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.

Diagnostic précoce et prédiction des maladies maternelles et néonatales : (EDPMND)

16 avril 2025 mis à jour par: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Prédiction précoce et diagnostic des maladies maternelles et néonatales à l'aide de données de santé multimodales

Il s'agit d'une étude clinique multicentrique rétrospective conçue pour évaluer l'application et l'efficacité d'un modèle prédictif assisté par l'IA pour identifier les maladies maternelles et néonatales, en exploitant les données de santé multimodales.

Aperçu de l'étude

Statut

Recrutement

Les conditions

Intervention / Traitement

Description détaillée

La santé maternelle et néonatale a un impact significatif sur le bien-être des mères et des nourrissons. Le dépistage, le diagnostic et l’intervention précoces sont cruciaux pour prévenir l’apparition et la progression des maladies liées à la grossesse et des affections néonatales. Dans la pratique clinique, les obstétriciens et les pédiatres doivent souvent intégrer un large éventail de données sur les patients, notamment des informations démographiques, des antécédents médicaux, des marqueurs biochimiques tels que la glycémie et les taux de lipides, ainsi que diverses données d'imagerie telles que les échographies, la surveillance fœtale et les analyses de laboratoire. résultats des tests, pour poser un diagnostic précis et élaborer un plan de soins approprié. À une époque où la médecine de précision et la médecine personnalisée sont à l’avant-garde des soins de santé, la détection et le diagnostic précoces des maladies maternelles et néonatales, ainsi que la sélection de stratégies diagnostiques et thérapeutiques appropriées, sont devenus des défis importants en milieu clinique. Les progrès récents dans les techniques d’imagerie médicale et d’analyse des données ont considérablement amélioré la précision et l’efficacité du diagnostic des maladies maternelles et néonatales. Cette étude vise à développer un système de prise de décision assisté par IA en intégrant des données multimodales provenant de dossiers médicaux électroniques, d'imagerie et de résultats de laboratoire, en combinaison avec des techniques d'apprentissage profond. L'objectif est d'améliorer la précision du diagnostic, de rationaliser les flux de travail cliniques et de fournir des options de soins plus personnalisées aux mères et aux nourrissons. En fin de compte, ce système vise à améliorer les résultats en matière de santé et la qualité de vie globale des mères et de leurs nouveau-nés.

Type d'étude

Observationnel

Inscription (Estimé)

1000000

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
    • Guangdong
      • Guangzhou, Guangdong, Chine
        • Recrutement
        • Guangzhou Women and Children's Medical Center
        • Contact:
    • Zhejiang
      • Wenzhou, Zhejiang, Chine
        • Recrutement
        • First Affiliated Hospital of Wenzhou Medical University
        • Contact:
      • Wenzhou, Zhejiang, Chine
        • Recrutement
        • Second Affiliated Hospital of Wenzhou Medical University
        • Contact:

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

Accepte les volontaires sains

Oui

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

La population étudiée est constituée de femmes enceintes âgées de 18 à 45 ans ayant reçu des soins dans les centres d'études participants. Les participants doivent disposer de dossiers de santé électroniques (DSE) complets, y compris des données de soins prénatals, des résultats de laboratoire ou des données d'imagerie. Les mères en bonne santé et celles souffrant de maladies liées à la grossesse (par exemple, prééclampsie, diabète gestationnel) seront incluses dans l'étude pour évaluer les capacités de diagnostic du modèle assisté par l'IA. L'étude se concentrera sur les patients ayant des dossiers de soins documentés des centres participants.

La description

Critères d'inclusion:

  1. Les femmes enceintes âgées de 18 à 45 ans.
  2. Les femmes qui ont reçu des soins prénatals dans les centres participants (par exemple, les hôpitaux ou les cliniques).
  3. Disponibilité de dossiers de santé électroniques complets, y compris les données de soins prénatals, les résultats de laboratoire et les dossiers d'imagerie.
  4. Volonté de donner son consentement à la participation à l'étude et à l'utilisation de données de santé historiques pour l'analyse.

Critères d'exclusion:

  1. Femmes de moins de 18 ans ou de plus de 45 ans.
  2. Participants disposant de données de suivi insuffisantes ou manquant d'informations cliniques critiques requises pour la modélisation prédictive.

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
Cohorte maternelle et néonatale en bonne santé
Ce groupe se compose de mères enceintes sans maladies liées à la grossesse et de leurs nouveau-nés en bonne santé. Les participants à cette cohorte serviront de groupe témoin pour la comparaison avec le groupe expérimental. Aucune intervention ou traitement ne sera administré à cette cohorte, car ils représentent la base de grossesses saines et des nouveau-nés.
Test diagnostique: Modèle diagnostique et pronostique basé sur l'IA
Cette intervention implique un système d'IA qui intègre des données multimodales, notamment les dossiers de santé maternelle, les résultats des tests de laboratoire et les données d'imagerie, pour prédire le risque de maladies maternelles et néonatales. Le système utilise des algorithmes d’apprentissage profond pour fournir des prédictions précises en temps réel, permettant une identification précoce des complications de santé. En analysant les données historiques sur la santé, le modèle vise à prédire les risques potentiels pour les mères et les nourrissons, améliorant ainsi l'intervention précoce et les résultats.
Cohorte des maladies maternelles et néonatales
Ce groupe est constitué de femmes enceintes chez qui on a diagnostiqué des maladies liées à la grossesse ou de leurs nouveau-nés atteints. Les participants à cette cohorte serviront de groupe expérimental pour évaluer l'efficacité du modèle de prédiction précoce pour identifier les risques pour la santé maternelle et néonatale.
Test diagnostique: Modèle diagnostique et pronostique basé sur l'IA
Cette intervention implique un système d'IA qui intègre des données multimodales, notamment les dossiers de santé maternelle, les résultats des tests de laboratoire et les données d'imagerie, pour prédire le risque de maladies maternelles et néonatales. Le système utilise des algorithmes d’apprentissage profond pour fournir des prédictions précises en temps réel, permettant une identification précoce des complications de santé. En analysant les données historiques sur la santé, le modèle vise à prédire les risques potentiels pour les mères et les nourrissons, améliorant ainsi l'intervention précoce et les résultats.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Zone sous la courbe (AUC)
Délai: 1 an
AUC de la courbe ROC, utilisée pour quantifier la précision du diagnostic. Aucune unité (un rapport ou un pourcentage, généralement exprimé sous la forme d'un nombre compris entre 0 et 1).
1 an
Score F1
Délai: 1 an
Le score F1 est la moyenne harmonique de précision et de sensibilité (rappel). C'est une bonne mesure de la capacité du modèle à identifier à la fois les vrais positifs et à minimiser les faux positifs, en particulier dans les cas où les classes sont déséquilibrées (par exemple, lorsque le nombre de cas sains est beaucoup plus élevé que celui des cas malades). Le score F1 va de 0 à 1, 1 indiquant une précision et un rappel parfaits.
1 an

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Sensibilité (véritable taux positif)
Délai: 1 an
La sensibilité mesure dans quelle mesure le modèle d’IA identifie les vrais cas positifs, par exemple en diagnostiquant correctement les femmes enceintes présentant des complications ou en identifiant des troubles néonatals.
1 an
Spécificité (véritable taux négatif)
Délai: 1 an
La spécificité mesure la capacité du modèle d'IA à identifier correctement les cas sans maladies, garantissant que les mères et les nourrissons en bonne santé sont correctement identifiés comme négatifs.
1 an

Collaborateurs et enquêteurs

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

Parrainer

The Eye Hospital of Wenzhou Medical University

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)

1 août 2023

Achèvement primaire (Estimé)

1 mai 2025

Achèvement de l'étude (Estimé)

1 mai 2025

Dates d'inscription aux études

Première soumission

19 janvier 2025

Première soumission répondant aux critères de contrôle qualité

19 janvier 2025

Première publication (Réel)

24 janvier 2025

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

17 avril 2025

Dernière mise à jour soumise répondant aux critères de contrôle qualité

16 avril 2025

Dernière vérification

1 avril 2025

Plus d'information

Termes liés à cette étude

Mots clés

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • Maternal and Neonatal Diseases

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

produit fabriqué et exporté des États-Unis.

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