- ICH GCP
- 미국 임상 시험 레지스트리
- 임상시험 NCT04186104
어린이 클리닉의 인공 지능
소아과에 인공지능 적용
중국에서 어린이 의료 서비스의 수는 여전히 어린이 건강 관리에 대한 수요 증가에 훨씬 뒤떨어져 있습니다. 아이들의 부모가 등록을 위해 밤새 줄을서는 현상은 더 이상 놀라운 일이 아닙니다. 이는 자녀 수의 증가와 소아과 재능의 부족 때문입니다. 소아과에서는 환자가 해마다 늘어나고 있지만 소아과 전문의는 처음부터 끝까지 공급이 부족하다. 외래 진료 외에도 대형 병원의 소아과 의사는 수술, 과학 연구 및 기타 업무도 수행합니다. 그 결과 많은 의사들이 휴가를 포기해야 했고, 이는 그들을 비참하게 만들고 일에 대한 의욕을 떨어뜨립니다. 긴 대기 시간은 환자의 만족도도 떨어뜨려 소아과 의사와 환자 간 갈등을 증폭시켰다.
이 연구 프로젝트는 인간-컴퓨터 통합 시스템을 만들고 인공 지능(AI)이 내장된 새로운 진단 프로세스를 개발하는 것을 목표로 합니다. AI 시스템의 기능은 주로 3가지 측면을 포함한다. (1) 환자는 의사를 만나기 전에 건강검진을 받을 수 있는 AI가 내장된 휴대전화 애플리케이션을 사용한다. 프로그램은 환자에게 여러 가지 질문을 할 것입니다. 그런 다음 환자의 답변에 따라 AI는 일련의 검사를 추천하고 사전에 의사가 모든 검사를 검토합니다. 환자가 비용을 지불한 후 바로 검사를 받을 수 있습니다. 그래서 다음에 그는 환자가 줄을 서야 하는 수고를 덜어주는 검사 보고서를 가지고 의사에게 갈 수 있었습니다. (2) 동시에 AI 시스템은 의료 기록도 자동화할 수 있습니다. 환자는 여가 시간에 자조 기록 수집을 완료합니다. AI 시스템은 병력을 수집하고 자동으로 의사의 컴퓨터로 가져옵니다. 의사의 본업은 AI가 생성한 병력을 수정하는 것이다. 어느 정도는 의사의 부담을 덜어줍니다. (3) 방문하는 동안 AI 시스템은 환자의 전자 의료 기록에서 정보를 자동으로 캡처하고 가능한 진단을 생성합니다. 이 과정은 후배 의사들에게 큰 도움이 되며 단서가 될 수 있습니다.
요컨대, 이 연구는 환자의 대기 시간을 효과적으로 줄이고 의료 경험을 크게 향상시키는 데 도움이 됩니다. 의사의 업무 강도를 줄이면서 우리 병원의 외래 진료를 효과적으로 최적화하여 소아과 의사의 부족을 어느 정도 완화했습니다.
연구 개요
상세 설명
모바일 애플리케이션 및 컴퓨터 소프트웨어에 의존하여 다음을 달성합니다.
- 지능형 안내 및 부서 매칭;
- 지능형 의료 기록 수집 및 AI 의료 기록 생성
- 검사 항목을 자동으로 추천합니다.
- 임상 진단을 돕고 지능적인 진단 제안을 합니다.
연구 유형
등록 (실제)
단계
- 해당 없음
연락처 및 위치
연구 장소
-
-
-
Shanghai, 중국
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, 중국, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
참여기준
자격 기준
공부할 수 있는 나이
건강한 자원 봉사자를 받아들입니다
연구 대상 성별
설명
포함 기준:
생후 2개월에서 18세 사이의 환자는 상하이 아동 의료 센터에서 치료를 받습니다.
제외 기준:
- 참여에 동의하지 않는 사람들.
- 협력할 수 없는 사람들.
- 따라하기 힘든 사람들.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 건강 서비스 연구
- 할당: 무작위
- 중재 모델: 병렬 할당
- 마스킹: 없음(오픈 라벨)
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
---|---|
실험적: 일상적인 외래 서비스 프로세스를 가진 환자
등록 후 환자는 진료실 문에서 줄을 서서 기다립니다.
그의 의사는 손으로 의료 기록을 입력하고 독립적으로 진단하는 전통적인 방법을 사용합니다.
그런 다음 환자는 청구서를 지불하기 위해 줄을 서서 기다리고 검사를 위해 줄을 섭니다.
마지막으로 환자는 검사 보고서를 의사에게 다시 가져갑니다.
|
환자는 접수-대기-출석-대기-진찰-대기-출석의 절차를 따른다.
|
실험적: AI 지원 외래 환자 서비스 프로세스를 갖춘 환자
등록 후 환자는 외래 환자 번호를 통해 자신의 정보를 휴대폰 애플리케이션에 바인딩합니다.
첫째, AI 시스템은 환자에게 일련의 질문을 합니다.
그런 다음 환자의 반응에 따라 판단을 내립니다.
시스템은 검사 항목을 의사의 컴퓨터로 전송하고 의사의 승인을 받아 항목을 다시 환자에게 보냅니다.
따라서 환자는 곧바로 검사를 받을 수 있습니다.
자신의 차례를 기다리는 동안 환자는 다시 전화 프로그램에 들어가고 AI 시스템은 그의 병력을 수집합니다.
정보는 의사에게 다시 전송됩니다.
환자가 검사 보고서를 가지고 의사의 사무실에 가면 의사의 컴퓨터에는 이미 그의 의료 기록이 있습니다.
의사는 실제 상황에 따라 역사를 조정하기만 하면 됩니다.
병력을 작성한 후 AI 시스템이 자동으로 진단을 내릴 수 있습니다.
의사는 AI의 결과와 자신의 판단을 이용하여 종합적인 진단을 내립니다.
|
환자는 등록, AI 추천 검사 항목, 셀프 서비스 병력 수집, 검사, 대기, AI 보조 출석 절차를 따릅니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
두 프로세스의 효율성 평가
기간: 최대 1개월
|
단일 환자의 평균 대기 시간과 단일 환자의 평균 방문 시간을 비교하십시오.
|
최대 1개월
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
---|---|---|
의료 과정에 대한 환자의 만족도 평가
기간: 최대 1개월
|
만족도 설문지는 두 프로세스 간의 만족도를 비교하는 데 사용됩니다.
|
최대 1개월
|
경제적 측정
기간: 최대 1개월
|
외래의 돈을 쓰다, 진찰의 돈을 쓰다 등.
|
최대 1개월
|
의사의 업무 효율
기간: 최대 1개월
|
전후 비교를 위한 과거 데이터를 사용하여 지능형 의료 기록 수집이 각 환자의 방문 시간에 미치는 영향을 비교합니다.
|
최대 1개월
|
공동 작업자 및 조사자
간행물 및 유용한 링크
일반 간행물
- 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.
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (실제)
연구 완료 (실제)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .
일상적인 진단 프로세스에 대한 임상 시험
-
Norwegian Institute of Public HealthStatistics Norway; Society of Interventional Oncology완전한
-
Universitätsklinikum Hamburg-EppendorfGerman Research Foundation완전한
-
Technical University of Munich알려지지 않은
-
Technical University of MunichOlympus완전한
-
TC Erciyes University알려지지 않은
-
Universitätsklinikum Hamburg-EppendorfGerman Research Foundation; University Hospital Tuebingen완전한
-
Institut de Recherche en Sciences de la Sante,...모병