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.

IA sûre et explicable

23 février 2026 mis à jour par: Abramson Cancer Center at Penn Medicine

PRISE DE DÉCISION SÛRE ET EXPLICABLE BASÉE SUR L'IA POUR UNE AIDE À LA DÉCISION CLINIQUE PERSONNALISÉE

Bien que la technologie actuelle de l’IA soit adaptée à l’automatisation de certaines tâches cliniques répétitives, des défis techniques subsistent pour résoudre des problèmes critiques et rémunérateurs dans les domaines de la gestion des patients et des maladies. La recherche proposée vise à résoudre les problèmes liés à l'IA médicale, tels que l'intégration efficace des connaissances médicales, la formulation de recommandations en matière d'IA explicables aux cliniciens et l'établissement de garanties de sécurité.

Aperçu de l'étude

Statut

Recrutement

Les conditions

Intervention / Traitement

Type d'étude

Observationnel

Inscription (Estimé)

300000

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

Sauvegarde des contacts de l'étude

Lieux d'étude

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

L'étude examinera les données DME des patients cardiaques, oncologiques et à risque de contracter une septicémie.

Chaque groupe a des critères d'inclusion-exclusion clairement définis. Pour que le modèle d'apprentissage automatique prédise les arythmies ventriculaires et les arrêts cardiaques à l'hôpital, nous construirons des cohortes de patients composées de patients adultes (c'est-à-dire âgés de 18 ans ou plus) admis dans un lit accessible à l'infirmerie dans un hôpital de Penn Medicine de 2020 au présents ainsi que les patients identifiés comme ayant subi un arrêt cardiaque à l'aide des dossiers DSE.

La description

Critères d'intégration :

Cardiologie 18 ans et plus, admis dans l'un des hôpitaux de Penn Medicine de 2017 à aujourd'hui. Sepsis âgé de 18 ans au moment de la présentation à un service d'urgence ou de l'admission dans un hôpital de Penn Medicine à partir du 1er juillet 2017, sera éligible car cela représente la population à risque de contracter un sepsis. Oncologie 18 ans et plus avec un diagnostic de cancer du sein invasif (stade 1 à 4) dans le registre Penn Cancer

Critère d'exclusion Tous les modèles de prédiction excluront les patients de moins de 18 ans de leurs ensembles de données sur les patients.

Cardiologie Patients dont le diagnostic d'admission principal était un arrêt cardiaque Sepsis Ceux ayant des limitations préexistantes en matière de traitement de survie seront exclus car leur éligibilité aux définitions de sepsis, aux soins reçus et aux résultats peuvent être affectés de manière significative et variable par les limitations préexistantes en matière de soins. . Oncologie Il n'y a pas d'autres exclusions.

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
Cardiologie
L'objectif principal de ce scénario de cas clinique est d'évaluer un modèle ML utilisant la télémétrie cardiaque en temps réel, ainsi que d'autres sources de données structurées cliniques, démographiques et d'imagerie, parmi les patients hospitalisés en unité de soins intensifs (USI) pour prédire une cardiopathie imminente à l'hôpital. arrêter, identifier les causes potentiellement réversibles de l'arrêt cardiaque et prédire quels patients pourraient subir un arrêt cardiaque imminent en raison de rythmes pouvant être soumis à un choc, c'est-à-dire une tachycardie ventriculaire (TV) ou une fibrillation ventriculaire (FV).
Autre: AIDE À LA DÉCISION CLINIQUE PERSONNALISÉE PAR L'IA
PRISE DE DÉCISION BASÉE SUR L'IA POUR UNE AIDE À LA DÉCISION CLINIQUE PERSONNALISÉE
Oncologie - Cancer du sein
L'objectif principal de ce scénario de cas clinique est d'évaluer un modèle ML utilisant des données structurées et non structurées provenant du séquençage clinique, démographique et tumoral moléculaire et germinal, chez les patients ambulatoires atteints de cancer, pour prédire la mortalité à court terme et/ou le déclin des symptômes. Le modèle de prédiction de la réponse au traitement chez les patientes atteintes d'un cancer du sein sera comparé à deux outils de pronostic : 1) Conversation Connect, un outil de prédiction de la mortalité par apprentissage automatique précédemment validé qui a été utilisé à l'Université de Pennsylvanie pour l'aide à la décision clinique de routine, et 2) l'indice de comorbidité Elixhauser, un indice pronostique basé sur la comorbidité et couramment utilisé dans la recherche et l'ajustement des risques.
Autre: AIDE À LA DÉCISION CLINIQUE PERSONNALISÉE PAR L'IA
PRISE DE DÉCISION BASÉE SUR L'IA POUR UNE AIDE À LA DÉCISION CLINIQUE PERSONNALISÉE
État septique
L'objectif principal de ce scénario de cas clinique est de développer et d'évaluer un modèle ML qui utilise des données cliniques multimodales (par exemple, des données de DSE structurées telles que les données démographiques, les résultats de tests de laboratoire et les signes vitaux ; des données de DSE non structurées, y compris le texte des notes de rencontre clinique et , le cas échéant, formes d'onde provenant d'appareils de surveillance cardiaque, hémodynamique et respiratoire en temps réel) pour prédire la nécessité d'instaurer un traitement antimicrobien à large spectre pour les patients hospitalisés atteints de sepsis. En mettant l’accent sur une IA réalisable et explicable, nous produirons des prédictions bien calibrées qui sont également cliniquement significatives au chevet du patient pour faciliter la prise de décision en temps réel concernant le diagnostic et l’initiation du traitement. Le modèle permettant un diagnostic et une intervention rapides en cas de sepsis sera comparé à des modèles de prédiction du sepsis commerciaux et open source largement utilisés.
Autre: AIDE À LA DÉCISION CLINIQUE PERSONNALISÉE PAR L'IA
PRISE DE DÉCISION BASÉE SUR L'IA POUR UNE AIDE À LA DÉCISION CLINIQUE PERSONNALISÉE

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Algorithmes d'apprentissage neurosymbolique
Délai: Prototyper et développer de nouveaux algorithmes d’apprentissage ; 18 mois. Benchmarker et évaluer les algorithmes d'apprentissage ; 24 mois. Publier les résultats de la recherche ; 24 mois
Développer et évaluer de nouveaux algorithmes pour la formation de modèles neurosymboliques. Nous développerons des algorithmes efficaces en termes de données et de calcul pour la formation de bout en bout de modèles neurosymboliques. Cette tâche réduira le fardeau des cliniciens experts qui doivent fournir des étiquettes précises sur les volumineuses données DSE.
Prototyper et développer de nouveaux algorithmes d’apprentissage ; 18 mois. Benchmarker et évaluer les algorithmes d'apprentissage ; 24 mois. Publier les résultats de la recherche ; 24 mois
Méthodes d'explication
Délai: Prototyper et développer de nouveaux algorithmes d'explication ; 18 mois. Déduire des garanties certifiées pour les explications ; 18 mois. Benchmarker et évaluer les algorithmes d'explication ; 24 mois. Étendre les certificats à de nouvelles propriétés et tâches ; 30 mois. Publier
Nous développerons de nouvelles techniques d’IA explicables assorties de garanties vérifiables. Ces garanties permettront la confiance et la transparence dans l’IA à un niveau fondamental.
Prototyper et développer de nouveaux algorithmes d'explication ; 18 mois. Déduire des garanties certifiées pour les explications ; 18 mois. Benchmarker et évaluer les algorithmes d'explication ; 24 mois. Étendre les certificats à de nouvelles propriétés et tâches ; 30 mois. Publier
Méthodes de garanties de sécurité
Délai: Prototyper et développer de nouveaux algorithmes d'apprentissage de règles ; 30 mois. Adaptez les algorithmes d’apprentissage de règles à des paramètres de données plus vastes ; 36 mois. Incorporer de nouvelles primitives pour exprimer des règles complexes ; 36 mois. Implémenter des algorithmes d'apprentissage de règles sur des tâches de base
Nous développerons de nouveaux algorithmes capables d’extraire de manière évolutive des règles logiques complexes régissant la sécurité au sein des données présentant des garanties statistiques. Ces techniques seront ancrées dans l'analyse statistique et aideront les utilisateurs à identifier les données hors distribution et à détecter les anomalies.
Prototyper et développer de nouveaux algorithmes d'apprentissage de règles ; 30 mois. Adaptez les algorithmes d’apprentissage de règles à des paramètres de données plus vastes ; 36 mois. Incorporer de nouvelles primitives pour exprimer des règles complexes ; 36 mois. Implémenter des algorithmes d'apprentissage de règles sur des tâches de base

Collaborateurs et enquêteurs

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

Parrainer

Abramson Cancer Center at Penn Medicine

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)

29 novembre 2025

Achèvement primaire (Estimé)

1 novembre 2028

Achèvement de l'étude (Estimé)

1 novembre 2028

Dates d'inscription aux études

Première soumission

15 novembre 2024

Première soumission répondant aux critères de contrôle qualité

15 novembre 2024

Première publication (Réel)

19 novembre 2024

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

25 février 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

23 février 2026

Dernière vérification

1 février 2026

Plus d'information

Termes liés à cette étude

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • 34124

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