EHR을 사용한 생물학적 연령의 AI 구동 예측
2025년 4월 1일 업데이트: Kang Zhang, The Eye Hospital of Wenzhou Medical University
전자 건강 기록을 사용한 생물학적 연령 예측: AI 기반 접근 방식
이것은 전자 건강 기록 (EHR)을 사용하여 생물학적 연령을 예측하기위한 AI-ASSESTED 예측 모델의 적용 및 효과를 평가하기 위해 설계된 다중 센터의 후 향적 임상 연구입니다.
이 연구는 환자의 생물학적 연령을 추정하기 위해 병력, 실험실 결과 및 임상 관찰을 포함한 다양한 건강 데이터 포인트를 분석합니다.
생물학적 연령과 연대기 연령을 비교함으로써,이 연구는 모델의 정확성과 연령 관련 건강 위험을 식별하고 환자 치료를 개선 할 수있는 잠재력을 평가하는 것을 목표로합니다.
연구 개요
상세 설명
생물학적 연령 예측은 전반적인 건강을 평가하고, 연령 관련 질병의 위험을 결정하며, 맞춤형 의료 서비스를 제공하는 데 중요합니다.
생활연령이 핵심 요소이기는 하지만, 이것이 항상 개인의 실제 생물학적 노화 과정을 반영하는 것은 아닙니다.
가속화된 생물학적 노화 및 관련 건강 위험을 조기에 식별하면 조기 개입 및 장기적인 건강 결과에 큰 영향을 미칠 수 있습니다.
임상 실습에서 의료 서비스 제공자는 병력, 실험실 테스트 결과 및 임상 관찰을 포함한 광범위한 환자 데이터를 통합하여 개인의 건강 상태를 이해하고 잠재적인 미래 위험을 예측합니다.
정밀의료가 중요해짐에 따라 생물학적 연령을 예측하고 개인별 케어 계획을 수립하는 능력이 필수적입니다.
최근 인공 지능과 데이터 분석 기술의 발전으로 생물학적 연령 예측의 정확성이 향상될 것으로 나타났습니다.
본 연구는 전자 건강 기록, 실험실 결과, 임상 관찰 및 환자 인구 통계의 다중 모드 데이터를 통합하여 AI 지원 의사 결정 시스템을 개발하는 것을 목표로 합니다.
목표는 생물학적 연령을 예측하고 위험에 처한 개인을 식별하며 건강 결과를 개선함으로써 진단 정확도를 높이고 임상 워크플로우를 최적화하며 환자에게 보다 개인화된 의료 서비스를 제공하는 것입니다.
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
- Nanfang Hospital
-
연락하다:
- Zhuomin Li
- 전화번호: +86-0577-85397527
- 이메일: chetneyli.1001@gmail.com
-
-
Zhejiang
-
Wenzhou, Zhejiang, 중국
- 모병
- First Affiliated Hospital of Wenzhou Medical University
-
연락하다:
- Cheng Tang
- 이메일: c249325687@163.com
-
Wenzhou, Zhejiang, 중국
- 모병
- The Eye Hospital of Wenzhou Medical University
-
연락하다:
- Lan Wang
- 전화번호: +86-0577-85397527
- 이메일: wl2832300533@163.com
-
Wenzhou, Zhejiang, 중국
- 모병
- Second Affiliated Hospital of Wenzhou Medical University
-
연락하다:
- Sian Liu
- 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 모집단은 참여 병원이나 접근 가능한 전자 건강 기록(EHR)을 갖춘 의료 센터에서 치료를 받은 개인으로 구성됩니다.
참가자에는 병력, 실험실 테스트 결과, 영상 데이터, 식이요법, 신체 활동, 흡연 습관과 같은 생활 방식 요소를 포함한 완전한 EHR 데이터가 포함됩니다.
코호트는 건강한 개인과 만성 질환 또는 동반 질환이 있는 개인으로 구성되어 다양한 건강 상태에 따른 생물학적 연령 예측을 분석합니다.
이 연구는 다양한 연령대, 건강 상태 및 인구통계를 대표하는 다양한 환자 집단을 보장하기 위해 여러 의료 시설에서 수행될 것입니다.
설명
포함 기준 :
- 병력, 실험실 결과, 치료 데이터, 영상 데이터 (가능한 경우) 및 생활 양식 요인 (예 : 흡연, 신체 활동,식이)을 포함하여 포괄적이고 접근 가능한 EHR 데이터를 가진 환자.
- 사전 동의를 제공하거나 연구에 참여하는 데 방해가 되는 중대한 인지 장애가 없는 환자.
- 모든 참가자는 연구 목적으로 의료 데이터 사용에 대한 사전 동의를 제공해야합니다.
제외 기준 :
- 병력, 실험실 결과, 생물학적 연령을 예측하는 데 필요한 치료 데이터 등 중요한 EHR 데이터가 불완전하거나 누락된 환자.
- 심각한 인지 장애(예: 치매, 심각한 정신 장애)가 있어 사전 동의를 제공할 수 없거나 연구에 의미 있게 참여할 수 없는 환자.
- 말기 질환이있는 환자 또는 생물학적 연령 예측이 연구 목적과 관련이없는 기대 수명이 제한된 환자.
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 |
|---|---|
|
생물학적으로 젊은 그룹
생물학적 연령이 실제 연령보다 젊을 것으로 예측되는 참가자입니다.
|
이 연구는 생물학적 연령을 추정하기 위해 병력, 실험실 결과, 이미징 데이터 및 라이프 스타일 요인을 포함한 전자 건강 기록의 멀티 모달 데이터를 분석하는 AI 지원 예측 모델을 사용합니다.
이 모델은 딥 러닝 알고리즘을 사용하여 생물학적 연령을 예측하고 연대기 연령과 비교하며 연령 관련 건강 위험의 초기 징후를 식별합니다.
개입은 직접적인 치료 나 절차는 아니지만 치료를 개인화하고 장기 건강 결과를 향상시키는 데 도움이되는 생물학적 연령을 예측하는 도구를 개발하는 것을 목표로합니다.
|
|
생물학적으로 나이가 많은 그룹
생물학적 연령이 연대기 나이보다 나이가 많은 참가자.
|
이 연구는 생물학적 연령을 추정하기 위해 병력, 실험실 결과, 이미징 데이터 및 라이프 스타일 요인을 포함한 전자 건강 기록의 멀티 모달 데이터를 분석하는 AI 지원 예측 모델을 사용합니다.
이 모델은 딥 러닝 알고리즘을 사용하여 생물학적 연령을 예측하고 연대기 연령과 비교하며 연령 관련 건강 위험의 초기 징후를 식별합니다.
개입은 직접적인 치료 나 절차는 아니지만 치료를 개인화하고 장기 건강 결과를 향상시키는 데 도움이되는 생물학적 연령을 예측하는 도구를 개발하는 것을 목표로합니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
생물학적 연령 예측 정확도
기간: 1년
|
생활연령과 비교하여 생물학적 연령을 예측하는 AI 모델의 정확도.
이는 예상 생물학적 연령과 생활 연령 간의 상관 관계 강도를 평가하기 위해 피어슨 상관 계수(PCC)를 사용하여 평가됩니다.
또한 R제곱(R²)을 사용하여 모델에 의해 설명되는 생물학적 연령의 분산 비율을 평가합니다.
|
1년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
건강 위험 상관관계
기간: 1년
|
생물학적 연령 예측과 건강 결과 사이의 관계를 평가하기 위해 PCC를 사용하여 만성 질환 (예 : 심혈관 질환, 당뇨병)의 발달과 같은 예측 된 생물학적 연령과 다양한 건강 위험 사이의 상관 관계.
|
1년
|
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)
2023년 3월 1일
기본 완료 (추정된)
2025년 4월 2일
연구 완료 (추정된)
2025년 4월 2일
연구 등록 날짜
최초 제출
2025년 1월 19일
QC 기준을 충족하는 최초 제출
2025년 1월 19일
처음 게시됨 (실제)
2025년 3월 25일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2025년 4월 2일
QC 기준을 충족하는 마지막 업데이트 제출
2025년 4월 1일
마지막으로 확인됨
2025년 4월 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. .