小児クリニックにおける人工知能
2021年6月28日 更新者：Sijia Gu、Shanghai Jiao Tong University School of Medicine
小児科クリニックにおける人工知能の応用
中国では、子供の医療サービスの数は、子供のヘルスケアに対する需要の高まりにまだ大きく遅れをとっています。 子供の親が登録のために夜通し列を作るという現象は、もはや驚くべきことではありません。 これは、子供の数の増加と小児科の才能の不足によるものです。 小児科は年々患者数が増えていますが、小児科医は終始人手不足です。 大病院の小児科医は、外来診療に加えて、手術、科学研究、その他の業務も行っています。 その結果、多くの医師が休暇をあきらめざるを得なくなり、悲惨な気分になり、仕事への熱意が低下します。 また、長い待ち時間は患者の満足度を低下させ、小児科医と患者の間の対立を激化させました。
この研究プロジェクトでは、人間とコンピューターの統合システムを作成し、人工知能 (AI) を組み込んだ新しい診断プロセスを開発することを目指しています。 AI システムの機能には、主に 3 つの側面があります。 (1) 患者は AI が組み込まれた携帯電話のアプリケーションを使用して、医師の診察を受ける前に健康診断を受けることができます。 プログラムは、患者にいくつかの質問をします。 次に、患者の回答に基づいて、AI が一連の検査を推奨し、そのすべてが事前に医師によって確認されます。 患者が料金を支払えば、すぐに検査に行くことができます。 そのため、次に彼は検査報告書を持って医者に行くことができ、患者は列に並ぶ手間を省くことができます。 (2) 同時に、AI システムは病歴を自動化することもできます。 患者は空き時間に自助履歴の収集を完了します。 AI システムが病歴を収集し、医師のコンピューターに自動的にインポートします。 医師の主な仕事は、AI によって生成された病歴を修正することです。 ある程度、医師の負担が軽減されます。 (3) 訪問中に、AI システムは自動的に患者の電子カルテの情報を取り込み、可能な診断を生成します。 このプロセスは、経験の浅い医師にとって非常に役立ち、手がかりとなる可能性があります。
つまり、この研究は、患者の待ち時間を効果的に短縮し、医療体験を大幅に向上させるのに役立ちます。 医師の仕事の強度を減らしながら、当院の外来診療は効果的に最適化され、小児科医の不足をある程度緩和しています。
調査の概要
詳細な説明
モバイル アプリケーションとコンピュータ ソフトウェアに依存して、次のことを実現します。
- インテリジェントなガイダンスと部門のマッチング。
- インテリジェントな病歴収集と AI カルテ生成。
- 検査項目を自動的に推奨します。
- 臨床診断を支援し、インテリジェントな診断提案を行います。
研究の種類
介入
入学 (実際)
626
段階
- 適用できない
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究場所
-
-
-
Shanghai、中国
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai、Shanghai、中国、200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
就学可能な年齢
2ヶ月～18年 (子、大人)
健康ボランティアの受け入れ
いいえ
受講資格のある性別
全て
説明
包含基準:
生後2か月から18歳までの患者で、上海児童医療センターで治療を受けます。
除外基準:
- 参加に同意しない人。
- 協力できない人。
- フォローが苦手な方。
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
研究はどのように設計されていますか？
デザインの詳細
- 主な目的：ヘルスサービス研究
- 割り当て：ランダム化
- 介入モデル：並列代入
- マスキング：なし（オープンラベル）
武器と介入
参加者グループ / アーム |
介入・治療 |
|---|---|
|
実験的：定期的な外来サービスプロセスを持つ患者
登録後、患者は診療所の入り口で列に並びます。
彼の医師は、伝統的な方法で医療記録を手作業で入力し、独自に診断を行っています。
その後、患者は請求書を支払うために列に並び、検査のために列に並びます。
最後に、患者は検査報告書を医師に提出します。
|
患者は、登録→待機→受診→待機→検査→待機→受診の手順を踏む。
|
|
実験的：AI支援外来サービスプロセスを持つ患者
登録後、患者は自分の情報を外来患者の番号を介して携帯電話アプリケーションにバインドします。
まず、AI システムが患者に一連の質問をします。
その後、患者の反応に基づいて判断を下します。
システムは検査項目を医師のコンピュータに送信し、医師の承認を得て患者に返送します。
そのため、患者はすぐに検査に行くことができます。
順番を待っている間、患者は再び電話プログラムに入り、AI システムが患者の病歴を収集します。
情報は医師に返送されます。
患者が検査報告書を持って診療所に行くと、医師のコンピュータにはすでに患者のカルテが入っています。
医師は、実際の状況に応じて病歴を調整するだけです。
病歴を書いた後、AIシステムは自動的に診断を下すことができます。
医師は、AIの結果と彼自身の判断を使用して、総合的な診断を行います。
|
患者は、登録、AI推奨検査項目、セルフサービスの病歴収集、検査、待機、AI支援出席の手順に従います。
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
2 つのプロセスの効率を評価する
時間枠：1ヶ月まで
|
一人の患者の平均待ち時間と一人の患者の平均訪問時間を比較します。
|
1ヶ月まで
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
医療プロセスに対する患者の満足度を評価する
時間枠：1ヶ月まで
|
満足度アンケートは、2 つのプロセス間の満足度を比較するために使用されます。
|
1ヶ月まで
|
|
経済測定
時間枠：1ヶ月まで
|
外来にかかるお金、検査にかかるお金など
|
1ヶ月まで
|
|
医師の業務効率化
時間枠：1ヶ月まで
|
前後の比較に履歴データを使用して、各患者の来院時間に対するインテリジェントな病歴収集の影響を比較します。
|
1ヶ月まで
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
出版物と役立つリンク
研究に関する情報を入力する責任者は、自発的にこれらの出版物を提供します。これらは、研究に関連するあらゆるものに関するものである可能性があります。
一般刊行物
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (実際)
2020年3月21日
一次修了 (実際)
2021年6月29日
研究の完了 (実際)
2021年6月29日
試験登録日
最初に提出
2019年11月12日
QC基準を満たした最初の提出物
2019年12月2日
最初の投稿 (実際)
2019年12月4日
学習記録の更新
投稿された最後の更新 (実際)
2021年7月1日
QC基準を満たした最後の更新が送信されました
2021年6月28日
最終確認日
2021年6月1日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。