Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Természetes nyelvi feldolgozó eszköz fejlesztése a sürgősségi orvoslás klinikai kutatásának lehetővé tételére (NLP-DeVal)

Természetes nyelvi feldolgozó eszköz fejlesztése és validálása a sürgősségi és akut ellátásban végzett klinikai kutatások lehetővé tételére: Retrospektív kohorsz vizsgálat

Ennek a retrospektív kohorsz vizsgálatnak a célja egy olyan nyelvi modell kidolgozása és validálása, amely képes értelmezni a sürgősségi osztályok elektronikus kórlapjainak tartalmát, és kutatási célokra releváns információkat kinyerni minden olyan felnőtt betegről, aki három éven belül a résztvevő sürgősségi osztályokra érkezett. .

A fő kérdés, amelyre választ kíván adni: képes-e a nyelvi modell értelmezni a sürgősségi osztályok elektronikus kórlapjainak tartalmát, és kinyerni azokból a kért információkat, hogy azok segítségével pontos elemzéseket, előrejelzéseket lehessen készíteni?

A tanulmány retrospektív, és az adatokat automatikusan kivonják az egészségügyi nyilvántartásból.

A tanulmány áttekintése

Állapot

Toborzás

Körülmények

Beavatkozás / kezelés

Részletes leírás

A TANULMÁNY HÁTTERE ÉS INDOKLÁSA

A klinikai és az ellátás minőségét értékelő kutatások elvégzése a sürgősségi orvoslásban éppoly nehéz, mint amennyire fontos. Nehéz, mert a kezelésre szoruló betegek nagy száma és a krónikus munkaerőhiány nem teszi lehetővé az ad hoc adatgyűjtést. Ez azért fontos, mert a kutatás végső soron lehetővé teszi a sürgősségi orvosok és ápolók számára, hogy a saját, egyedi környezetükben szerzett bizonyítékokra alapozzák gyakorlatukat, szemben a távoli kontextusokban szerzett bizonyítékokkal, ahogy az manapság általában történik.

A kutatási igények és a robusztus adatok elérhetősége közötti szakadék áthidalásának egyetlen módja, ha közvetlenül a sürgősségi osztályok elektronikus egészségügyi nyilvántartásaiból (EHR) nyerik ki az adatokat, elkerülve a célzott, időigényes adatgyűjtést. Ez azonban nehéz feladat, mert a leghasznosabb információk szabad szöveges formátumban vannak (pl. jelek és tünetek jelenléte, feltételezett és megerősített diagnózis, anamnézis). Az ilyen körülmények és igények megbízható természetes nyelvi feldolgozó (NLP) eszközt igényelnek, amely rendkívül konzisztens adatokat nyerhet szabad szövegből.

Ma már olyan nagyszabású nyelvi modellek állnak rendelkezésre, amelyek pontosan tudják értelmezni a természetes nyelvet. Ezek a modellek nagy mennyiségű általános tudásra vannak kiképezve, amelyek többnyire az internetről származnak, így a speciálisabb területeken, például az orvosi területen teljesítményük nem biztos, hogy optimális.

A jelen tanulmány egy nagyobb projekt, az eCREAM (a sürgősségi és akut ellátás klinikai kutatásának lehetővé tétele) része, és célja egy olyan nyelvi modell (eCREAM_LM) ​​kidolgozása és validálása hat nyelven, amely képes értelmezni a sürgősségi osztályok EHR-einek tartalmát és releváns információkat kutatási célokra kinyerni.

MÓD

A tanulmány egy megfigyeléses, többközpontú, retrospektív, 24 hónapos vizsgálat. Harminc központ vesz részt a vizsgálatban: 13 Olaszországból, 4 Lengyelországból, 3 Görögországból, Szlovákiából, Szlovéniából és az Egyesült Királyságból, valamint 1 Svájcból. A központok nem kapnak kompenzációt, költségeiket azonban projektforrásokból fedezik.

Az eCREAM_LM modell fejlesztése és validálása.

Az eCREAM_LM a nyílt forráskódú modellek közül a legjobb általános modell betanításával és finomhangolásával kerül kifejlesztésre, és részben párhuzamos fázisokban fog haladni. A jelölt modellek hatalmas mennyiségű (milliárdnyi) orvosi szövegnek lesznek kitéve a tudományos irodalomból vagy más nyilvános forrásokból. Ezzel egyidejűleg a modellek hatalmas mennyiségű (millió) szabad szöveges jegyzetnek is ki lesznek téve a részt vevő kórházakban használatos orvosi feljegyzésekből. Ezután áttérünk a finomhangolásra, ahol nagy mennyiségű (több ezer) klinikai feljegyzést használnak majd fel, amelyeket ismét a résztvevő központok kórlapjaiból szereztek be. Ezeket a megjegyzéseket tapasztalt orvosok jegyzetekkel látják el, ami abból áll, hogy a jegyzetekből információkat kinyernek a virtuális adatgyűjtési űrlapon (vCRF) felsorolt ​​adatelemek kitöltéséhez. A vCRF-t egy kapcsolódó vizsgálathoz hozták létre, és olyan változókat tartalmaz, amelyek hasznosak a nehézlégzéssel vagy átmeneti eszméletvesztéssel küzdő betegek kórházi kezelésének előrejelzésében, ami a kapcsolódó vizsgálat célja. A jelenlegi tanulmányban a vCRF a nyelvi modell validálásának eszközeként fog szolgálni.

Az eCREAM_LM validálása egy 1000 klinikai jegyzetből álló, a fent leírtak szerint jegyzett, de a fejlesztési szakaszban nem használt klinikai jegyzetek segítségével történik. Ezeket a jegyzeteket elküldik az eCREAM_LM modellhez azzal a feladattal, hogy összeállítsák a vCRF-et. A szakértő orvosok és az eCREAM_LM közötti vCRF kitöltésének egyezése lesz az eCREAM_LM végső érvényesítésének mértéke.

Adatgyűjtés és anonimizálás

Minden részt vevő kórház ingyenes szöveges jegyzeteket bocsát rendelkezésre 150-300 000, 2021 és 2023 között kezelt felnőtt beteg kórlapjában. Ugyanazon beteg különböző aspektusaira (pl. anamnézis, objektív vizsgálat, vizsgálati eredmények) vonatkozó feljegyzések el lesznek különítve egymástól, így lehetetlen lesz rekonstruálni a beteg teljes profilját. Ezen túlmenően, a jegyzetekből eltávolítjuk a páciensre (pl. keresztnév, vezetéknév, születési dátum) és a kontextusra (pl. kórház, a központba érkezés dátuma és időpontja) való utalást. Ez a folyamat minimálisra csökkenti a betegek újbóli azonosításának valószínűségét, és maximalizálja jogaik védelmét. A páciens adatbázison belüli újraazonosításának valószínűsége attól függ, mennyire egyediek a jellemzői az adatbázisban szereplő többi személytől. Annak a valószínűsége, hogy egyedi, tehát azonosítható betegek lesznek, az adatbázisban elérhető információ mennyiségével nő, és csökken annak méretével. Ha eltávolítja az összes személyes és kontextuális információt a klinikai feljegyzésekből, és elválasztja az egyes jegyzeteket a többitől, az egyes megjegyzések csak a páciens néhány jellemzőjét közölik. Ezenkívül az azonos ország kórházaiból gyűjtött adatokat összevonják, így minden nyelvhez egy nagy adatbázis áll rendelkezésre. Ez gyakorlatilag nullázza annak a valószínűségét, hogy a jegyzetekből egyedileg azonosítható személyek legyenek.

Végül annak kizárása érdekében, hogy a feljegyzések harmadik felekről – például a betegek hozzátartozóinak nevét és telefonszámát – tartalmazzák, minden kórházban egy hitelesített névtelenítő szoftvert telepítenek, amely kifejezetten a személyes adatok szabad szövegből való eltávolítására szolgál.

Az anonimizálást követően az adatokat központosítják elemzés céljából, és feltöltik a tudományos közösség jelentős európai nyelvi erőforrás-megosztó platformjaira is.

Statisztikai analízis

Az eCREAM_LM validáció során felmérjük a szakértő sürgősségi orvosok és maga az eCREAM_LM közötti összhangot a vCRF kitöltése során. Az adatok egy 1000 jegyzetből álló mintára vonatkoznak minden egyes nyelven. A konkordanciát a vCRF minden egyes változójára a Cohen-féle κ-t használva értékeljük az egyetértés mértékeként. Az eCREAM_LM akkor tekinthető érvényesnek, ha Cohen κ értéke nagyobb, mint 0,75.

Minta nagysága

Feltéve, hogy az eCREAM_LM és a tapasztalt sürgősségi orvosok között kiváló megegyezés (κ=0,80) van a vCRF kitöltésében, legalább 735 jegyzetből álló mintára lesz szükség a megfelelő pontosság eléréséhez a jó egyetértés garantálásához (alsó konfidenciahatár 95%-os konfidencia intervallum Cohen κ nagyobb, mint 0,75). Ez a szám a különböző forgatókönyvek során kapott maximális mintanagyság, amelyek különböző számú kategóriát (2-től 5-ig) foglalnak magukban minden változóhoz és a mintában szereplő kategóriák különböző marginális eloszlását, beleértve a kiegyensúlyozott eloszlásokat (pl. 5 kategória a minta 20%-ával). minden kategóriában) és nagyon kiegyensúlyozatlan eredményeket (pl. 5 kategória a minta 1,8%-ával, 7,3%-ával, 16,4%-ával, 29,1%-ával és 45,5%-ával). Mivel egyes jegyzetekből hiányozhatnak az érdekes információk, ezért 1000 bankjegyen végezzük el az adatérvényesítési értékelést.

Tanulmány típusa

Megfigyelő

Beiratkozás (Becsült)

300000

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi kapcsolat

Tanulmányozza a kapcsolattartók biztonsági mentését

Tanulmányi helyek

      • Catania, Olaszország
        • Még nincs toborzás
        • AOU Policlinico 'G.Rodolico - San Marco'
        • Kapcsolatba lépni:
      • Milan, Olaszország
      • Milan, Olaszország
        • Még nincs toborzás
        • ASST Grande Ospedale Metropolitano Niguarda
        • Kapcsolatba lépni:
      • Orbassano, Olaszország
        • Még nincs toborzás
        • Ospedale San Luigi Gonzaga
        • Kapcsolatba lépni:
          • Valeria Caramello
          • Telefonszám: v.caramello@sa +39 011 90261
      • Pozzuoli, Olaszország
        • Még nincs toborzás
        • Ospedale Santa Maria delle Grazie
        • Kapcsolatba lépni:
      • Torino, Olaszország
      • Vercelli, Olaszország
        • Toborzás
        • Ospedale Sant'Andrea
        • Kapcsolatba lépni:
    • Milan
      • Milan, Milan, Olaszország, 20156
        • Még nincs toborzás
        • Istituto di Ricerche Farmacologiche Mario Negri IRCCS
        • Kapcsolatba lépni:

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Igen

Mintavételi módszer

Valószínűségi minta

Tanulmányi populáció

Minden felnőtt beteg, aki 2021. január 1. és 2023. december 31. között érkezett a részt vevő sürgősségi osztályokra

Leírás

Bevételi kritériumok:

  • Felnőtt
  • 2021. január 1. és 2023. december 31. között érkezett a sürgősségi osztályra

Kizárási kritériumok:

  • Egyik sem

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
Beavatkozás / kezelés
Felnőttek, akik a sürgősségi osztályon vettek részt
nincs beavatkozás

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Egyezés a virtuális esetbeszámoló űrlap kitöltésében
Időkeret: 1 hónap
Konkordancia szintje a virtuális esetbeszámoló űrlap kitöltésében a szakértő orvosok és az eCREAM_LM nyelvi modell között
1 hónap

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Nyomozók

  • Kutatásvezető: Guido Bertolini, Istituto Di Ricerche Farmacologiche Mario Negri

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2024. október 1.

Elsődleges befejezés (Becsült)

2027. január 1.

A tanulmány befejezése (Becsült)

2027. szeptember 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2024. január 26.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2024. január 26.

Első közzététel (Tényleges)

2024. február 5.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2026. július 15.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2026. július 14.

Utolsó ellenőrzés

2026. július 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • 8780

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

IGEN

IPD terv leírása

Az anonimizált, egyéni résztvevői adatokat feltöltik a tudományos közösség nagy európai nyelvi erőforrás-megosztó platformjaira, beleértve a European Language Grid adattárat (https://live.europeanlanguage-grid.eu), a CLARIN Virtual Language Observatory-t (https: //vlo.clarin.eu/?2), valamint az Európai Nyelvi Egyenlőség (ELE) kezdeményezés (https://european-language-equality.eu).

IPD megosztási időkeret

2025 decemberétől

Az IPD megosztását támogató információ típusa

  • STUDY_PROTOCOL
  • CSR

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

az Egyesült Államokban gyártott és onnan exportált termék

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Iratkozz fel