Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

IA sicura e spiegabile

23 febbraio 2026 aggiornato da: Abramson Cancer Center at Penn Medicine

PROCESSO DECISIONALE SICURO E SPIEGABILE BASATO SULL'AI PER UN SUPPORTO DECISIONALE CLINICO PERSONALIZZATO

Sebbene l’attuale tecnologia dell’intelligenza artificiale sia adatta per automatizzare alcune attività cliniche ripetitive, permangono sfide tecniche nella risoluzione di problemi critici e redditizi nei settori della gestione dei pazienti e delle malattie. La ricerca proposta cerca di affrontare le questioni legate all’intelligenza artificiale medica, come l’integrazione efficace delle conoscenze mediche, la formulazione di raccomandazioni sull’intelligenza artificiale spiegabili ai medici e la creazione di garanzie di sicurezza.

Panoramica dello studio

Stato

Reclutamento

Condizioni

Intervento / Trattamento

Tipo di studio

Osservativo

Iscrizione (Stimato)

300000

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Contatto studio

Backup dei contatti dello studio

Luoghi di studio

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

  • Adulto
  • Adulto più anziano

Accetta volontari sani

No

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Lo studio esaminerà i dati EMR di pazienti cardiaci, oncologici e a rischio di contrarre la sepsi.

Ciascun gruppo ha criteri di inclusione-esclusione chiaramente definiti. Affinché il modello di apprendimento automatico possa prevedere le aritmie ventricolari e l'arresto cardiaco ospedaliero, costruiremo coorti di pazienti costituite da pazienti adulti (cioè di età pari o superiore a 18 anni) ricoverati in letti accessibili in infermeria all'interno di un ospedale Penn Medicine dal 2020 al presenti così come i pazienti identificati come affetti da arresto cardiaco utilizzando le registrazioni EHR.

Descrizione

Criteri di inclusione:

Cardiologia Di età pari o superiore a 18 anni, ricoverato in uno qualsiasi degli ospedali Penn Medicine dal 2017 ad oggi. Sepsi I maggiori di 18 anni al momento della presentazione al pronto soccorso o il ricovero in qualsiasi ospedale Penn Medicine dal 1 luglio 2017 in poi saranno idonei in quanto rappresentano la popolazione a rischio di contrarre la sepsi. Oncologia di 18 anni di età e oltre con un diagnosi di cancro al seno invasivo (Stadio 1-4) nel registro Penn Cancer

Criteri di esclusione Tutti i modelli di previsione escluderanno i pazienti di età inferiore ai 18 anni dai rispettivi set di dati dei pazienti.

Cardiologia Pazienti la cui diagnosi primaria di ricovero è stata arresto cardiaco Sepsi Quelli con limitazioni preesistenti sulla terapia di sostentamento vitale saranno esclusi perché la loro idoneità alle definizioni di sepsi, alle cure ricevute e agli esiti può essere influenzata in modo significativo e variabile da limitazioni preesistenti alle cure . Oncologia Non sono previste altre esclusioni.

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
Cardiologia
L'obiettivo principale in questo scenario di caso clinico è quello di valutare un modello ML utilizzando la telemetria cardiaca in tempo reale, nonché altre fonti di dati strutturati clinici, demografici e di imaging, tra i pazienti ospedalizzati in unità di terapia intensiva (ICU) per prevedere l'imminente arresto cardiaco intraospedaliero. arresto cardiaco, identificare cause potenzialmente reversibili di arresto cardiaco e prevedere quali pazienti potrebbero avere un arresto cardiaco imminente a causa di ritmi trattabili, ad esempio tachicardia ventricolare (TV) o fibrillazione ventricolare (VF).
Altro: SUPPORTO ALLE DECISIONI CLINICHE PERSONALIZZATO CON AI
PROCESSO DECISIONALE ABILITATO ALL'AI PER UN SUPPORTO DECISIONALE CLINICO PERSONALIZZATO
Oncologia - Cancro al seno
L'obiettivo principale in questo scenario di caso clinico è valutare un modello ML utilizzando dati strutturati e non strutturati provenienti dal sequenziamento clinico, demografico e molecolare e germinale del tumore, tra pazienti ambulatoriali affetti da cancro, per prevedere la mortalità a breve termine e/o il declino dei sintomi. Il modello per la previsione della risposta al trattamento nelle pazienti con cancro al seno sarà confrontato con due strumenti prognostici: 1) Conversation Connect, uno strumento di previsione della mortalità basato sull'apprendimento automatico precedentemente convalidato che è stato utilizzato presso l'Università della Pennsylvania per il supporto decisionale clinico di routine, e 2) l’Elixhauser Comorbidity Index, un indice prognostico basato sulla comorbidità utilizzato comunemente nella ricerca e nell’aggiustamento del rischio.
Altro: SUPPORTO ALLE DECISIONI CLINICHE PERSONALIZZATO CON AI
PROCESSO DECISIONALE ABILITATO ALL'AI PER UN SUPPORTO DECISIONALE CLINICO PERSONALIZZATO
Sepsi
L'obiettivo principale in questo scenario di caso clinico è sviluppare e valutare un modello ML che utilizzi dati clinici multimodali (ad esempio, dati EHR strutturati come dati demografici, risultati di test di laboratorio e segni vitali; dati EHR non strutturati incluso il testo delle note sull'incontro clinico e , ove disponibili, forme d'onda provenienti da dispositivi di monitoraggio cardiaco, emodinamico e respiratorio in tempo reale) per prevedere la necessità di iniziare una terapia antimicrobica ad ampio spettro per i pazienti ospedalizzati con sepsi. Concentrandoci sull'intelligenza artificiale implementabile e spiegabile, produrremo previsioni ben calibrate che siano anche clinicamente significative al capezzale del paziente per aiutare il processo decisionale in tempo reale sulla diagnosi e sull'inizio del trattamento. Il modello per la diagnosi e l’intervento tempestivi nella sepsi sarà confrontato con modelli di previsione della sepsi commerciali e open source ampiamente utilizzati.
Altro: SUPPORTO ALLE DECISIONI CLINICHE PERSONALIZZATO CON AI
PROCESSO DECISIONALE ABILITATO ALL'AI PER UN SUPPORTO DECISIONALE CLINICO PERSONALIZZATO

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Algoritmi di apprendimento neurosimbolico
Lasso di tempo: Prototipare e sviluppare nuovi algoritmi di apprendimento; 18 mesi. Confrontare e valutare gli algoritmi di apprendimento; 24 mesi. Pubblicare i risultati della ricerca; 24 mesi
Sviluppare e valutare nuovi algoritmi per l'addestramento di modelli neurosimbolici. Svilupperemo algoritmi efficienti in termini di dati e calcolo per l'addestramento end-to-end di modelli neurosimbolici. Questo compito ridurrà l'onere per gli esperti medici di fornire etichette a grana fine su voluminosi dati EHR.
Prototipare e sviluppare nuovi algoritmi di apprendimento; 18 mesi. Confrontare e valutare gli algoritmi di apprendimento; 24 mesi. Pubblicare i risultati della ricerca; 24 mesi
Metodi di spiegazione
Lasso di tempo: Prototipare e sviluppare nuovi algoritmi di spiegazione; 18 mesi. Ottenere garanzie certificate per le spiegazioni; 18 mesi. Confrontare e valutare gli algoritmi di spiegazione; 24 mesi. Estendere i certificati a nuove proprietà e attività; 30 mesi. Publ
Svilupperemo nuove tecniche di intelligenza artificiale spiegabili dotate di garanzie verificabili. Queste garanzie consentiranno la fiducia e la trasparenza nell’intelligenza artificiale a un livello fondamentale.
Prototipare e sviluppare nuovi algoritmi di spiegazione; 18 mesi. Ottenere garanzie certificate per le spiegazioni; 18 mesi. Confrontare e valutare gli algoritmi di spiegazione; 24 mesi. Estendere i certificati a nuove proprietà e attività; 30 mesi. Publ
Metodi per le garanzie di sicurezza
Lasso di tempo: Prototipare e sviluppare nuovi algoritmi di apprendimento delle regole; 30 mesi. Adatta gli algoritmi di apprendimento delle regole a impostazioni di dati più grandi; 36 mesi. Incorporare nuove primitive per esprimere regole complesse; 36 mesi. Implementare algoritmi di apprendimento delle regole sulle attività di base
Svilupperemo nuovi algoritmi in grado di estrarre in modo scalabile regole logiche complesse che governano la sicurezza all’interno dei dati che hanno garanzie statistiche. Queste tecniche saranno radicate nell'analisi statistica e assisteranno gli utenti nell'identificazione dei dati fuori distribuzione e nel rilevamento delle anomalie.
Prototipare e sviluppare nuovi algoritmi di apprendimento delle regole; 30 mesi. Adatta gli algoritmi di apprendimento delle regole a impostazioni di dati più grandi; 36 mesi. Incorporare nuove primitive per esprimere regole complesse; 36 mesi. Implementare algoritmi di apprendimento delle regole sulle attività di base

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Abramson Cancer Center at Penn Medicine

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Effettivo)

29 novembre 2025

Completamento primario (Stimato)

1 novembre 2028

Completamento dello studio (Stimato)

1 novembre 2028

Date di iscrizione allo studio

Primo inviato

15 novembre 2024

Primo inviato che soddisfa i criteri di controllo qualità

15 novembre 2024

Primo Inserito (Effettivo)

19 novembre 2024

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

25 febbraio 2026

Ultimo aggiornamento inviato che soddisfa i criteri QC

23 febbraio 2026

Ultimo verificato

1 febbraio 2026

Maggiori informazioni

Termini relativi a questo studio

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • 34124

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

NO

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .

Sottoscrivi