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.

Diagnosi e previsione del cancro basata sull'IA con EHR

25 luglio 2025 aggiornato da: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Diagnosi e previsione del cancro basata sull'intelligenza artificiale mediante cartelle cliniche elettroniche

Si tratta di uno studio clinico retrospettivo multicentrico progettato per valutare l'applicazione e l'efficacia di un modello predittivo assistito da AI per identificare e diagnosticare il cancro, sfruttando i dati di salute multimodale.

Panoramica dello studio

Stato

Reclutamento

Condizioni

Intervento / Trattamento

Descrizione dettagliata

La diagnosi del cancro e la diagnosi precoce sono fondamentali per migliorare gli esiti dei pazienti e i tassi di sopravvivenza. L’identificazione precoce dei tumori e l’intervento appropriato possono avere un impatto significativo sul successo e sulla prognosi del trattamento. Nella pratica clinica, gli oncologi hanno spesso bisogno di integrare una varietà di dati del paziente, tra cui l'anamnesi, i risultati dei test di laboratorio, i dati di imaging come scansioni TC e risonanza magnetica e marcatori genetici, per effettuare una diagnosi accurata e sviluppare un piano di trattamento personalizzato. Poiché la medicina di precisione diventa sempre più importante, la sfida rimane quella di identificare il cancro nelle fasi iniziali, soprattutto quando i sintomi sono subdoli o assenti. I recenti progressi nell’intelligenza artificiale e nelle tecniche di analisi dei dati si sono rivelati molto promettenti nel migliorare l’accuratezza diagnostica e la velocità di rilevamento del cancro. Questo studio mira a sviluppare un sistema decisionale assistito dall’intelligenza artificiale integrando dati multimodali provenienti da cartelle cliniche elettroniche, immagini, risultati di laboratorio e dati genetici. L’obiettivo è migliorare l’accuratezza diagnostica, ottimizzare i flussi di lavoro clinici e fornire opzioni di trattamento più personalizzate per i pazienti affetti da cancro. In definitiva, questo sistema mira a migliorare la diagnosi precoce, guidare strategie di trattamento efficaci e aumentare i tassi di sopravvivenza dei pazienti.

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

Luoghi di studio

  • Cina
    • Guangdong
      • Guangzhou, Guangdong, Cina
        • Reclutamento
        • Sun Yat-sen Memorial Hospital, Sun Yat-sen University
        • Contatto:
      • Guangzhou, Guangdong, Cina
        • Reclutamento
        • Guangzhou Women and Children's Medical Center
        • Contatto:
      • Guangzhou, Guangdong, Cina
        • Reclutamento
        • Nanfang Hospital
        • Contatto:
      • Guangzhou, Guangdong, Cina
        • Reclutamento
        • Sun Yat-sen University Cancer Hospital
        • Contatto:
    • Sichuan
      • Chengdu, Sichuan, Cina
        • Reclutamento
        • West China Hospital
        • Contatto:
    • Zhejiang
      • Wenzhou, Zhejiang, Cina
        • Reclutamento
        • First Affiliated Hospital of Wenzhou Medical University
        • Contatto:
      • Wenzhou, Zhejiang, Cina
        • Reclutamento
        • Second Affiliated Hospital of Wenzhou Medical University
        • Contatto:

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 di età compresa tra 0 e 90 anni 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 imaging e informazioni genetiche (se disponibili). Entrambe le persone con diagnosi di cancro (inclusi tumori pediatrici e adulti) e individui sani senza storia di cancro saranno inclusi nello studio per valutare le capacità diagnostiche e predittive del modello Ai-Assistite. 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 cancro.

Descrizione

Criteri di inclusione:

1、Pazienti con cartelle cliniche elettroniche (EHR) complete, inclusa l'anamnesi, i risultati dei test di laboratorio, i dati di imaging e i dati genetici (se disponibili).

2. Individui senza gravi disturbi cognitivi o condizioni che impedirebbero loro di fornire il consenso informato o di partecipare allo studio.

3. I genitori o i tutori devono fornire il consenso informato per i minori, mentre i partecipanti adulti devono fornire il consenso informato per se stessi.

Criteri di esclusione:

  1. Pazienti con dati chiave della cartella clinica elettronica incompleti o mancanti o dati di follow-up insufficienti.
  2. Individui con gravi disturbi cognitivi o altre malattie terminali che impedirebbero una partecipazione significativa.
  3. Le donne in gravidanza (sebbene vengano prese in considerazione i tumori pediatrici, le donne in gravidanza sarebbero escluse per motivi di sicurezza).

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 sana
Questo gruppo è composto da individui senza alcun cancro diagnosticato. I partecipanti a questa coorte fungeranno da gruppo di controllo per il confronto con il gruppo sperimentale. Nessun intervento o trattamento verrà somministrato a questa coorte, poiché rappresentano una base di individui sani.
Test diagnostico: Modello diagnostico e prognostico basato sull'intelligenza artificiale
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, i dati di imaging e le informazioni genetiche, per prevedere il rischio di cancro. Il sistema utilizza algoritmi di apprendimento profondo per fornire previsioni in tempo reale e accurate, consentendo l'identificazione precoce dei rischi del cancro. Analizzando i dati sulla salute storica, il modello mira a prevedere potenziali sviluppi del cancro, migliorando i risultati di rilevazione precoce e trattamento.
Coorte tumorale
Questo gruppo è costituito da individui con diagnosi di cancro, compresi vari tipi. I partecipanti a questa coorte fungeranno da gruppo sperimentale per valutare l'efficacia del modello di previsione precoce nell'identificazione dei rischi del cancro e nel miglioramento dell'accuratezza diagnostica.
Test diagnostico: Modello diagnostico e prognostico basato sull'intelligenza artificiale
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, i dati di imaging e le informazioni genetiche, per prevedere il rischio di cancro. Il sistema utilizza algoritmi di apprendimento profondo per fornire previsioni in tempo reale e accurate, consentendo l'identificazione precoce dei rischi del cancro. Analizzando i dati sulla salute storica, il modello mira a prevedere potenziali sviluppi del cancro, migliorando i risultati di rilevazione precoce e trattamento.

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.

Sponsor

The Eye Hospital of Wenzhou Medical University

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)

19 gennaio 2025

Completamento primario (Stimato)

1 ottobre 2025

Completamento dello studio (Stimato)

1 ottobre 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)

30 luglio 2025

Ultimo aggiornamento inviato che soddisfa i criteri QC

25 luglio 2025

Ultimo verificato

1 luglio 2025

Maggiori informazioni

Termini relativi a questo studio

Parole chiave

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • Cancer

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 .

Prove cliniche su Tumore

Prove cliniche su Modello diagnostico e prognostico basato sull'intelligenza artificiale

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in Chile

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

Sottoscrivi