EHR 및 멀티모달 데이터를 활용한 자동 진단 및 예측을 위한 AI 에이전트
2025년 4월 16일 업데이트: Kang Zhang, The Eye Hospital of Wenzhou Medical University
전자 건강 기록 및 다중 모드 데이터를 사용하여 환자 진단 및 예측을 위한 AI 에이전트 지원 자동화
이 임상 연구의 목표는 전자 건강 기록 (EHR) 및 멀티 모달 영상 데이터를 사용하여 질병을 진단하고 예측할 때 AI 제제의 효과를 평가하는 것입니다.
AI 에이전트는 고급 머신 러닝 알고리즘을 활용하여 다양한 건강 데이터 소스를 처리하고 분석하여 의료 서비스 제공 업체가보다 정확한 진단 및 예측을 수행하는 데 도움이됩니다.
연구 개요
상태
모병
정황
상세 설명
이 다기관 후향적 임상 연구는 의학적 의사결정 과정에서 AI 에이전트의 적용과 효과를 평가하기 위해 설계되었습니다.
AI 에이전트는 전자건강기록(EHR)과 다양한 영상 데이터(예: 엑스레이, MRI, CT 스캔, 초음파 등)를 포함한 다중 모드 데이터를 통합하고 분석하여 다양한 질병을 예측하고 진단합니다.
AI 에이전트는 기계 학습 및 데이터 융합 기술의 힘을 활용하여 크고 복잡한 데이터 세트의 패턴을 식별하여 기존 진단 방법으로는 즉각적으로 드러나지 않을 수 있는 통찰력을 제공할 수 있습니다. 본 연구에서는 AI 에이전트의 진단 정확도와 질병 예측 기능을 비교할 것입니다. 임상 환경에서 잠재적인 이점을 평가하기 위해 전통적인 진단 방법을 사용합니다.
주요 질문에는 AI 에이전트가 조기 진단을 지원하고, 질병 진행을 예측하고, 의료 전문가가 맞춤형 치료 결정을 내릴 수 있도록 지원할 수 있는지 여부가 포함됩니다.
참가자는 추가적인 개입을 받을 필요가 없습니다. AI 에이전트가 분석할 EHR 및 관련 영상 데이터를 포함한 과거 건강 데이터만 제공합니다.
그런 다음 AI 시스템은 이 데이터를 사용하여 다중 모드 정보 분석을 기반으로 예측 및 진단 제안을 제공함으로써 의료 서비스 제공자를 지원합니다.
궁극적인 목표는 이러한 AI 기반 접근 방식이 진단 정확도를 향상시키고, 치료 전략을 최적화하며, 임상 실습에서 환자 결과를 향상시킬 수 있는지 확인하는 것입니다.
연구 유형
관찰
등록 (추정된)
2000000
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
-
연락하다:
- Yunfang Yu
- 전화번호: +86 020-81332199
- 이메일: yuyf9@mail.sysu.edu.cn
-
Guangzhou, Guangdong, 중국
- 모병
- Nanfang Hospital
-
연락하다:
- Zhuomin Li
- 전화번호: +86-0577-85397527
- 이메일: chetneyli.1001@gmail.com
-
Guangzhou, Guangdong, 중국
- 모병
- Sun Yat-sen University Cancer Hospital
-
연락하다:
- Yuxing Lu
- 전화번호: +86 13161233730
- 이메일: yxlu0613@gmail.com
-
-
Sichuan
-
Chengdu, Sichuan, 중국
- 모병
- West China Hospital
-
연락하다:
- Kai Wang
- 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
- 이메일: c249325687@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
본 연구의 참가자는 포괄적인 전자 건강 기록(EHR) 및 다중 모드 영상 데이터를 유지 관리하는 여러 의료 센터 및 병원에서 선택됩니다.
연구 집단에는 다양한 질병이나 건강 상태를 앓고 있는 환자가 포함되며 진단 및 질병 진행에 사용할 수 있는 데이터가 있습니다.
참가자는 엑스레이, CT 스캔, MRI 및 초음파로 포착한 상태를 포함하되 이에 국한되지 않는 임상 기록 또는 영상 데이터를 기반으로 진단을 확정하게 됩니다.
복잡한 건강 상태를 가진 사람과 보다 일반적인 질병을 가진 사람 모두가 포함되어 광범위한 사례에 걸쳐 AI 시스템의 진단 및 예측 기능을 평가합니다. 이 센터의 참가자는 과거 건강 데이터를 제공하며, 본 센터 이외의 적극적인 개입은 없습니다. AI 시스템을 훈련하고 테스트하기 위해 기존 임상 및 영상 데이터를 사용합니다.
설명
포함 기준:
- 참가자는 인구 통계 정보, 병력 및 실험실 결과를 포함하여 포괄적 인 전자 건강 기록 (EHR)을 사용할 수 있어야합니다.
- 참가자는 건강 상태와 관련된 사용 가능한 멀티 모달 이미징 데이터 (예 : X- 레이, CT 스캔, MRI, 초음파)가 있어야합니다.
- 참가자는 임상 기록 또는 영상 데이터에 기초하여 하나 이상의 질병 또는 건강 상태를 확인해야합니다.
- 환자는 연구 목적으로 역사적 건강 데이터 사용에 대한 동의를 제공해야합니다.
제외 기준 :
- 정확하게 분류 할 수없는 모호하거나 검증 할 수없는 진단을 가진 참가자.
- 중복되거나 중복되는 환자 데이터(예: 명확한 구별 없이 동일한 환자에 대한 반복 기록)
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 |
|---|
|
EHR 및 영상 데이터를 활용한 AI 기반 질병 예측
이 코호트는 전자 건강 기록 (EHR) 및 멀티 모달 영상 데이터 (예 : X- 레이, MRI, CT 스캔, 초음파)를 포함한 역사적 건강 데이터가 AI 제제에 의해 분석되는 환자로 구성됩니다.
AI 시스템은 이러한 다양한 데이터 소스를 처리하고 통합하여 질병 진단 및 예측을 지원합니다.
주요 초점은 AI 제제가 패턴을 식별하고 높은 정확도로 질병 진행을 예측하는 능력을 평가하는 것입니다.
참가자는 병력 및 이미징 데이터를 제공하는 것 이상의 추가 조치를 취할 필요가 없습니다.
목표는 AI 시스템이 제공된 데이터에 따라 AI 시스템이 임상 의사 결정을 지원하고 진단 결과를 개선 할 수있는 방법을 평가하는 것입니다.
|
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)
2023년 7월 1일
기본 완료 (추정된)
2025년 7월 1일
연구 완료 (추정된)
2025년 7월 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 4월 17일
QC 기준을 충족하는 마지막 업데이트 제출
2025년 4월 16일
마지막으로 확인됨
2025년 4월 1일
추가 정보
이 연구와 관련된 용어
키워드
기타 연구 ID 번호
- AI-agent
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. .