Bronkopulmonaalisen dysplasian varhainen ennustaminen ennenaikaisilla vastasyntyneillä kliinisen datan avulla
Bronkopulmonaalisen dysplasian varhainen ennustaminen käyttämällä kliinistä dataa kolmen ensimmäisen syntymän jälkeisen viikon ajalta ennenaikaisesti syntyneillä vauvoilla: Retrospektiivinen tutkimus suurilla kielimalleilla
Bronkopulmonaalisen dysplasian varhainen ennustaminen ennenaikaisesti syntyneillä vauvoilla käyttäen kliinistä dataa ensimmäisiltä kolmelta elinviikolta suurilla kielimalleilla: retrospektiivinen tutkimus Tämä retrospektiivinen, havainnointiin perustuva tutkimus pyrkii arvioimaan bronkopulmonaalisen dysplasian (BPD) varhaista ennustamista ennenaikaisesti syntyneillä vauvoilla käyttäen kliinistä dataa ensimmäiseltä, toiselta ja kolmannelta elinviikolta. Tutkimukseen sisällytetään alle 32 raskausviikon kohdalla syntyneet tai alle 1 500 grammaa painaneet vauvat, joita seurataan Konyan kaupunginsairaalan vastasyntyneiden teho-osastolla.
Tutkimus vertailee erilaisten suurten kielimallien (LLM), mukaan lukien ChatGPT, Gemini ja Claude, suorituskykyä BPD:n kehittymisen ennustamisessa. Kliinisiä muuttujia, kuten raskausikä, syntymäpaino, hengitystuki, happitarve, mekaanisen hengityksen kesto ja infektiotila, käytetään.
Päälopputulos: Kunkin tekoälymallin BPD-riskin ennustamisen tarkkuus verrattuna todellisiin kliinisiin lopputuloksiin. Toissijaiset lopputulokset: Ennusteiden herkkyys ja spesifisyys, viikoittainen ennustussuorituskyky ja vertaileva suorituskyky tekoälymallien välillä.
Tulokset tarjoavat näkemyksiä tekoälypohjaisten lähestymistapojen mahdollisesta kliinisestä hyödystä BPD-riskin varhaisessa arvioinnissa ennenaikaisesti syntyneillä vauvoilla.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Taustatiedot:
Ennenaikainen syntymä on merkittävä syy vastasyntyneiden sairastuvuuteen ja kuolleisuuteen. Bronkopulmonaalinen dysplasia (BPD) on yksi yleisimmistä kroonisista keuhkosairauksista ennenaikaisesti syntyneillä vauvoilla, erityisesti niillä, joilla on hyvin alhainen raskausikä tai syntymäpaino. BPD lisää pitkäaikaista happiriippuvuutta, sairaalassaoloa ja hengitystietautien komplikaatioita. BPD:n varhainen ennustaminen on ratkaisevan tärkeää kliinisen hoidon optimoinnin kannalta.
Raskausikä, syntymäpaino, mekaanisen hengitysavun kesto, happiterapia, infektiot ja hemodynaamiset tekijät ovat tunnettuja BPD:n riskitekijöitä. Useita kliinisiä riskimalleja on kehitetty BPD:n varhaiseen ennustamiseen, mutta niiden kliininen sovellettavuus on rajoitettua.
Viimeaikaiset edistysaskeleet tekoälyssä (AI) ja koneoppimisessa ovat osoittaneet potentiaalia kliinisten tietojen analysoinnissa ja sairausriskien ennustamisessa. Suuret kielimallit (LLM), kuten ChatGPT, Gemini ja Claude, voivat tulkita monimutkaisia kliinisiä tietoaineistoja ja luoda riskiennusteita. Kuitenkin tutkimukset, jotka arvioisivat niiden suorituskykyä BPD:n ennustamisessa ennenaikaisesti syntyneillä vauvoilla, ovat vähäisiä.
Tavoite:
Arvioida retrospektiivisesti eri LLM-mallien suorituskykyä BPD:n ennustamisessa ennenaikaisesti syntyneillä vauvoilla (<32 viikkoa raskautta tai <1500 grammaa) käyttäen kliinisiä tietoja syntymän jälkeisiltä viikoilta 1, 2 ja 3. Tutkimuksen tavoitteena on verrata tekoälyn tuottamia ennusteita todellisiin kliinisiin lopputuloksiin.
Tutkimussuunnittelu:
Retrospektiivinen, havainnointiin perustuva, yksikeskuksinen tutkimus Kliinisiä tietoja Konya City Hospitalin NICU:sta poimitaan sairaalan arkistoista ja anonymisoidaan Tekoälymallit (ChatGPT, Gemini, Claude) saavat standardoidut tietoaineistot, jotka sisältävät raskausiän, syntymäpainon, sukupuolen, hengitystuen, hapen tarpeen, mekaanisen hengitysavun keston, infektiotilan ja muut merkitykselliset parametrit Tekoälyennusteet luokittelevat BPD-riskin matalaksi, keskitasoiseksi tai korkeaksi arvioidulla todennäköisyysprosentilla
Osallistujat:
Sisällyttämiskriteerit: Ennenaikaisesti syntyneet vauvat <32 viikkoa raskautta tai <1500 grammaa, joilla on täydelliset kliiniset tiedot ja joita seurataan NICU:ssa tutkimusjakson aikana Poissulkemiskriteerit: Vauvat, joilla on suuria synnynnäisiä poikkeavuuksia, epätäydelliset kliiniset tiedot tai varhainen syntymän jälkeinen kuolema
Lopputulokset:
Ensisijainen: Tekoälymallien tarkkuus BPD:n ennustamisessa verrattuna todellisiin kliinisiin lopputuloksiin Toissijaiset: Tekoälyennusteiden herkkyys ja spesifisyys, viikoittaisten ennusteiden vertailu, tekoälymallien suorituskyvyn vertailu
Tilastollinen analyysi:
Kuvaileva tilasto (keskiarvo, keskihajonta, lukumäärät, prosenttiosuudet) Ennusteen suorituskykymittarit: tarkkuus, herkkyys, spesifisyys, ROC-analyysi Mallien ja viikoittaisten ennusteiden vertailu DeLong-testillä Tilastollinen merkitsevyys: p < 0,05
Ympäristö:
Yksikeskuksinen, sairaalapohjainen, Konya City Hospitalin NICU Retrospektiivinen kliinisten tietojen keruu
Otos:
Kohdejoukkue: Ennenaikaisesti syntyneet vauvat, joilla on korkea BPD-riski (<32 viikkoa tai <1500 grammaa) Otoskoko: Vähintään 108 vauvaa laskettu G-power-ohjelmistolla (80 % voima, 5 % merkitsevyystaso, keskikokoinen efekti = 0,3)
Tekoälymalliprotokolla:
Standardoidut kehotteet jokaiselle syntymän jälkeiselle viikolle:
Ennenaikaisesti syntyneen vauvan kliiniset tiedot syntymän jälkeisellä [1./2./3.] viikolla:
- Raskausikä: [viikkoa + päivää]
- Syntymäpaino: [grammaa]
- Sukupuoli: [mies/nainen]
- Ennen synnytystä annetut steroidit: [Kyllä/Ei]
- Surfaktanttiterapia: [annosmäärä]
- Hengitystuki: [MV/CPAP/HFNC]
- FiO2-tarve: [%]
- Sepsis/PDA-tila: [Kyllä/Ei]
Ennusta BPD-riski (Matala/Keskitasoinen/Korkea) ja anna todennäköisyys (%) kullekin luokalle.
Etiikka:
Tutkimus hyväksytty instituution eettisellä toimikunnalla Tiedot anonymisoitu ja luottamuksellisuus säilytetty
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Melek Büyükeren, Assoc. Prof. Dr.
- Puhelinnumero: +90532-780-30-78
- Sähköposti: melekbuyukeren@gmail.com
Opiskelupaikat
-
-
-
Konya, Turkki (Türkiye), 42020
- Konya City Hospital, İstiklal, Adana Çevre Yolu Cd. No:135/1
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
Ennen 32. raskausviikkoa syntyneet ennenaikaiset vauvat tai alle 1 500 grammaa painavat vauvat Seurattu Konyan kaupunginsairaalan vastasyntyneiden teho-osastolla Sairaalan arkistoissa saatavilla olevat täydelliset kliiniset tiedot Dokumentoitu bronkopulmonaalinen dysplasia (BPD) -status
Poissulkemiskriteerit:
Suuret synnynnäiset epämuodostumat Puuttuvat tai puutteelliset kliiniset tiedot Kuolema pian syntymän jälkeen riittämättömillä seurantatiedoilla
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Keskosia käsittävä kohortti (<32 viikkoa tai <1500 g)
Tähän kohorttiin kuuluvat ennen 32. raskausviikkoa syntyneet keskonaiset tai alle 1 500 grammaa painaneet vauvat, joita seurataan Konyan kaupunginsairaalan vastasyntyneiden teho-osastolla.
Kliinisiä tietoja ensimmäiseltä, toiselta ja kolmannelta syntymän jälkeiseltä viikolta kerätään retrospektiivisesti analyysia varten.
Interventioita ei sovelleta; tekoälymalleja käytetään BPD:n riskin ennustamiseen olemassa olevien kliinisten tietojen perusteella.
|
Eri suuret kielimallit (ChatGPT, Gemini, Claude) analysoivat retrospektiivistä kliinistä aineistoa ennustaakseen bronkopulmonaalisen dysplasian (BPD) riskiä.
Tämä on havainnollinen arviointi; kokeellista hoitoa tai terapiaa ei anneta. |
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Keuhkokehityshäiriön (BKD) riskin ennustamisen tarkkuus tekoälymalleilla ennenaikaisesti syntyneillä vauvoilla.
Aikaikkuna: Synnytyksen jälkeiset viikot 1, 2 ja 3
|
Ensisijainen tuloksenmittari on eri suurten kielimallien (ChatGPT, Gemini, Claude) tarkkuus BPD:n kehityksen ennustamisessa.
Tekoälyn tuottamia riskiennusteita verrataan todellisiin kliinisiin lopputuloksiin ennustusten oikeellisuuden arvioimiseksi.
|
Synnytyksen jälkeiset viikot 1, 2 ja 3
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tekoälyn ennusteiden herkkyys ja spesifisyys
Aikaikkuna: Syntymän jälkeiset viikot 1, 2 ja 3
|
Arvioi jokaisen tekoälymallin ennustamien BPD-riskin todennäköisyyksien todellinen positiivisuusaste (herkkyys) ja todellinen negatiivisuusaste (spesifisyys) verrattuna todellisiin tuloksiin.
|
Syntymän jälkeiset viikot 1, 2 ja 3
|
|
Vertailu ennustetarkkuudesta eri synnytysviikkojen välillä
Aikaikkuna: Synnytyksen jälkeiset viikot 1, 2 ja 3
|
Vertaile tekoälymallin suorituskykyä eri syntymän jälkeisillä viikoilla selvittääksesi, paraneeko ennusteen tarkkuus, kun lisää kliinistä tietoa tulee saataville.
|
Synnytyksen jälkeiset viikot 1, 2 ja 3
|
|
Eri tekoälymallien vertaileva suorituskyky
Aikaikkuna: Syntymän jälkeiset viikot 1, 2 ja 3
|
Vertaa tekoälymallin suorituskykyä eri synnytyksen jälkeisinä viikkoina selvittääksesi, parantuuko ennustustarkkuus, kun lisää kliinistä dataa tulee saataville.
|
Syntymän jälkeiset viikot 1, 2 ja 3
|
Yhteistyökumppanit ja tutkijat
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Yleiset julkaisut
- 1. Dai D, Chen H, Dong X, Chen J, Mei M, Lu Y, et al. Bronchopulmonary dysplasia predicted by developing a machine learning model of genetic and clinical information. Front Genet. 2021;12:689071. 2. Choi HJ, Lee G, Shin SH, Lee SM, Lee HC, Sohn JA, et al. Development and external validation of a machine learning model to predict bronchopulmonary dysplasia using dynamic factors. Sci Rep. 2025;15:13620. 3. Chen Y, Ma H, Liu X. Clinical and imaging data-based machine learning for early diagnosis of bronchopulmonary dysplasia: A meta-analysis. Curr Med Imaging. 2025;21:e15734056421036. 4. Özçelik G, Erol S, Korkut S, Köse Çetinkaya A, Özçelik H. Prediction of bronchopulmonary dysplasia using machine learning from chest X-rays of premature infants in the neonatal intensive care unit. Medicine (Baltimore).2025;104:e44322. 5. Akila K, Aravind Babu LR. Deep learning-driven early prediction of bronchopulmonary dysplasia using chest X-rays and clinical data. Electronics Communications and Computing Summit. 2025;3(3):90-97. 6. Zhang X, Wang Y, Li J, et al. Development and validation of machine learning models for predicting bronchopulmonary dysplasia risk in preterm neonates based on antenatal determinants. BMC Pediatr. 2025. 7. Li Y, Wang L, Chen Z, et al. Machine learning models combining oversampling techniques for prediction of bronchopulmonary dysplasia-associated pulmonary hypertension in very preterm infants. Respir Res. 2024;25:199.
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Arvioitu)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
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
Muita asiaankuuluvia MeSH-ehtoja
- Urogenitaaliset sairaudet
- Naisten virtsa- ja sukupuolielinten sairaudet ja raskauden komplikaatiot
- Synnytystyö, ennenaikainen
- Synnytystyön komplikaatiot
- Raskauden komplikaatiot
- Hengityselinten sairaudet
- Keuhkosairaudet
- Vauva, Keskoset, Sairaudet
- Vauva, vastasyntynyt, sairaudet
- Keuhkovaurio
- Hengityslaitteen aiheuttama keuhkovaurio
- Synnynnäiset, perinnölliset ja vastasyntyneiden sairaudet ja poikkeavuudet
- Ennenaikainen Synnytys
- Bronkopulmonaalinen dysplasia
Muut tutkimustunnusnumerot
- KSH_MB_2026_1
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
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 .