- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT04186104
L'intelligence artificielle dans la clinique pour enfants
Application de l'intelligence artificielle dans la clinique pour enfants
En Chine, le nombre de services médicaux pour enfants est encore loin derrière la demande croissante de soins de santé pour enfants. Le phénomène des parents d'enfants qui font la queue du jour au lendemain pour s'inscrire n'est plus surprenant. Cela est dû à l'augmentation du nombre d'enfants et à la pénurie de talents pédiatriques. Dans le service de pédiatrie, le nombre de patients augmente d'année en année, mais le pédiatre manque d'approvisionnement du début à la fin. En plus du service ambulatoire, les pédiatres des grands hôpitaux effectuent également des opérations, des recherches scientifiques et d'autres tâches. En conséquence, de nombreux médecins doivent renoncer à leurs vacances, ce qui les rend malheureux et réduit leur enthousiasme pour le travail. Le long temps d'attente a également réduit la satisfaction des patients, entraînant l'intensification du conflit entre les pédiatres et les patients.
Ce projet de recherche vise à créer un système intégré homme-ordinateur et à développer un nouveau processus de diagnostic intégré à l'intelligence artificielle (IA). La fonction du système d'IA comprend principalement 3 aspects. (1) Le patient utilise une application mobile embarquée avec IA qui lui permet de faire un check-up avant de consulter un médecin. Le programme posera au patient un certain nombre de questions. Ensuite, sur la base des réponses du patient, AI recommandera une série d'examens, qui seront tous revus par le médecin au préalable. Une fois que le patient a payé, il peut passer directement à l'examen. Ainsi, il pourrait ensuite se rendre chez le médecin avec le rapport d'examen, ce qui éviterait au patient de faire la queue. (2) Dans le même temps, le système d'IA pourrait également automatiser les antécédents médicaux. Le patient compléterait la collecte d'historique d'auto-assistance pendant son temps libre. Le système d'IA collecte les antécédents médicaux et les importe automatiquement sur l'ordinateur du médecin. Le travail principal des médecins consiste à modifier les antécédents médicaux générés par l'IA. Dans une certaine mesure, cela allège le fardeau des médecins. (3) Lors de la visite, le système d'IA capture automatiquement les informations dans le dossier médical électronique du patient et génère le diagnostic éventuel. Ce processus est d'une grande aide pour les jeunes médecins et peut servir d'indice.
En bref, cette étude est utile pour réduire efficacement le temps d'attente des patients et augmenter considérablement leur expérience médicale. Tout en réduisant l'intensité du travail des médecins, la procédure ambulatoire de notre hôpital a été efficacement optimisée pour pallier dans une certaine mesure la pénurie de pédiatres.
Aperçu de l'étude
Statut
Les conditions
Description détaillée
S'appuyant sur une application mobile et un logiciel informatique, il permettrait d'atteindre :
- Guidage intelligent et correspondance du département ;
- Collecte intelligente des antécédents médicaux et génération de dossiers médicaux par IA ;
- Recommander automatiquement les éléments d'examen ;
- Aider au diagnostic clinique et faire des suggestions de diagnostic intelligentes.
Type d'étude
Inscription (Réel)
Phase
- N'est pas applicable
Contacts et emplacements
Lieux d'étude
-
-
-
Shanghai, Chine
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, Chine, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
La description
Critère d'intégration:
Les patients âgés de 2 mois à 18 ans se rendront au centre médical pour enfants de Shanghai pour y être soignés.
Critère d'exclusion:
- Les personnes qui n'acceptent pas de participer.
- Les gens qui ne peuvent pas coopérer.
- Des personnes difficiles à suivre.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Recherche sur les services de santé
- Répartition: Randomisé
- Modèle interventionnel: Affectation parallèle
- Masquage: Aucun (étiquette ouverte)
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
|---|---|
|
Expérimental: Patients avec processus de service ambulatoire de routine
Après l'enregistrement, le patient fait la queue à la porte du cabinet du médecin.
Son médecin utilise des méthodes traditionnelles pour saisir manuellement les dossiers médicaux et établir un diagnostic de manière indépendante.
Ensuite, le patient fait la queue pour payer la facture et fait la queue pour un examen.
Enfin, le patient remettait le rapport d'examen au médecin.
|
Les patients suivent les procédures d'enregistrement, d'attente, de présence, d'attente, d'examen, d'attente, de présence.
|
|
Expérimental: Patients avec processus de service ambulatoire assisté par l'IA
Après l'inscription, le patient lie ses informations à l'application de téléphonie mobile via le numéro de consultation externe.
Tout d'abord, le système d'IA poserait au patient une série de questions.
Ensuite, il rendrait un jugement basé sur la réponse du patient.
Le système transmet les éléments d'examen à l'ordinateur du médecin et, avec l'approbation du médecin, renvoie les éléments au patient.
Ainsi, le patient pourrait aller directement faire l'examen.
En attendant son tour, le patient entre à nouveau dans le programme du téléphone et le système d'IA recueille ses antécédents médicaux.
L'information est renvoyée au médecin.
Lorsque le patient se rend au cabinet du médecin avec le rapport d'examen, l'ordinateur du médecin contient déjà son dossier médical.
Le médecin n'a qu'à ajuster l'historique en fonction de la situation réelle.
Après avoir écrit les antécédents médicaux, le système d'IA pourrait établir automatiquement le diagnostic.
Le médecin utilise les résultats de l'IA et son propre jugement pour établir un diagnostic complet.
|
Les patients suivent les procédures d'enregistrement, les éléments d'examen recommandés par l'IA, la collecte des antécédents médicaux en libre-service, l'examen, l'attente, la présence assistée par l'IA.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Évaluer l'efficacité des deux processus
Délai: jusqu'à 1 mois
|
Comparez le temps d'attente moyen pour un seul patient et le temps de visite moyen pour un seul patient.
|
jusqu'à 1 mois
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Évaluer le taux de satisfaction des patients pour les processus médicaux
Délai: jusqu'à 1 mois
|
Le questionnaire de satisfaction permettrait de comparer le taux de satisfaction entre les deux processus.
|
jusqu'à 1 mois
|
|
Mesures économiques
Délai: jusqu'à 1 mois
|
Dépenser de l'argent en ambulatoire, dépenser de l'argent en examen et al.
|
jusqu'à 1 mois
|
|
Efficacité du travail des médecins
Délai: jusqu'à 1 mois
|
Utilisation de données historiques pour les comparaisons avant et après, pour comparer l'influence de la collecte intelligente des antécédents médicaux sur le temps de visite de chaque patient.
|
jusqu'à 1 mois
|
Collaborateurs et enquêteurs
Publications et liens utiles
Publications générales
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Réel)
Achèvement de l'étude (Réel)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Autres numéros d'identification d'étude
- SCMCIRB-K2019020-2
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .