Prédiction dirigée par l'IA des infections acquises par l'hôpital par DSE
16 avril 2025 mis à jour par: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Prédire les infections acquises à l'hôpital utilisant des dossiers de santé électroniques: une approche assistée par l'IA
Il s'agit d'une étude clinique rétrospective multicentrique conçue pour évaluer l'application et l'efficacité d'un modèle prédictif assisté par l'IA pour identifier et diagnostiquer l'infection, en tirant parti des données de santé multimodales.
Aperçu de l'étude
Statut
Recrutement
Les conditions
Intervention / Traitement
Description détaillée
Les infections nosocomiales (IAS) sont une cause importante de morbidité et de mortalité dans les établissements de soins.
L’identification et la prévention précoces des IAS sont cruciales pour améliorer les résultats pour les patients, réduire les coûts des soins de santé et prévenir la propagation des infections.
Dans la pratique clinique, les prestataires de soins de santé doivent souvent intégrer un large éventail de données sur les patients, notamment les antécédents médicaux, les résultats des tests de laboratoire, l'utilisation des médicaments, les interventions chirurgicales et les observations cliniques, pour évaluer les risques d'infection et prévenir les IAS.
Alors que le contrôle des infections et la médecine de précision deviennent de plus en plus importants, le défi reste de prédire et de prévenir les infections, en particulier chez les patients présentant des facteurs de risque subtils ou asymptomatiques.
Les progrès récents dans les techniques d’intelligence artificielle et d’analyse des données se sont révélés très prometteurs pour améliorer la précision et l’efficacité de la prévision et de la prévention des infections.
Cette étude vise à développer un système de prise de décision assisté par l'IA en intégrant des données multimodales provenant des dossiers de santé électroniques, des résultats de laboratoire, des observations cliniques et des données démographiques des patients.
L'objectif est d'améliorer l'identification précoce des patients à risque d'IAS, de rationaliser les flux de travail cliniques et d'optimiser les mesures de contrôle des infections.
En fin de compte, ce système vise à réduire l’incidence des infections nosocomiales, à améliorer la sécurité des patients et à améliorer la qualité globale des soins de santé.
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
- Nom: Fei Liu, MD
- Numéro de téléphone: +86 13810512704
- E-mail: liufei_2359@163.com
Lieux d'étude
-
-
Zhejiang
-
Wenzhou, Zhejiang, Chine
- Recrutement
- First Affiliated Hospital of Wenzhou Medical University
-
Contact:
- Cheng Tang
- E-mail: c249325687@163.com
-
Wenzhou, Zhejiang, Chine
- Recrutement
- Second Affiliated Hospital of Wenzhou Medical University
-
Contact:
- Sian Liu
- Numéro de téléphone: +86-0577-88002888
- E-mail: liusan@mail3.sysu.edu.cn
-
-
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
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Oui
Méthode d'échantillonnage
Échantillon non probabiliste
Population étudiée
La population étudiée est composée d'individus ayant reçu des soins dans les centres d'études participants.
Les participants doivent disposer d'un dossier de santé électronique (DSE) complet, comprenant les antécédents médicaux, les résultats des tests de laboratoire, les données de traitement et les observations cliniques.
Les personnes qui ont développé des infections nosocomiales (IAS) et celles qui ne l'ont pas été seront incluses dans l'étude pour évaluer les capacités prédictives du modèle assisté par IA pour le risque d'infection.
L'étude se concentrera sur les patients disposant de dossiers de soins complets et documentés provenant des centres participants, garantissant ainsi une cohorte diversifiée pour l'analyse dans différents groupes d'âge et types d'infection.
La description
Critères d'inclusion:
- Patients disposant de données DSE complètes et accessibles, y compris les antécédents médicaux, les résultats des tests de laboratoire, les schémas thérapeutiques, les observations cliniques et les antécédents d'infection.
- Les patients qui ont été admis à l'hôpital ou à l'étage de santé participant pendant la période d'étude.
- Tous les participants doivent donner leur consentement éclairé pour utiliser leurs données de santé à des fins de recherche.
Critères d'exclusion :
- Patients dont les données DSE critiques sont incomplètes ou manquantes, telles que les résultats de laboratoire, les antécédents médicaux ou les détails du traitement, qui sont nécessaires à la prédiction de l'infection.
- Les patients souffrant de troubles cognitifs graves, de démence ou de conditions qui les empêchent de fournir un consentement éclairé ou de participer à l'étude.
- Les patients qui n'ont pas été admis à l'hôpital pendant la période d'étude ou qui ne reçoivent des soins ambulatoires uniquement.
- Les patients souffrant de conditions de terminal où la prédiction de l'infection peut ne pas être applicable aux objectifs cliniques de l'étude.
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 d’infections nosocomiales
Ce groupe est composé de patients qui ont développé une infection acquise par l'hôpital (HAI) pendant leur séjour à l'hôpital.
Les participants à cette cohorte seront utilisés pour évaluer l'efficacité du modèle prédictif assisté par l'IA dans l'identification des facteurs de risque conduisant à des infections acquises par l'hôpital.
Le modèle sera évalué en fonction de la précision de la prévision des risques d'infection chez les patients hospitalisés.
Aucune intervention spécifique ne sera fournie dans le cadre de cette cohorte au-delà des pratiques de contrôle des infections hospitalières existantes.
|
Cette intervention implique un système d'IA qui intègre des données multimodales, notamment les antécédents médicaux du patient, les résultats des tests de laboratoire, les observations cliniques et les données de traitement, pour prédire le risque d'infections nosocomiales (IAS).
Le système utilise des algorithmes d’apprentissage profond pour fournir des prédictions précises en temps réel, permettant une identification précoce des patients à risque d’infection.
En analysant les données historiques sur la santé, le modèle vise à prédire l’évolution potentielle des infections, améliorant ainsi la détection précoce, les stratégies de prévention et les résultats pour les patients en milieu hospitalier.
|
|
Cohorte saine (pas de hai)
Ce groupe est composé de patients qui n'ont développé aucune infection à l'hôpital pendant leur séjour à l'hôpital.
Les participants à cette cohorte serviront de groupe témoin pour la comparaison avec le groupe expérimental.
Le modèle assisté par l'IA sera évalué pour sa capacité à faire la distinction entre les patients à risque de développer des infections et ceux qui restent sans infection pendant l'hospitalisation.
Aucune intervention ne sera fournie dans le cadre de cette cohorte, car ils représentent les patients sans complications liées à l'infection.
|
Cette intervention implique un système d'IA qui intègre des données multimodales, notamment les antécédents médicaux du patient, les résultats des tests de laboratoire, les observations cliniques et les données de traitement, pour prédire le risque d'infections nosocomiales (IAS).
Le système utilise des algorithmes d’apprentissage profond pour fournir des prédictions précises en temps réel, permettant une identification précoce des patients à risque d’infection.
En analysant les données historiques sur la santé, le modèle vise à prédire l’évolution potentielle des infections, améliorant ainsi la détection précoce, les stratégies de prévention et les résultats pour les patients en milieu hospitalier.
|
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.
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 février 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
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- Hospital-Acquired Infections
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 .