuvasti poimia monimutkaisia ​​loogisia sääntöjä, jotka ohjaavat turvallisuutta tilastollisesti taatuista tiedoista. Nämä tekniikat perustuvat tilastolliseen analyysiin, ja ne auttavat käyttäjiä tunnistamaan jakelun ulkopuolisia tietoja ja havaitsemaan poikkeavuuksia.
Prototyyppi ja uusien sääntöjen oppimisalgoritmien kehittäminen; 30 kuukautta. Skaalaa säännön oppimisalgoritmit suurempiin tietoasetuksiin; 36 kuukautta. Sisällytä uusia primitiivisiä monimutkaisten sääntöjen ilmaisemiseen; 36 kuukautta. Toteuta sääntöjen oppimisalgoritmeja perustehtäviin

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Abramson Cancer Center at Penn Medicine

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Lauantai 29. marraskuuta 2025

Ensisijainen valmistuminen (Arvioitu)

Keskiviikko 1. marraskuuta 2028

Opintojen valmistuminen (Arvioitu)

Keskiviikko 1. marraskuuta 2028

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Perjantai 15. marraskuuta 2024

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Perjantai 15. marraskuuta 2024

Ensimmäinen Lähetetty (Todellinen)

Tiistai 19. marraskuuta 2024

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Keskiviikko 25. helmikuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Maanantai 23. helmikuuta 2026

Viimeksi vahvistettu

Sunnuntai 1. helmikuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • 34124

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

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 .

Tilaa