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

Äitien ja vastasyntyneiden sairauksien varhainen diagnoosi ja ennustaminen: (EDPMND)

keskiviikko 16. huhtikuuta 2025 päivittänyt: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Äidin ja vastasyntyneiden sairauksien varhainen ennustaminen ja diagnoosi käyttämällä multimodaalisia terveystietoja

Tämä on monikeskusinen, retrospektiivinen kliininen tutkimus, jonka tarkoituksena on arvioida tekoälyn avustetun ennustusmallin soveltamista ja tehokkuutta äitien ja vastasyntyneiden sairauksien tunnistamiseen, hyödyntäen multimodaalista terveystietoa.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Äitien ja vastasyntyneen terveys vaikuttaa merkittävästi sekä äitien että imeväisten hyvinvointiin. Varhainen seulonta, diagnoosi ja interventio ovat ratkaisevan tärkeitä raskauteen liittyvien sairauksien ja vastasyntyneiden olosuhteiden alkamisen ja etenemisen estämiseksi. Kliinisessä käytännössä synnytyslääkäreiden ja lastenlääkäreiden on usein integroitava laaja valikoima potilastietoja, mukaan lukien väestötiedot, sairaushistoria, biokemialliset markkerit, kuten verensokerin ja lipiditason, sekä erilaiset kuvantamistiedot, kuten ultraäänet, sikiön seuranta ja laboratorio Testitulokset tarkan diagnoosin laatimiseksi ja asianmukaisen hoitosuunnitelman laatimiseksi. Aikakaudella, jolloin tarkkuus ja henkilökohtainen lääketiede ovat terveydenhuollon eturintamassa, äitien ja vastasyntyneiden sairauksien varhainen havaitseminen ja diagnoosi sekä sopivien diagnostisten ja terapeuttisten strategioiden valinnasta on tullut merkittäviä haasteita kliinisissä olosuhteissa. Viimeaikaiset edistykset lääketieteellisessä kuvantamis- ja data -analyysitekniikassa ovat parantaneet huomattavasti äitien ja vastasyntyneiden sairauksien diagnoosin tarkkuutta ja tehokkuutta. Tämän tutkimuksen tavoitteena on kehittää AI-avusteinen päätöksentekojärjestelmä integroimalla multimodaaliset tiedot elektronisista sairauskertomuksista, kuvantamisesta ja laboratoriotuloksista yhdessä syvän oppimistekniikan kanssa. Tavoitteena on parantaa diagnostista tarkkuutta, virtaviivaistaa kliinisiä työnkulkuja ja tarjota henkilökohtaisempia hoitovaihtoehtoja äideille ja imeväisille. Viime kädessä tämä järjestelmä pyrkii parantamaan terveysvaikutuksia ja parantamaan sekä äitien että heidän vastasyntyneiden yleistä elämänlaatua.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

1000000

Yhteystiedot ja paikat

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

Opiskeluyhteys

Opiskelupaikat

  • Kiina
    • Guangdong
      • Guangzhou, Guangdong, Kiina
        • Rekrytointi
        • Guangzhou Women and Children's Medical Center
        • Ottaa yhteyttä:
    • Zhejiang
      • Wenzhou, Zhejiang, Kiina
        • Rekrytointi
        • First Affiliated Hospital of Wenzhou Medical University
        • Ottaa yhteyttä:
      • Wenzhou, Zhejiang, Kiina
        • Rekrytointi
        • Second Affiliated Hospital of Wenzhou Medical University
        • Ottaa yhteyttä:

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

Hyväksyy terveitä vapaaehtoisia

Joo

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Tutkimuspopulaatio koostuu raskaana olevista naisista, jotka ovat 18–45 -vuotiaita, jotka ovat saaneet hoitoa osallistuvissa opintokeskuksissa. Osallistujilla on oltava kattavia sähköisiä terveystietueita (EHR), mukaan lukien prenataalisen hoidon tiedot, laboratoriotulokset tai kuvantamistiedot. Sekä terveet äidit että raskauteen liittyvät sairaudet (esim. Preeklampsia, raskausdiabetes) sisällytetään tutkimukseen AI-avustetun mallin diagnostisten kykyjen arvioimiseksi. Tutkimuksessa keskitytään potilaille, joilla on dokumentoitu hoitotiedot osallistuvista keskuksista.

Kuvaus

Sisällyttämiskriteerit:

  1. Raskaana olevat naiset, joiden ikä on 18–45 vuotta.
  2. Naiset, jotka ovat saaneet synnytystä osallistuvissa keskuksissa (esim. sairaaloissa tai klinikoilla).
  3. Kattavien sähköisten terveyskertomusten saatavuus, mukaan lukien synnytyksen hoitotiedot, laboratoriotulokset ja kuvantamistiedot.
  4. Halukkuus antaa suostumus tutkimukseen osallistumiselle ja historiallisten terveystietojen käyttämiseen analysoinnissa.

Poissulkemiskriteerit:

  1. Alle 18 -vuotiaat naiset.
  2. Osallistujat, joilla on riittämättömät seurantatiedot tai puuttuvat kriittiset kliiniset tiedot, joita tarvitaan ennustavaa mallintamista varten.

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
Äiti- ja vastasyntyneiden terveellinen kohortti
Tämä ryhmä koostuu raskaana olevista äideistä, joilla ei ole raskauteen liittyviä sairauksia, ja heidän terveistä vastasyntyneistään. Tämän kohortin osallistujat toimivat vertailuryhmänä koeryhmään verrattuna. Tälle kohortille ei anneta interventioita tai hoitoja, koska ne edustavat terveiden raskauksien ja vastasyntyneiden lähtökohtaa.
Diagnostinen testi: AI-pohjainen diagnostinen ja prognostinen malli
Tähän interventioon liittyy AI -järjestelmä, joka integroi multimodaaliset tiedot, mukaan lukien äitien terveystiedot, laboratoriotestitulokset ja kuvantamistiedot, äitien ja vastasyntyneiden sairauksien riskin ennustamiseksi. Järjestelmä käyttää syvän oppimisen algoritmeja reaaliaikaisten, tarkkojen ennusteiden tarjoamiseen, mikä mahdollistaa terveyskomplikaatioiden varhaisen tunnistamisen. Analysoimalla historiallisia terveystietoja mallin tavoitteena on ennustaa mahdollisia riskejä sekä äideille että imeväisille, mikä parantaa varhaista puuttumista ja tuloksia.
Äidin ja vastasyntyneen sairauskohortin
Tämä ryhmä koostuu raskaana olevista äideistä, joille on diagnosoitu raskauteen liittyviä sairauksia tai niiden vastasyntyneitä. Tämän kohortin osallistujat toimivat kokeellisena ryhmänä varhaisen ennustemallin tehokkuuden arvioimiseksi äitien ja vastasyntyneiden terveysriskien tunnistamisessa.
Diagnostinen testi: AI-pohjainen diagnostinen ja prognostinen malli
Tähän interventioon liittyy AI -järjestelmä, joka integroi multimodaaliset tiedot, mukaan lukien äitien terveystiedot, laboratoriotestitulokset ja kuvantamistiedot, äitien ja vastasyntyneiden sairauksien riskin ennustamiseksi. Järjestelmä käyttää syvän oppimisen algoritmeja reaaliaikaisten, tarkkojen ennusteiden tarjoamiseen, mikä mahdollistaa terveyskomplikaatioiden varhaisen tunnistamisen. Analysoimalla historiallisia terveystietoja mallin tavoitteena on ennustaa mahdollisia riskejä sekä äideille että imeväisille, mikä parantaa varhaista puuttumista ja tuloksia.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Alue käyrän alla (AUC)
Aikaikkuna: Yksi vuosi
ROC-käyrän AUC, jota käytetään diagnostisen tarkkuuden määrittämiseen. Ei yksikköä (suhde tai prosenttiosuus, joka ilmaistaan ​​tyypillisesti numerona 0–1).
Yksi vuosi
F1 -pisteet
Aikaikkuna: 1 vuosi
F1-pistemäärä on tarkkuuden ja herkkyyden harmoninen keskiarvo (palauttaminen). Se on hyvä mittari mallin kyvylle tunnistaa sekä todellisia positiivisia että minimoida vääriä positiivisia, erityisesti tapauksissa, joissa luokat ovat epätasapainossa (esim. kun terveiden tapausten määrä on paljon suurempi kuin sairaustapausten määrä). F1-pisteet vaihtelevat 0–1, ja 1 ilmaisee täydellistä tarkkuutta ja muistamista.
1 vuosi

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Herkkyys (todellinen positiivinen nopeus)
Aikaikkuna: Yksi vuosi
Herkkyys mittaa, kuinka hyvin AI -malli tunnistaa todelliset positiiviset tapaukset, kuten diagnosoida raskaana olevat naiset oikein komplikaatioilla tai vastasyntyneen häiriöiden tunnistaminen.
Yksi vuosi
Spesifisyys (tosi negatiivinen osuus)
Aikaikkuna: 1 vuosi
Spesifisyys mittaa tekoälymallin kykyä tunnistaa oikein tapaukset ilman sairauksia ja varmistaa, että terveet äidit ja vauvat tunnistetaan oikein negatiivisiksi.
1 vuosi

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

The Eye Hospital of Wenzhou Medical University

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)

Tiistai 1. elokuuta 2023

Ensisijainen valmistuminen (Arvioitu)

Torstai 1. toukokuuta 2025

Opintojen valmistuminen (Arvioitu)

Torstai 1. toukokuuta 2025

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Sunnuntai 19. tammikuuta 2025

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Sunnuntai 19. tammikuuta 2025

Ensimmäinen Lähetetty (Todellinen)

Perjantai 24. tammikuuta 2025

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Torstai 17. huhtikuuta 2025

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Keskiviikko 16. huhtikuuta 2025

Viimeksi vahvistettu

Tiistai 1. huhtikuuta 2025

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • Maternal and Neonatal Diseases

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

Yhdysvalloissa valmistettu ja sieltä viety tuote

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