안과용 복합 AI 지원 의료 의사결정
2025년 4월 16일 업데이트: Kang Zhang, The Eye Hospital of Wenzhou Medical University
영상 및 전자의무기록 데이터를 기반으로 한 안과 멀티모달 AI 지원 의료 의사결정에 관한 연구
이는 안과 임상 실습에서 다중 모드 데이터 융합을 활용하는 AI 지원 의료 결정 지원 시스템의 적용 및 효과를 평가하기 위해 설계된 다기관, 후향적 임상 연구입니다.
연구 개요
상세 설명
시각 장애는 개인의 삶의 질에 큰 영향을 미칩니다.
안과 질환의 조기 검진, 진단 및 치료는 시력 장애의 발병과 진행을 예방하는 데 중요합니다.
임상 실습에서 안과 의사는 인구통계 정보, 병력, 혈당 및 지질 수준과 같은 생화학적 지표, 위험 요인은 물론 안저 영상, OCT 스캔과 같은 다양한 안과 데이터를 포함한 광범위한 환자 데이터를 통합해야 하는 경우가 많습니다. , 시야 검사 등을 통해 정확한 진단을 내리고 적절한 치료 계획을 세웁니다.
정밀하고 맞춤화된 의학이 의료의 최전선에 있는 시대에 안과 질환의 조기 발견 및 진단은 물론 질병의 다양한 단계에 적합한 진단 및 치료 전략을 선택하는 것이 임상 환경에서 중요한 과제가 되었습니다.
최근 의료 영상 및 분석 기술의 발전으로 안구 질환 진단의 정확성과 효율성이 크게 향상되었습니다.
본 연구에서는 딥러닝 기술과 영상 및 전자의무기록의 다중 모드 데이터를 통합하여 안과용 인공지능 기반 의사결정 시스템을 개발하는 것을 목표로 합니다.
목표는 진단 정확도를 높이고, 임상 작업 흐름을 간소화하며, 환자에게 보다 개인화된 치료 옵션을 제공하는 것입니다.
궁극적으로 이 시스템은 안과 질환으로 고통받는 환자들의 치료 성과를 향상시키고 전반적인 삶의 질을 향상시키는 것을 목표로 합니다.
연구 유형
관찰
등록 (추정된)
5000000
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 연락처
- 이름: Lan Wang, MD
- 전화번호: +86-0577-85397527
- 이메일: wl2832300533@163.com
연구 장소
-
-
-
Macau, 마카오
- 모병
- Macau University of Science and Technology Hospital
-
연락하다:
- Yang Liu, MD
- 전화번호: +853-2882-1838
- 이메일: liuyang.macau@gmail.com
-
-
-
-
Guangdong
-
Zhuhai, Guangdong, 중국
- 모병
- ZhuHai Hospital, zhuhai, guangdong
-
연락하다:
- Bingzhou Li
- 전화번호: +86-0756-2222569
- 이메일: mr_jerry_99@163.com
-
-
Zhejiang
-
Wenzhou, Zhejiang, 중국
- 모병
- First Affiliated Hospital of Wenzhou Medical University
-
연락하다:
- Cheng Tang, MD
- 전화번호: +86-0577-55579999
- 이메일: c249325687@163.com
-
Wenzhou, Zhejiang, 중국
- 모병
- Second Affiliated Hospital of Wenzhou Medical Universit
-
연락하다:
- Sian Liu, PhD.
- 전화번호: +86-0577-88002888
- 이메일: liusan@mail3.sysu.edu.cn
-
Wenzhou, Zhejiang, 중국
- 모병
- The Eye Hospital of Wenzhou Medical University
-
연락하다:
- Lan Wang, MD
- 전화번호: +86-0577-85397527
- 이메일: wl2832300533@163.com
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
아니
샘플링 방법
비확률 샘플
연구 인구
원저우 의과대학 안과병원, 원저우 의과대학 제1부속병원, 원저우 의과대학 제2부속병원, 주하이 병원, 마카오 과학기술대학 병원 등 여러 센터에서 치료를 받은 모든 환자.
설명
포함 기준:
1.원저우 의과대학 안과병원, 원저우 의과대학 제1부속병원, 원저우 의과대학 제2부속병원, 주하이 병원, 마카오 과학기술대학 병원 등 여러 센터에서 치료를 받은 모든 환자.
2. 다음을 포함한 포괄적인 전자 건강 기록(EHR)의 가용성: 안과 영상(예: 안저 사진, OCT 또는 세극등 영상). 전자 의료 기록(예: 진단, 치료 및 후속 기록) 검사 결과(예: 시력, 안압 또는 실험실 테스트) 3. 하나 이상의 안구 질환에 대한 명확하고 확인된 진단을 받은 환자. 4. 해당되는 경우 질병 진행 또는 예후를 평가할 수 있는 충분한 추적 관찰 기록이 있는 환자.
- 이전에 원저우 의과대학 안과, 원저우 의과대학 안과병원, 원저우 의과대학 제1부속병원, 원저우 의과대학 제2부속병원, 주하이 인민병원, 대학병원에서 치료를 받은 모든 안과 환자.
- 다음을 포함한 포괄적인 전자 건강 기록(EHR)의 가용성: 안과 영상(예: 안저 사진, OCT 또는 세극등 영상) 전자 의료 기록(예: 진단, 치료 및 후속 기록) 검사 결과(예: 시력, 안압 또는 실험실 테스트)
- 하나 이상의 안과 질환에 대한 명확하고 확실한 진단을 받은 환자.
- 해당되는 경우, 질병 진행이나 예후를 평가할 수 있을 만큼 충분한 후속 조치 기록을 보유한 환자.
제외 기준:
- 중요한 EHR 구성 요소가 불완전하거나 누락되었습니다.
- 진단이 명확하지 않거나 명확하게 분류할 수 없는 경우.
- 동일한 환자의 데이터가 중복되거나 중복되었습니다.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
정상
안질환이 없는 환자
|
|
|
안구 질환
안질환을 앓고 있는 환자
|
이 개입에는 안과 질환의 임상 의사 결정 및 평가를 지원하기 위해 다중 모드 데이터 융합을 활용하는 AI 시스템이 포함됩니다.
안저 사진, OCT(광간섭단층촬영), 환자 임상 기록을 포함한 다중 모드 데이터를 통합하여 실시간으로 정확하고 개인화된 진단 지원을 제공합니다.
다른 모델과 달리 이 시스템은 종단적 환자 데이터 세트를 활용하여 질병 진행 및 치료 결과를 예측합니다. 주요 특징은 다음과 같습니다. 1. 다중 모드 데이터 통합: 포괄적인 분석을 위해 영상, 임상 및 유전 데이터를 결합합니다.
2. 예측 기능: 고급 예후 예측을 제공하여 개인화된 치료 계획을 가능하게 합니다.
3. 딥 러닝 프레임워크: 향상된 진단 정확성과 효율성을 위해 최첨단 딥 러닝 알고리즘을 사용합니다.
4. 실제 검증: 다양한 환자 데이터의 대규모 코호트를 사용하여 검증되어 일반화 가능성과 견고성을 보장합니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
곡선 아래 면적(AUC)
기간: 1년
|
진단 정확도를 정량화하는 데 사용되는 ROC 곡선의 AUC입니다.
단위 없음(일반적으로 0과 1 사이의 숫자로 표현되는 비율 또는 백분율).
|
1년
|
|
감광도
기간: 1년
|
민감도(진양성률이라고도 함)는 모델이 양성 인스턴스를 얼마나 잘 식별하는지를 나타내는 척도입니다.
이는 모델에 의해 올바르게 식별된 실제 긍정적 사례의 비율로 정의됩니다.
단위 없음(비율 또는 백분율, 일반적으로 백분율로 표시됨)
|
1년
|
|
정확도 정확도 정확도
기간: 1년
|
정확도는 모델이 평가한 총 사례 수 중에서 모든 올바른 예측(참양성 및 참음성)의 비율을 측정합니다.
단위 없음(비율 또는 백분율, 일반적으로 백분율로 표시됨)
|
1년
|
|
특성
기간: 1년
|
특이성(참음성률이라고도 함)은 모델에서 올바르게 식별된 실제 음성 사례의 비율을 측정합니다.
단위 없음(비율 또는 백분율, 일반적으로 백분율로 표시됨)
|
1년
|
|
거짓양성률
기간: 1년
|
FPR(false positive rate)은 모델에 의해 양성으로 잘못 식별된 실제 음성 사례의 비율을 측정합니다.
단위 없음(비율 또는 백분율, 일반적으로 백분율로 표시됨)
|
1년
|
|
거짓음성률
기간: 1년
|
FNR(거짓음성률)은 모델에 의해 음성으로 잘못 식별된 실제 양성 사례의 비율을 측정합니다.
단위 없음(비율 또는 백분율, 일반적으로 백분율로 표시됨)
|
1년
|
|
수술 후 합병증 발생률
기간: 1년
|
수술 후 합병증을 경험하는 환자의 백분율(%)입니다.
|
1년
|
|
재발 위험률
기간: 1년
|
추적 기간 동안 재발을 경험한 환자의 백분율(%)입니다.
|
1년
|
|
생존율
기간: 1년
|
Kaplan-Meier 생존 곡선을 사용하여 계산한 생존 환자의 백분율(%)입니다.
|
1년
|
|
의사결정 지원의 효율성
기간: 1년
|
기존 결정과 비교하여 AI 지원을 통한 치료 결정의 정확성이 백분율(%) 향상되었습니다.
|
1년
|
|
결정 시간 효율성
기간: 1년
|
AI 지원 전후에 의사가 진단 및 치료 결정을 내리는 데 필요한 평균 시간(초)입니다.
|
1년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
시스템 사용성 점수
기간: 1년
|
시스템 사용성 척도(SUS)를 사용하여 평가되며 점수 범위는 0~100입니다.
|
1년
|
|
AI 시스템 응답 시간
기간: 1년
|
데이터 입력 후 AI가 추천을 제공하는 데 걸리는 평균 시간(초)입니다.
|
1년
|
|
시스템 고장률
기간: 1년
|
1,000시간 사용당 오류로 측정된 AI 시스템 오류 빈도(고장/천 시간)입니다.
|
1년
|
|
사용자 인터페이스 디자인 만족도
기간: 1년
|
UEQ(사용자 경험 설문지)를 사용하여 평가되었으며 점수 범위는 1~7입니다.
|
1년
|
|
환자 만족도 점수
기간: 1년
|
환자 만족도 설문지(CSQ-8)를 사용하여 측정되었으며 점수는 8~32점입니다.
|
1년
|
|
치료 순응도
기간: 1년
|
맞춤형 치료 계획과 정기적인 후속 방문을 준수하는 환자의 비율(%)입니다.
|
1년
|
|
AI 시스템의 의사 수용
기간: 1년
|
TAM(기술 수용 모델) 척도를 사용하여 평가되며 점수 범위는 1~7입니다.
|
1년
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 수석 연구원: Kang Zhang, PhD., The Eye Hospital of Wenzhou Medical University
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2024년 12월 20일
기본 완료 (추정된)
2025년 5월 1일
연구 완료 (추정된)
2025년 5월 1일
연구 등록 날짜
최초 제출
2024년 12월 15일
QC 기준을 충족하는 최초 제출
2024년 12월 23일
처음 게시됨 (실제)
2025년 1월 1일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2025년 4월 17일
QC 기준을 충족하는 마지막 업데이트 제출
2025년 4월 16일
마지막으로 확인됨
2025년 4월 1일
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
- Ophthalmic Multimodal AI
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
아니요
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
아니
미국 FDA 규제 기기 제품 연구
아니
미국에서 제조되어 미국에서 수출되는 제품
아니
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. .