Previsione basata sull'intelligenza artificiale delle infezioni acquisite in ospedale con EHR
16 aprile 2025 aggiornato da: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Prevedere le infezioni acquisite ospedaliere utilizzando le cartelle cliniche elettroniche: un approccio assistito dall'IA
Si tratta di uno studio clinico retrospettivo multicentrico progettato per valutare l’applicazione e l’efficacia di un modello predittivo assistito dall’intelligenza artificiale per identificare e diagnosticare l’infezione, sfruttando i dati sanitari multimodali.
Panoramica dello studio
Stato
Reclutamento
Condizioni
Intervento / Trattamento
Descrizione dettagliata
Le infezioni acquisite in ospedale (HAIS) sono una causa significativa di morbilità e mortalità in ambito sanitario.
L'identificazione precoce e la prevenzione degli HAI sono cruciali per migliorare i risultati dei pazienti, ridurre i costi sanitari e prevenire la diffusione delle infezioni.
Nella pratica clinica, gli operatori sanitari devono spesso integrare una vasta gamma di dati sui pazienti, tra cui storia medica, risultati dei test di laboratorio, utilizzo dei farmaci, procedure chirurgiche e osservazioni cliniche, per valutare i rischi di infezione e prevenire le HAI.
Man mano che il controllo delle infezioni e la medicina di precisione diventano sempre più importanti, la sfida rimane quella di prevedere e prevenire le infezioni, specialmente nei pazienti con fattori di rischio sottili o asintomatici.
I recenti progressi nelle tecniche di intelligenza artificiale e analisi dei dati hanno mostrato grandi promesse nel migliorare l'accuratezza e l'efficienza della previsione e della prevenzione delle infezioni.
Questo studio mira a sviluppare un sistema decisionale assistito dall'IA integrando dati multimodali da cartelle cliniche elettroniche, risultati di laboratorio, osservazioni cliniche e dati demografici dei pazienti.
L'obiettivo è migliorare l'identificazione precoce dei pazienti a rischio di HAIS, semplificare i flussi di lavoro clinici e ottimizzare le misure di controllo delle infezioni.
In definitiva, questo sistema cerca di ridurre l'incidenza di infezioni acquisite in ospedale, migliorare la sicurezza dei pazienti e migliorare la qualità della salute generale.
Tipo di studio
Osservativo
Iscrizione (Stimato)
1000000
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Contatto studio
- Nome: Fei Liu, MD
- Numero di telefono: +86 13810512704
- Email: liufei_2359@163.com
Luoghi di studio
-
-
Zhejiang
-
Wenzhou, Zhejiang, Cina
- Reclutamento
- First Affiliated Hospital of Wenzhou Medical University
-
Contatto:
- Cheng Tang
- Email: c249325687@163.com
-
Wenzhou, Zhejiang, Cina
- Reclutamento
- Second Affiliated Hospital of Wenzhou Medical University
-
Contatto:
- Sian Liu
- Numero di telefono: +86-0577-88002888
- Email: liusan@mail3.sysu.edu.cn
-
-
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
- Bambino
- Adulto
- Adulto più anziano
Accetta volontari sani
Sì
Metodo di campionamento
Campione non probabilistico
Popolazione di studio
La popolazione dello studio è composta da individui che hanno ricevuto assistenza nei centri di studio partecipanti.
I partecipanti devono disporre di cartelle cliniche elettroniche complete (EHR), tra cui storia medica, risultati dei test di laboratorio, dati di trattamento e osservazioni cliniche.
Entrambe le persone che hanno sviluppato infezioni acquisite in ospedale (HAIS) e coloro che non lo fanno saranno inclusi nello studio per valutare le capacità predittive del modello Ai-assistito per il rischio di infezione.
Lo studio si concentrerà su pazienti con record di assistenza completi e documentati dai centri partecipanti, garantendo una coorte diversificata per l'analisi in diversi gruppi di età e tipi di infezione.
Descrizione
Criteri di inclusione:
- Pazienti con dati EHR completi e accessibili, tra cui anamnesi medica, risultati dei test di laboratorio, regimi di trattamento, osservazioni cliniche e storia delle infezioni.
- Pazienti che sono stati ricoverati presso l'ospedale o la struttura sanitaria partecipante durante il periodo di studio.
- Tutti i partecipanti devono fornire il consenso informato per utilizzare i propri dati sanitari a fini di ricerca.
Criteri di esclusione:
- Pazienti con dati EHR critici incompleti o mancanti, come i risultati del laboratorio, la storia medica o i dettagli del trattamento, che sono necessari per la previsione delle infezioni.
- I pazienti che hanno gravi disturbi cognitivi, demenza o condizioni che impediscono loro di fornire consenso informato o di partecipare allo studio.
- Pazienti che non sono stati ricoverati in ospedale durante il periodo dello studio o che ricevono solo cure ambulatoriali.
- Pazienti con condizioni terminali in cui la previsione dell'infezione potrebbe non essere applicabile agli obiettivi clinici dello studio.
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 |
|---|---|
|
Coorte di infezione acquisita in ospedale
Questo gruppo è costituito da pazienti che hanno sviluppato un’infezione acquisita in ospedale (HAI) durante la degenza ospedaliera.
I partecipanti a questa coorte verranno utilizzati per valutare l'efficacia del modello predittivo assistito dall'intelligenza artificiale nell'identificazione dei fattori di rischio che portano alle infezioni acquisite in ospedale.
Il modello sarà valutato in base all’accuratezza della previsione dei rischi di infezione nei pazienti ospedalizzati.
Non verranno forniti interventi specifici come parte di questa coorte oltre alle pratiche esistenti di controllo delle infezioni ospedaliere.
|
Questo intervento prevede un sistema di intelligenza artificiale che integra dati multimodali, tra cui la storia medica dei pazienti, i risultati dei test di laboratorio, le osservazioni cliniche e i dati di trattamento, per prevedere il rischio di infezioni acquisite in ospedale (HAIS).
Il sistema utilizza algoritmi di apprendimento profondo per fornire previsioni in tempo reale e accurate, consentendo l'identificazione precoce dei pazienti a rischio di infezioni.
Analizzando i dati sanitari storici, il modello mira a prevedere potenziali sviluppi di infezione, migliorando la rilevazione precoce, le strategie di prevenzione e i risultati dei pazienti in ambito ospedaliero.
|
|
Coorte sana (nessuna ICA)
Questo gruppo è costituito da pazienti che non hanno sviluppato infezioni acquisite in ospedale durante la degenza in ospedale.
I partecipanti a questa coorte fungeranno da gruppo di controllo per il confronto con il gruppo sperimentale.
Il modello Ai-Assistito sarà valutato per la sua capacità di distinguere tra pazienti che sono a rischio di sviluppare infezioni e coloro che rimangono privi di infezioni durante il ricovero.
Non saranno forniti interventi come parte di questa coorte, poiché rappresentano i pazienti senza complicanze correlate alle infezioni.
|
Questo intervento prevede un sistema di intelligenza artificiale che integra dati multimodali, tra cui la storia medica dei pazienti, i risultati dei test di laboratorio, le osservazioni cliniche e i dati di trattamento, per prevedere il rischio di infezioni acquisite in ospedale (HAIS).
Il sistema utilizza algoritmi di apprendimento profondo per fornire previsioni in tempo reale e accurate, consentendo l'identificazione precoce dei pazienti a rischio di infezioni.
Analizzando i dati sanitari storici, il modello mira a prevedere potenziali sviluppi di infezione, migliorando la rilevazione precoce, le strategie di prevenzione e i risultati dei pazienti in ambito ospedaliero.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Area sotto la curva (AUC)
Lasso di tempo: 1 anno
|
AUC della curva ROC, utilizzata per quantificare l'accuratezza diagnostica.
Nessuna unità (un rapporto o una percentuale, generalmente espressa come un numero compreso tra 0 e 1).
|
1 anno
|
|
Punteggio F1
Lasso di tempo: 1 anno
|
Il punteggio F1 è la media armonica di precisione e sensibilità (richiamo).
È una buona misura della capacità del modello di identificare sia i veri positivi che minimizzare i falsi positivi, specialmente nei casi in cui le classi sono squilibrate (ad esempio, quando il numero di casi sani è molto più alto dei casi di malattia).
Il punteggio F1 varia da 0 a 1, con 1 che indica precisione e richiamo perfetti.
|
1 anno
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Sensibilità (tasso di veri positivi)
Lasso di tempo: 1 anno
|
La sensibilità misura il modo in cui il modello AI identifica i veri casi positivi, come la diagnosi corretta delle donne in gravidanza con complicanze o identificare i disturbi neonatali.
|
1 anno
|
|
Specificità (tasso di veri negativi)
Lasso di tempo: 1 anno
|
La specificità misura la capacità del modello AI di identificare correttamente i casi senza malattie, garantendo che madri e neonati sani siano correttamente identificati come negativi.
|
1 anno
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
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)
1 febbraio 2023
Completamento primario (Stimato)
1 maggio 2025
Completamento dello studio (Stimato)
1 maggio 2025
Date di iscrizione allo studio
Primo inviato
19 gennaio 2025
Primo inviato che soddisfa i criteri di controllo qualità
19 gennaio 2025
Primo Inserito (Effettivo)
24 gennaio 2025
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
17 aprile 2025
Ultimo aggiornamento inviato che soddisfa i criteri QC
16 aprile 2025
Ultimo verificato
1 aprile 2025
Maggiori informazioni
Termini relativi a questo studio
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- Hospital-Acquired Infections
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
prodotto fabbricato ed esportato dagli 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 .