AI支援医療意思決定
2025年2月27日 更新者：Kang Zhang、The Eye Hospital of Wenzhou Medical University
リアルタイムの病院全体の電子健康記録データを使用して、医療意思決定を支援するための人工知能モデルを評価するためのコホート研究
この研究では、AIモデルを構築および適用して、医師が生存や入院などの患者の診断と結果を予測できるようにします。
病院の記録からリアルタイムのマルチモーダルデータ（ラボ、バイタルサイン、履歴、イメージング）を使用します。
患者は、AIのパフォーマンスを標準的なケアと比較するために追跡されます。
目標は、現実世界の前向き研究における診断と治療の精度を改善することです。
調査の概要
詳細な説明
この研究の目的は、人工知能（AI）モデルを構築および適用して、生存や入院期間などの患者の診断と結果を予測するのを支援することです。
病院全体で患者を登録し、ラボの結果、バイタルサイン、病歴、電子健康記録からのイメージングなど、リアルタイムのマルチモーダルヘルスデータを使用します。
この研究は、参加者に従い、AIモデルの標準的な実践に対するパフォーマンスを評価します。
私たちの目標は、診断と治療の精度と速度を改善し、患者のケアを強化することです。
この前向き研究は、現実世界の病院の設定でモデルをテストします。
研究の種類
観察的
入学 (推定)
50000000
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
-
-
Zhejiang
-
Wenzhou、Zhejiang、中国
- 募集
- First Affiliated Hospital of Wenzhou Medical University
-
コンタクト：
- Cheng Tang
- 電話番号：+86-0577-88002888
- メール：c249325687@163.com
-
Wenzhou、Zhejiang、中国
- 募集
- Second Affiliated Hospital of Wenzhou Medical University
-
コンタクト：
- Linfeng Liu
- メール：llfwfe@163.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
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
はい
サンプリング方法
非確率サンプル
調査対象母集団
この研究には、リアルタイムの電子的健康記録データ（ラボ、バイタルサイン、履歴、イメージングなど）を備えた病院部門に入院したすべての患者が含まれます。
参加者はデータ収集に同意する必要があります。
説明
包含基準：
- 患者は、研究期間中に病院の任意の部門（ICU、一般的な病棟、緊急、外来患者サービスなど）に入院しました。
- 以下の少なくとも2つを含む、利用可能なリアルタイム電子健康記録（EHR）データを持つ患者：実験室の結果、バイタルサイン、病歴、およびイメージングデータ。
除外基準：
現在、この研究のデータ収集または結果を妨げる可能性のある別の臨床試験に登録しています。
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 |
|---|---|
|
病院全体の患者コホート
|
この研究への介入には、臨床的意思決定と疾患の評価をサポートするためにマルチモーダルデータ融合を活用するAIシステムが含まれます。
このコホートの患者は、AIシステムによって生成された推奨事項によって導かれる臨床決定とともに、標準的な検査を受けます。
|
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 |
|---|---|---|
|
曲線下面積 (AUC)
時間枠：1年
|
診断精度を定量化するために使用されるROC曲線のAUC。
ユニットなし（比率または割合、通常は0〜1の間で数値として表されます）。
|
1年
|
|
全体的な病院のリソース利用の改善
時間枠：1年
|
病院全体のリソースの使用率の低下（例：就寝日、ICU入場、診断テスト）は、AI支援の意思決定に起因し、その割合として表されます。
|
1年
|
|
人口レベルの診断精度の向上
時間枠：1年
|
すべての病院患者の診断精度の全体的な改善（たとえば、正しい診断の割合または誤診の減少）は、パーセンテージまたは比率として表されるAIモデルによって促進されます。
|
1年
|
|
有害事象率のシステム全体の減少
時間枠：1年
|
AI支援の意思決定により、すべての病院患者の主要な有害事象の減少（例：死亡率、重度の合併症、または長期滞在）は、割合として表されます。
|
1年
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
病院の患者の転帰の全体的な改善
時間枠：1年
|
複合スコアまたはパーセンテージとして表されるAIアシストの意思決定により、病院の集団全体で主要な患者の転帰（死亡率、罹患率、回復率）の総改善。
|
1年
|
|
ヘルスケアシステムの効率の強化
時間枠：1年
|
彼は、病院の運用効率の全体的な改善（たとえば、待ち時間の短縮、最適化されたリソース割り当て、スタッフワークロードの減少）に起因するAIモデルに起因し、パーセンテージまたは定性的評価として表されます。
|
1年
|
|
人口の健康影響スコア
時間枠：1年
|
標準化された指数またはパーセンテージの変化として表される、病院の集水域内の人口の健康に対するAIモデルの影響を反映した複合スコア（例えば、疾患の負担の減少、慢性疾患管理の改善）。
|
1年
|
|
長期公衆衛生給付指数
時間枠：1年
|
標準化されたスコアまたはパーセンテージ改善として表される、AIモデルの公衆衛生への長期的な貢献（例えば、病気の有病率の減少、平均余命の改善）を測定する複合指数。
|
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)
2025年2月24日
一次修了 (推定)
2026年6月1日
研究の完了 (推定)
2026年6月1日
試験登録日
最初に提出
2025年2月24日
QC基準を満たした最初の提出物
2025年2月24日
最初の投稿 (実際)
2025年3月25日
学習記録の更新
投稿された最後の更新 (実際)
2025年3月25日
QC基準を満たした最後の更新が送信されました
2025年2月27日
最終確認日
2025年2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。