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

AI-ohjattu genotyypin ennustaminen käyttämällä EHR: tä ja multimodaalista tietoa

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

Potilaan genotyyppien ennustaminen käyttämällä elektronisia terveystietueita ja multimodaalisia tietoja AI-pohjaisten mallien kautta

Tämän kliinisen tutkimuksen tavoitteena on tutkia potentiaalia käyttää elektronisia terveysrekistereitä (EHR) ja multimodaalisia tietoja (kuten kuvantaminen, laboratoriotulokset ja kliininen historia) potilaan genotyypin ennustamiseksi. Tutkimuksessa arvioidaan, voivatko tämän ei-geneettisen tiedon perusteella perustuvat ennustavat mallit päätellä geneettistä tietoa, joka perinteisesti vaatii suoraa geenitestausta.

Tutkimuksen yleiskatsaus

Tila

Rekrytointi

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Tämän monikeskuksen retrospektiivisen kliinisen tutkimuksen tavoitteena on arvioida sähköisten terveystietojen (EHR) ja multimodaalisen tiedon (kuten kliinisen laboratorion tulokset, kuvantamistiedot ja sairaushistoria) käyttöä potilaan genotyypin ennustamisessa. Tutkimuksen ensisijaisena tavoitteena on kehittää AI-pohjainen ennustemalli, joka voi päätellä geneettistä tietoa analysoimalla käytettävissä olevia terveystietoja eliminoimalla suoran geenitestauksen tarpeen. AI Lab-tulokset ja kuvantamistiedot, kuten röntgenkuvat, MRI: t ja ultraääni, genotyyppisen tiedon ennustamiseksi. Tutkimuksessa verrataan AI-pohjaisia ​​ennusteita todellisiin geenitestaustuloksiin mallin tarkkuuden arvioimiseksi. Jos onnistuu, tämä menetelmä voisi tarjota ei-invasiivisen, kustannustehokkaan työkalun genotyypin ennustamiseen, jota voitaisiin käyttää henkilökohtaisessa lääketieteessä, varhaisessa taudin diagnoosissa ja riskien stratifioinnissa. Osallistujat eivät suorita mitään geenitestausta osana tutkimusta. Sen sijaan AI -järjestelmä analysoidaan heidän historiallisia lääketieteellisiä tietoja geneettisen tiedon ja niihin liittyvien sairausriskien ennustamiseksi. Tutkimuksessa arvioidaan mallin kyky ennustaa geneettisiä taipumuksia erilaisiin terveystiloihin käytettävissä olevien terveystietojen perusteella. Näin tekemällä tutkimuksen tavoitteena on edistää AI: n käyttöä kliinisessä päätöksenteossa ja geneettisessä diagnostiikassa.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

100000

Yhteystiedot ja paikat

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

Opiskeluyhteys

Opiskelupaikat

    • Guangdong
      • Guangzhou, Guangdong, Kiina
        • Rekrytointi
        • Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
        • Ottaa yhteyttä:
      • Guangzhou, Guangdong, Kiina
        • Rekrytointi
        • Sun Yat-sen University Cancer Hospital
        • Ottaa yhteyttä:
    • Zhejiang
      • Wenzhou, Zhejiang, Kiina
        • Rekrytointi
        • Second Affiliated Hospital of Wenzhou Medical University
        • Ottaa yhteyttä:
      • Wenzhou, Zhejiang, Kiina
        • Valmis
        • First Affiliated Hospital of Wenzhou Medical University

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

  • Lapsi
  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Joo

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Tutkimuspopulaatio valitaan useista terveydenhuoltokeskuksista, jotka ylläpitävät kattavia sähköisiä terveystietoja (EHR) ja joilla on pääsy multimodaalisiin kliinisiin tietoihin, kuten laboratoriotuloksiin, lääketieteelliseen kuvantamiseen (esim. röntgenkuvat, magneettikuvaukset, CT-skannaukset) ja sairaushistoria. Osallistujat ovat yksilöitä, joilla on erilaisia ​​terveystiloja, joiden genotyyppitiedoilla on merkitystä, vaikka valinnassa ei käytetä erityisiä geneettisiä ominaisuuksia. Painopiste on käytettävissä olevien terveystietojen hyödyntämisessä geneettisen tiedon ennustamiseen tekoälymallin avulla. Tutkimuksen tavoitteena on arvioida ei-geneettisten tietojen, kuten EHR:n ja multimodaalisen kuvantamisen, käytön tarkkuutta ja hyödyllisyyttä potilaiden genotyyppien ennustamisessa, mikä voi tarjota vaihtoehtoisen lähestymistavan perinteisille geneettisille testausmenetelmille.

Kuvaus

Sisällyttämiskriteerit:

  1. Osallistujilla on oltava kattavat sähköiset terveystiedot (EHR), mukaan lukien sairaushistoria, laboratoriotulokset ja asiaankuuluvat kuvantamistiedot (esim. röntgenkuvat, magneettikuvaukset, CT-kuvat).
  2. Osallistujilla on oltava olemassa olevia geenitestaustietoja vertailua varten.
  3. Osallistujien on oltava valmiita antamaan suostumus terveystietojensa käyttöön tutkimuksessa.
  4. Osallistujilla ei ole oltava aktiivista interventiota, joka liittyy geenitesteihin tai ennustamiseen tutkimusjakson aikana.
  5. Osallistujilla tulee olla täydelliset ja todennettavat terveystiedot, jotta tekoälymallin avulla voidaan tehdä tarkka ennuste.

Poissulkemiskriteerit:

  1. Osallistujat, joilla ei ole saatavilla EHR-, laboratoriotuloksia tai kuvantamistietoja.
  2. Osallistujat, joiden geneettiset testitulokset ovat epäselviä, epätarkkoja tai todentamattomia, joita ei voida käyttää vertailuun.
  3. Potilaat, joilla on merkittäviä eroja tai puuttuvia tietoja, jotka estäisivät AI -mallia tekemästä tarkkoja ennusteita.

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
Tekoälyyn perustuva genotyypin ennuste käyttäen EHR:ää ja multimodaalista dataa
Tämä kohortti koostuu potilaista, joiden historialliset terveystiedot, mukaan lukien sähköiset terveystiedot (EHR), kliinisen laboratorion tulokset ja multimodaaliset kuvantamistiedot (kuten röntgensäteet, magneettikuvaukset ja CT-kuvat), analysoidaan tekoälypohjaisella ennustemallilla. ennustaakseen genotyyppinsä. Tässä kohortissa ei ole aktiivisia interventioita, koska tutkimuksen tarkoituksena on käyttää ei-geneettisiä terveystietoja geneettisen tiedon päättelemiseen. Osallistujille ei tehdä geneettistä testausta, mutta he toimittavat terveystietonsa tekoälyjärjestelmän analysoitavaksi. Tämän ryhmän tavoitteena on arvioida tekoälymallin tarkkuutta genotyyppien ennustamisessa ja geneettisten alttiuksien tunnistamisessa eri sairauksille saatavilla olevan terveystiedon perusteella.
Tämän tutkimuksen interventio sisältää tekoälyyn perustuvan ennustavan mallin, joka on suunniteltu analysoimaan ja integroimaan potilaiden sähköisiä terveystietoja (EHR), kliinisen laboratorion tuloksia ja multimodaalista kuvantamisdataa (esim. röntgenkuvat, magneettikuvaukset, CT-skannaukset). Tekoälymalli on koulutettu ennustamaan potilaan genotyyppi näiden ei-geneettisten tietolähteiden perusteella. Tämä malli käyttää koneoppimisalgoritmeja havaitakseen malleja ja päätelläkseen geneettistä tietoa, joka perinteisesti vaatisi suoraa geneettistä testausta. Tähän toimenpiteeseen ei liity aktiivisia hoitoja tai geneettisiä testejä; tekoälyjärjestelmä toimii pikemminkin työkaluna geneettisen tiedon ennustamiseen saatavilla olevista kliinisistä tiedoista, ja se tarjoaa ei-invasiivisen ja mahdollisesti helpommin saatavilla olevan vaihtoehdon geneettiselle testaukselle.

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.

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 1. heinäkuuta 2023

Ensisijainen valmistuminen (Arvioitu)

Sunnuntai 1. kesäkuuta 2025

Opintojen valmistuminen (Arvioitu)

Sunnuntai 1. kesäkuuta 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

Muut tutkimustunnusnumerot

  • Genotype

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