Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Application du modèle multimodal de grand langage dans HFpEF (MeG-HFpEF)

27 juin 2024 mis à jour par: Tang Yida, Peking University Third Hospital

Application d'un modèle de langage multimodal pour aider au diagnostic de l'insuffisance cardiaque avec une fraction d'éjection préservée

Cette étude validera l'efficacité d'un grand modèle de langage multimodal pour dépister l'insuffisance cardiaque avec fraction d'éjection préservée (HFpEF), en le comparant au processus d'évaluation clinique standardisé traditionnel.

Aperçu de l'étude

Statut

Recrutement

Les conditions

Intervention / Traitement

Description détaillée

L'insuffisance cardiaque est une complication majeure de diverses maladies cardiaques et constitue la principale cause mortelle de décès cardiovasculaire dans le monde. Sur la base de la fraction d'éjection ventriculaire gauche (FEVG), l'insuffisance cardiaque peut être divisée en insuffisance cardiaque avec fraction d'éjection réduite (HFrEF), insuffisance cardiaque avec fraction d'éjection préservée (HFpEF) et insuffisance cardiaque avec fraction d'éjection légèrement réduite (HFmrEF). Les taux de réhospitalisation pour insuffisance cardiaque et les complications à l'hôpital ne différaient pas entre l'ICFrEF et l'HFpEF. Cependant, au cours des deux dernières décennies, le taux de survie de l’ICFrEF s’est considérablement amélioré, alors que l’ICFpEF est resté stagnant. L'une des principales raisons à cela est que le processus de diagnostic de l'HFpEF est compliqué et qu'il est facile de provoquer un diagnostic manqué en clinique, ce qui entraîne un retard du traitement.

Les grands modèles de langage multimodaux sont capables d'intégrer et d'analyser des données médicales provenant de différentes sources, y compris des données textuelles (par exemple, des dossiers médicaux, de la littérature médicale), des données d'images (par exemple, des électrocardiogrammes, des images de tomodensitométrie) et des données audio (par exemple, des symptômes racontés par les patients). Cette capacité d'intégration de données multimodales est cruciale pour comprendre des scénarios médicaux complexes, car elle fournit une vue plus complète de la maladie qu'une seule source de données.

Le diagnostic de l'HFpEF est confronté à de nombreux défis et nécessite que les cliniciens portent des jugements sur des données multidimensionnelles, ce qui peut facilement conduire à un sous-diagnostic ou à un diagnostic erroné de la maladie. En tant qu'outil d'intelligence artificielle générative, un grand modèle de langage est capable d'intégrer et d'analyser des données provenant de différentes sources et a la capacité d'apprendre et d'évoluer à partir des preuves cliniques existantes. Sur cette base, cette étude vise à évaluer l'efficacité du grand modèle multimodal de langage pour le dépistage de l'insuffisance cardiaque avec fraction d'éjection préservée (HFpEF), en le comparant au processus d'évaluation standard clinique traditionnel.

Type d'étude

Observationnel

Inscription (Estimé)

80

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Coordonnées de l'étude

Lieux d'étude

  • Chine
    • Beijing
      • Beijing, Beijing, Chine
        • Recrutement
        • Peking UniversityThird Hospital

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

Non

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Les sujets seront recrutés parmi des patients régulièrement hospitalisés dans le service de cardiologie qui répondaient également aux besoins de cet essai et ne sont pas recrutés séparément.

La description

Critère d'intégration:

  1. Âge 18-80 ans, homme ou femme ;
  2. Patients hospitalisés en cardiologie avec suspicion d'insuffisance cardiaque avec fraction d'éjection préservée (échographie cardiaque évocatrice d'une FEVG ≥ 50 % avec au moins 1 des éléments suivants : 1, hypertrophie ventriculaire gauche et/ou hypertrophie de l'oreillette gauche ; et 2, fonction cardiaque diastolique anormale) ;
  3. Au moins un symptôme actuel ou antérieur d'insuffisance cardiaque, y compris la dyspnée (y compris la dyspnée d'effort, la dyspnée paroxystique nocturne et la télangiectasie), le malaise, les nausées et l'œdème bilatéral des membres inférieurs ;
  4. Participation volontaire et consentement éclairé signé.

Critère d'exclusion:

  1. Insuffisance cardiaque aiguë ou aggravation aiguë d'une insuffisance cardiaque chronique ;
  2. Sténose coronarienne sévère (sténose ≥ 75 %) sans revascularisation ;
  3. Patients incapables de réaliser une échocardiographie d'effort ou présentant des contre-indications au test ;
  4. participez à d'autres essais cliniques ;
  5. Ceux qui souffrent de pathologies organiques graves du foie, des reins ou du système hématologique ou ceux qui souffrent de maladies chroniques ;
  6. Ceux qui ne sont pas en mesure de suivre les procédures du procès ;
  7. Ceux qui refusent de signer le consentement éclairé.

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

Cohortes et interventions

Groupe / Cohorte
Intervention / Traitement
groupe unique

Le processus de consultation de routine a été effectué en premier : selon le processus recommandé par l'édition 2023 du Consensus des experts chinois sur le diagnostic et le traitement de l'insuffisance cardiaque avec fraction d'éjection préservée, le cardiologue traitant a complété l'évaluation des critères cliniques du sujet et a effectué le diagnostic HFpEF ( Oui Non).

Au cours de la visite de contrôle du médecin traitant, le système de dépistage multimodal à grand modèle de langage (MedGuide-72B) a collecté des données de visite de routine, enregistré des données et des indicateurs pertinents lors de la communication du patient avec MedGuide-72B et posé le diagnostic.
Test diagnostique: Diagnostic de modèle multimodal de grand langage
Diagnostic de l'insuffisance cardiaque avec fraction d'éjection préservée (HFpEF) à l'aide du grand modèle multimodal de langage MedGuide-72B.
Test diagnostique: Procédure diagnostique et thérapeutique de routine
Procédure diagnostique et thérapeutique de routine

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
spécificité dignostique
Délai: jusqu'à la fin des études, une moyenne de 8 mois
comparaison de la spécificité dianostique entre le diagnostic et la thérapie de routine et le diagnostic par un grand modèle de langage
jusqu'à la fin des études, une moyenne de 8 mois
sensibilité dignostique
Délai: jusqu'à la fin des études, une moyenne de 8 mois
comparaison de la sensibilité dianostique entre le diagnostic et la thérapie de routine et le diagnostic par grand modèle de langage
jusqu'à la fin des études, une moyenne de 8 mois

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
taux de cohérence
Délai: jusqu'à la fin des études, une moyenne de 8 mois
taux de cohérence entre le diagnostic et la thérapie de routine et le diagnostic d'un grand modèle de langage
jusqu'à la fin des études, une moyenne de 8 mois
temps consacré au diagnostic
Délai: jusqu'à la fin des études, une moyenne de 8 mois
comparaison du temps consacré au diagnostic entre le diagnostic et la thérapie de routine et le diagnostic par grand modèle de langage
jusqu'à la fin des études, une moyenne de 8 mois
satisfaction des patients
Délai: jusqu'à la fin des études, une moyenne de 8 mois
comparaison de la satisfaction des patients entre le diagnostic et la thérapie de routine et le diagnostic par grand modèle de langage par questionnaire
jusqu'à la fin des études, une moyenne de 8 mois
analyse des coûts économiques
Délai: jusqu'à la fin des études, une moyenne de 8 mois
comparaison du coût économique entre le diagnostic et la thérapie de routine et le diagnostic par grand modèle de langage par le coût total du traitement
jusqu'à la fin des études, une moyenne de 8 mois
taux de fausses découvertes
Délai: jusqu'à la fin des études, une moyenne de 8 mois
comparaison du taux de fausses découvertes entre le diagnostic et la thérapie de routine et le diagnostic d'un grand modèle de langage
jusqu'à la fin des études, une moyenne de 8 mois
évaluation de la charge de travail du médecin
Délai: jusqu'à la fin des études, une moyenne de 8 mois
comparaison de la charge de travail du médecin entre le diagnostic et la thérapie de routine et le diagnostic selon un grand modèle de langage en fonction du nombre de participants ayant des problèmes liés au traitement
jusqu'à la fin des études, une moyenne de 8 mois
efficacité du diagnostic
Délai: jusqu'à la fin des études, une moyenne de 8 mois
La probabilité d'exactitude par rapport au diagnostic final de la visite du patient
jusqu'à la fin des études, une moyenne de 8 mois

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Parrainer

Peking University Third Hospital

Collaborateurs

Qingdao Municipal Hospital
Tianjin Medical University General Hospital
The First Hospital of Hebei Medical University
Central hospital Affiliated to Shandong First Medical University

Publications et liens utiles

La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.

Publications générales

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

20 décembre 2023

Achèvement primaire (Estimé)

20 décembre 2024

Achèvement de l'étude (Estimé)

20 décembre 2024

Dates d'inscription aux études

Première soumission

22 décembre 2023

Première soumission répondant aux critères de contrôle qualité

27 juin 2024

Première publication (Réel)

3 juillet 2024

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

3 juillet 2024

Dernière mise à jour soumise répondant aux critères de contrôle qualité

27 juin 2024

Dernière vérification

1 juin 2024

Plus d'information

Termes liés à cette étude

Mots clés

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • M2023830

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

NON

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

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 .

S'abonner