EHR과의 AI 중심 암 진단 및 예측
2025년 7월 25일 업데이트: Kang Zhang, The Eye Hospital of Wenzhou Medical University
전자건강기록을 활용한 AI 기반 암 진단 및 예측
이는 다양한 건강 데이터를 활용하여 암 식별 및 진단을 위한 AI 지원 예측 모델의 적용 및 효과를 평가하기 위해 설계된 다기관 후향적 임상 연구입니다.
연구 개요
상세 설명
암 진단 및 조기 발견은 환자 결과 및 생존율을 향상시키는 데 중요합니다.
암의 조기 식별 및 적절한 개입은 치료 성공 및 예후에 크게 영향을 줄 수 있습니다.
임상 실습에서 종양 전문의는 종종 의과 병력, 실험실 테스트 결과, CT 스캔 및 MRI와 같은 영상 데이터 및 유전자 마커를 포함한 다양한 환자 데이터를 통합하여 정확한 진단을하고 개인화 된 치료 계획을 개발해야합니다.
정밀 의학이 점점 더 중요 해짐에 따라, 특히 증상이 미묘하거나없는 경우 초기 단계에서 암을 식별하는 데 어려움이 남아 있습니다.
인공 지능 및 데이터 분석 기술의 최근 발전은 암 감지의 진단 정확도와 속도를 향상시키는 데 큰 가능성을 보여주었습니다.
이 연구는 전자 건강 기록, 이미징, 실험실 결과 및 유전자 데이터의 멀티 모달 데이터를 통합하여 AI 지원 의사 결정 시스템을 개발하는 것을 목표로합니다.
목표는 진단 정확도를 향상시키고 임상 워크 플로우를 최적화하며 암 환자에게보다 개인화 된 치료 옵션을 제공하는 것입니다.
궁극적 으로이 시스템은 조기 탐지를 개선하고 효과적인 치료 전략을 안내하며 환자 생존율을 향상 시키려고합니다.
연구 유형
관찰
등록 (추정된)
1000000
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 연락처
- 이름: Fei Liu, MD
- 전화번호: +86 13810512704
- 이메일: liufei_2359@163.com
연구 장소
-
-
Guangdong
-
Guangzhou, Guangdong, 중국
- 모병
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
연락하다:
- Yunfang Yu, MD
- 전화번호: +86 020-81332199
- 이메일: yuyf9@mail.sysu.edu.cn
-
Guangzhou, Guangdong, 중국
- 모병
- Guangzhou Women and Children's Medical Center
-
연락하다:
- Bingzhou Li, MD
- 전화번호: +86-0756-2222569
- 이메일: mr_jerry_99@163.com
-
Guangzhou, Guangdong, 중국
- 모병
- Nanfang Hospital
-
연락하다:
- Zhuomin Li, MD
- 전화번호: +86-0577-85397527
- 이메일: chetneyli.1001@gmail.com
-
Guangzhou, Guangdong, 중국
- 모병
- Sun Yat-sen University Cancer Hospital
-
연락하다:
- Yuxing Lu, MD
- 전화번호: +86 13161233730
- 이메일: yxlu0613@gmail.com
-
-
Sichuan
-
Chengdu, Sichuan, 중국
- 모병
- West China Hospital
-
연락하다:
- Kai Wang, MD
- 전화번호: +86 028-85422114
- 이메일: wkai@stu.pku.edu.cn
-
-
Zhejiang
-
Wenzhou, Zhejiang, 중국
- 모병
- First Affiliated Hospital of Wenzhou Medical University
-
연락하다:
- Cheng Tang, MD
- 이메일: c249325687@163.com
-
Wenzhou, Zhejiang, 중국
- 모병
- Second Affiliated Hospital of Wenzhou Medical University
-
연락하다:
- Sian Liu, MD
- 전화번호: +86-0577-88002888
- 이메일: liusan@mail3.sysu.edu.cn
-
-
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
예
샘플링 방법
비확률 샘플
연구 인구
연구 인구는 참여 연구 센터에서 치료를받은 0-90 세의 개인으로 구성됩니다.
참가자는 병력, 실험실 테스트 결과, 이미징 데이터 및 유전자 정보 (가능한 경우)를 포함하여 포괄적 인 전자 건강 기록 (EHR)을 사용해야합니다.
암으로 진단 된 두 개인 (소아 및 성인 암 포함)과 암 병력이없는 건강한 개인은 AI 지원 모델의 진단 및 예측 능력을 평가하기 위해 연구에 포함될 것입니다.
이 연구는 참여 센터의 완전하고 문서화 된 치료 기록이있는 환자에게 초점을 맞출 것이며, 다른 연령 그룹과 암 유형에 걸쳐 다양한 코호트를 분석 할 것입니다.
설명
포함 기준 :
1 ensive 병력, 실험실 검사 결과, 영상 데이터 및 유전자 데이터 (가능한 경우)를 포함한 포괄적 인 전자 건강 기록 (EHR) 환자.
2. 사전 동의를 제공하거나 연구에 참여하는 데 방해가 되는 심각한 인지 장애나 상태가 없는 개인.
3. 부모 나 보호자는 미성년자에게 사전 동의를 제공해야하며, 성인 참가자는 스스로 사전 동의를 제공해야합니다.
제외 기준:
- 핵심 전자 건강 기록 데이터가 불완전하거나 누락되었거나 추적 데이터가 불충분한 환자.
- 중증인지 장애 또는 의미있는 참여를 방지하는 다른 말기 질환이있는 개인.
- 임산부 (소아 암이 고려되고 있지만 임산부는 안전상의 이유로 제외 될 것입니다).
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 |
|---|---|
|
건강한 코호트
이 그룹은 진단 암이없는 개인으로 구성됩니다.
이 코호트의 참가자는 실험 그룹과 비교하기위한 대조군 역할을합니다.
건강한 개인의 기준선을 나타내 므로이 코호트에 중재 나 치료가 투여되지 않습니다.
|
이 개입에는 환자 병력, 실험실 테스트 결과, 영상 데이터, 유전 정보 등 다양한 데이터를 통합하여 암 위험을 예측하는 AI 시스템이 포함됩니다.
이 시스템은 딥러닝 알고리즘을 사용해 실시간으로 정확한 예측을 제공함으로써 암 위험을 조기에 식별할 수 있습니다.
이 모델은 과거 건강 데이터를 분석하여 잠재적인 암 발병을 예측하고 조기 발견 및 치료 결과를 개선하는 것을 목표로 합니다.
|
|
종양 코호트
이 그룹은 다양한 유형을 포함하여 암 진단 된 개인으로 구성됩니다.
이 코호트의 참가자는 암 위험을 식별하고 진단 정확도를 향상시키는 초기 예측 모델의 효과를 평가하기위한 실험 그룹 역할을합니다.
|
이 개입에는 환자 병력, 실험실 테스트 결과, 영상 데이터, 유전 정보 등 다양한 데이터를 통합하여 암 위험을 예측하는 AI 시스템이 포함됩니다.
이 시스템은 딥러닝 알고리즘을 사용해 실시간으로 정확한 예측을 제공함으로써 암 위험을 조기에 식별할 수 있습니다.
이 모델은 과거 건강 데이터를 분석하여 잠재적인 암 발병을 예측하고 조기 발견 및 치료 결과를 개선하는 것을 목표로 합니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
곡선 아래 면적(AUC)
기간: 1년
|
ROC 곡선의 AUC는 진단 정확도를 정량화하는 데 사용됩니다.
단위 (비율 또는 백분율, 일반적으로 0과 1 사이의 숫자로 표현됨).
|
1년
|
|
F1 점수
기간: 1년
|
F1 점수는 정밀도와 감도의 고조파 평균입니다 (리콜).
특히 클래스가 불균형 한 경우 (예 : 건강한 사례의 수가 질병 사례보다 훨씬 높은 경우), 진정한 긍정을 식별하고 허위 양성을 최소화하는 모델의 능력을 잘 측정합니다.
F1 점수는 0에서 1까지이며 1은 완벽한 정밀도와 리콜을 나타냅니다.
|
1년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
민감도(진양성률)
기간: 1 년
|
민감도는 AI 모델이 합병증을 가진 임산부를 올바르게 진단하거나 신생아 장애를 식별하는 등 실제 긍정적 인 사례를 얼마나 잘 식별하는지를 측정합니다.
|
1 년
|
|
특이성 (진정한 음수)
기간: 1 년
|
특이성은 AI 모델이 질병없이 사례를 올바르게 식별하는 능력을 측정하여 건강한 어머니와 영아가 부정적인 것으로 정확하게 식별되도록합니다.
|
1 년
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
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)
2025년 1월 19일
기본 완료 (추정된)
2025년 10월 1일
연구 완료 (추정된)
2025년 10월 1일
연구 등록 날짜
최초 제출
2025년 1월 19일
QC 기준을 충족하는 최초 제출
2025년 1월 19일
처음 게시됨 (실제)
2025년 1월 24일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2025년 7월 30일
QC 기준을 충족하는 마지막 업데이트 제출
2025년 7월 25일
마지막으로 확인됨
2025년 7월 1일
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. .