Tehokkuusvertailu perusterveydenhuollon lääkäreiden riippumattoman auskuloinnin ja AI-avustetun auskuloinnin välillä synnynnäiselle sydänsairauksien seulontaan potilaan rikastuneissa populaatioissa: satunnaistettu kontrolloitu tutkimus
Viime vuosina keinotekoisen älykkyyden (AI) soveltaminen terveydenhuollon alueelle on nähnyt merkittävän nousun, ja syväoppiminen on noussut voimakkaana voimana lääketieteen alalla. Syvän oppimisen algoritmeilla on huomattava kyky purkaa monimutkaiset piirteet ja kuviot automaattisesti, mikä helpottaa erittäin tarkkaa sydämen äänentunnistusta. Professori Sun Kun ja hänen tutkimusryhmänsä Xinhua-sairaalasta tehdyn teknologisen kehityksen perusteella ovat tutkineet ahkerasti AI-avusteisen sydämen vakaan tunnustamisen kehittämistä ja soveltamista synnynnäiselle sydänsairauksille (CHD).
Elektronisia stetoskooppeja hyödyntäen sydämen äänien tarkkaan keräämiseen ja tekoälyalgoritmeja analysoimaan laajoja tietokokonaisuuksia, jotka sisältävät sydänäänet sekä lapsilta, joilla on diagnosoitu sepelvaltimotauti ja terveitä, järjestelmä on koulutettu erottamaan taitavasti toisistaan normaalit ja patologiset sivuäänet. Järjestelmän nykyinen iteraatio tarjoaa vaikuttavan 90 %:n tarkkuuden ja herkkyyden.
Tämä tutkimus on suunniteltu satunnaistetuksi kontrolloiduksi tutkimukseksi (RCT), joka suoritetaan Shanghai Xinhua -sairaalassa. Ensisijaisena tavoitteena on osoittaa AI-avusteisten perusterveydenhuollon lääkäreiden paremmuus CHD: n tunnistamisessa itsenäisesti työskentelevien perusterveydenhuollon lääkäreiden suhteen. Tämä saavutetaan suorittamalla vertaileva analyysi AI-avusteisten lääkäreiden suorituskyvystä verrattuna heidän avustamattomiin kollegoihinsa, mikä perustuu mallin käytännön sovellettavuuteen. Jatkuvan hienostumisprosessin ja laajalle levinneen soveltamisen avulla tämä uraauurtava tutkimus pyrkii lisäämään monipuolisia lääketieteen ammattilaisia, mukaan lukien yleislääkärit, lasten terveyslääkärit ja ei-sydän- ja verisuoniasiantuntijat, joilla on AI-avusteisen elektronisen auskulitaation muuntavat kyvyt. Perimmäisenä tavoitteena on nostaa lastenhoidon tasoa koko maassa.
Tutkimuksen yleiskatsaus
Tila
Ehdot
Opintotyyppi
Ilmoittautuminen (Todellinen)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskelupaikat
-
-
-
Qinghai, Kiina
- Qinghai Provincial Women and Children's Hospital
-
Shanghai, Kiina
- Xinhua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Sisällön kriteerit:
- Ikä välillä 0–18 vuotta, ilman sukupuolen rajoituksia.
- Lapset, jotka suostuvat kaikukardiografiaan synnynnäisen sydänsairauden olemassaolon tai puuttumisen määrittämiseksi.
- Vapaaehtoinen osallistuminen tähän tutkimukseen ja tietoisen suostumuslomakkeen allekirjoittaminen.
Poissulkemiskriteerit:
- Ikä yli 18 vuotta.
- Lapset, jotka eivät pysty suorittamaan ehokardiografiaa tai jotka eivät tee yhteistyötä auskultaation kanssa.
- Osallistujat, jotka eivät voi antaa tietoista suostumusta tai eivät ole halukkaita noudattamaan tutkimusvaatimuksia toimittaakseen lääketieteellisiä tietoja lisäanalyysiä ja tutkimusta varten.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Seulonta
- Jako: Satunnaistettu
- Inventiomalli: Rinnakkaistehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Active Comparator: Itsenäinen auskultaatio
|
Se sisältää sairaushistorian keräyksen sokeuttamattoman riippumattoman henkilöstön, erityislääkäreiden ja perusterveydenhuollon lääkäreiden suorittamien auskultaation ja arvioinnit erikseen.
Kaikille osallistujille tapahtuu ehokardiografia.
|
|
Kokeellinen: AI-avusteinen kuuntelu
|
Tutkimus alkaa sokeuttamattomasta henkilöstöstä, joka kerää sairaushistoriaa ja erikoislääkäreitä, jotka tekevät kasvokkain auskultaatioita ja arviointeja.
Sitten perusterveydenhuollon lääkärit suorittavat kasvokkain auskultaatioita ja ensimmäisiä arviointeja ja käyttävät AI-avusteisia stetoskooppeja kerätäkseen sydänääniä asetetun protokollan jälkeen.
AI-malli analysoi tiedot reaaliajassa ja tarjoaa välittömän diagnostisen tuloksen, joka välitetään takaisin perusterveydenhuollon lääkäreille.
Tämän perusteella he tekevät toissijaisen arvion.
Kaikille osallistujille tapahtuu ehokardiografia.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
|---|---|
|
Auskultaation herkkyys CHD-havaitsemisessa: Perusterveydenhuollon lääkärien riippumattomat auskultaatio ja AI-avusteinen auskulaatio
Aikaikkuna: Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
|---|---|
|
CHD: n havaitsemisen auskuloinnin spesifisyys, tarkkuus ja väärät negatiivit: Perusterveydenhuollon lääkärien riippumaton auskultaatio ja AI-avusteinen auskulaatio
Aikaikkuna: Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
|
CHD: n havaitsemisen auskultaation spesifisyys, tarkkuus ja väärät negatiiviset: Erityislääkärien riippumaton auskultaatio ja AI-Assisted Auscultaation, jonka perusterveydenhuollon lääkäri
Aikaikkuna: Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
|
Herkkyys, spesifisyys, tarkkuus ja väärät negatiivit Auskultationissa CHD -havaitsemisessa: Perusterveydenhuollon lääkärien riippumaton Auscultaation & AI -malli
Aikaikkuna: Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
|
CHD: n havaitsemisen auskuloinnin spesifisyys, tarkkuus ja väärät negatiivit: erikoislääkärien riippumattomat auskultaatio- ja perusterveydenhuollon lääkärit 'riippumaton auskultaatio
Aikaikkuna: Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
|
CHD: n havaitsemisen herkkyys, spesifisyys, tarkkuus ja väärät negatiiviset negatiivit: erikoislääkärien riippumaton Auscultaation & AI -malli
Aikaikkuna: Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
|
Lääkäreiden diagnostisten tarkistusten määrä, oikeiden ja virheellisten muutosten osuudet
Aikaikkuna: Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Ilmoittautumisesta hoidon loppuun 3 kuukauden kuluttua
|
Yhteistyökumppanit ja tutkijat
Sponsori
Yhteistyökumppanit
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
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- XHEC-C-2025-012-1
- INV-072724 (Muu apuraha/rahoitusnumero: Bill & Melinda Gates Foundation)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Yhdysvalloissa valmistettu ja sieltä viety tuote
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 .