EHRによる透析結果のAI駆動型予測
2025年4月16日 更新者：Kang Zhang、The Eye Hospital of Wenzhou Medical University
電子健康記録を使用した透析患者の臨床結果の予測：AIベースのアプローチ
これは、透析患者の結果に対するAIアシスト予測モデルの適用と有効性を評価するために設計された、マルチモーダルの健康データを活用するために設計された多施設の遡及的臨床研究です。
調査の概要
詳細な説明
この研究は、主要アウトカム (死亡率など) と中間アウトカム (貧血、血圧、栄養状態、リン酸カルシウム代謝など) の両方に焦点を当て、透析患者の臨床アウトカムを予測する AI 支援モデルを開発することを目的としています。
この研究では、臨床検査結果、病歴、透析治療情報、臨床観察などの患者の EHR データを利用して、これらの健康転帰を予測します。
目標は、リスクのある患者の早期特定を改善し、より良い臨床上の意思決定と個別化されたケア戦略を可能にすることです。
研究の種類
観察的
入学 (推定)
1000000
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。
研究連絡先
- 名前：Fei Liu, MD
- 電話番号：+86 13810512704
- メール：liufei_2359@163.com
研究場所
-
-
Beijing
-
Beijing、Beijing、中国
- 募集
- General Hospital of PLA
-
コンタクト：
- Delong Zhao
- 電話番号：+86 13810512704
- メール：feiliu0108@gmail.com
-
-
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
- 大人
- 高齢者
健康ボランティアの受け入れ
いいえ
サンプリング方法
非確率サンプル
調査対象母集団
研究集団は、中国の血液透析国立ネットワークセンターの透析患者で構成されています。これには、中国の参加病院で血液透析治療を受けている幅広い患者が含まれます。
参加者は、病歴、臨床検査結果、透析治療の詳細、臨床観察など、包括的な電子健康記録（EHR）の利用可能性に基づいて選択されます。
コホートには、透析に一般的に関連する併存疾患を含む、さまざまな程度の健康状態を持つ男性と女性の両方の患者が含まれます。
この研究の目的は、この多様なグループを利用して、透析患者の死亡率と合併症に関連する結果を評価および予測することです。
説明
包含基準:
- 少なくとも3か月間透析（血液透析または腹膜透析のいずれか）を受けている患者。
- 病歴、臨床検査結果、透析治療の詳細、臨床観察など、完全でアクセス可能な EHR データ。
- 参加者は、研究目的で健康データを使用するためのインフォームドコンセントを提供する必要があります。
除外基準:
- 病歴、検査結果、透析データ、または研究に必要な治療の詳細を含む、不完全または不足しているEHRデータが不完全または欠落している患者。
- 結果予測のための安定したデータを確保するために、3か月未満で透析を受けている患者。
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
コホートと介入
グループ/コホート |
介入・治療 |
|---|---|
|
高リスクグループ
参加者は、病歴、検査結果、透析治療の詳細、臨床観察などの EHR データを使用した AI 支援予測モデルに基づいて、死亡リスクが高いと予測しました。
|
この研究では、透析患者の転帰を予測するために、病歴、臨床症の結果、透析治療の詳細、臨床観察を含む電子健康記録からマルチモーダルデータを分析するAIアシスト予測モデルを利用しています。
このモデルは、深い学習アルゴリズムを採用して死亡リスク、貧血、血圧制御、栄養、カルシウムリン酸代謝などの中間転帰を予測し、劣化の初期兆候を特定するのに役立ちます。
介入は直接的な治療や手順ではありませんが、患者の転帰を予測するためのツールを開発し、透析患者の全体的な健康と生存率を改善する治療戦略を最適化することを目的としています。
|
|
低リスクグループ
参加者はAI支援予測モデルに基づいて死亡リスクが低いと予測され、早期介入戦略の有効性を評価するために高リスクグループと比較される。
|
この研究では、透析患者の転帰を予測するために、病歴、臨床症の結果、透析治療の詳細、臨床観察を含む電子健康記録からマルチモーダルデータを分析するAIアシスト予測モデルを利用しています。
このモデルは、深い学習アルゴリズムを採用して死亡リスク、貧血、血圧制御、栄養、カルシウムリン酸代謝などの中間転帰を予測し、劣化の初期兆候を特定するのに役立ちます。
介入は直接的な治療や手順ではありませんが、患者の転帰を予測するためのツールを開発し、透析患者の全体的な健康と生存率を改善する治療戦略を最適化することを目的としています。
|
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 |
|---|---|---|
|
死亡率予測の精度
時間枠：1年
|
AI 支援予測モデルが透析患者の死亡リスクを正確に予測する機能。
予測精度は、曲線下面積 (AUC)、F1 スコア、感度/特異度を使用して評価されます。
このモデルは、予測された死亡リスクと実際の転帰 (つまり、研究期間中に患者が生存したか死亡したか) を比較することによって評価されます。
|
1年
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
合併症予測の精度
時間枠：1年
|
貧血、血圧管理不良、栄養不良、リン酸カルシウム代謝異常など、透析患者が一般的に経験する合併症を予測する際の AI 支援予測モデルの精度。
モデルのパフォーマンスは、AUC、F1 スコア、精度などの指標を使用して、予測値を検査結果、臨床診断、患者の健康状態などの実際の臨床結果と比較することで評価されます。
|
1年
|
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。
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)
2023年1月1日
一次修了 (推定)
2025年5月1日
研究の完了 (推定)
2025年5月1日
試験登録日
最初に提出
2025年1月19日
QC基準を満たした最初の提出物
2025年1月19日
最初の投稿 (実際)
2025年1月24日
学習記録の更新
投稿された最後の更新 (実際)
2025年4月17日
QC基準を満たした最後の更新が送信されました
2025年4月16日
最終確認日
2025年4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。