Kunstmatige intelligentie in de kinderkliniek
Toepassing van kunstmatige intelligentie in kinderklinieken
In China blijft het aantal medische diensten voor kinderen nog steeds ver achter bij de groeiende vraag naar gezondheidszorg voor kinderen. Het fenomeen van ouders van kinderen die 's nachts in de rij staan voor registratie is niet langer verwonderlijk. Dit komt door de toename van het aantal kinderen en het tekort aan kindertalenten. Op de afdeling kindergeneeskunde neemt het aantal patiënten jaar na jaar toe, maar de kinderarts heeft van begin tot eind een tekort. Naast poliklinische zorg voeren kinderartsen in grote ziekenhuizen ook operaties, wetenschappelijk onderzoek en andere taken uit. Als gevolg hiervan moeten veel artsen hun vakantie opgeven, wat hen ellendig maakt en hun enthousiasme voor werk vermindert. De lange wachttijd verminderde ook de tevredenheid van patiënten, wat resulteerde in een verheviging van het conflict tussen kinderartsen en patiënten.
Dit onderzoeksproject heeft tot doel een mens-computer geïntegreerd systeem te creëren en een nieuw diagnoseproces te ontwikkelen dat is ingebed in kunstmatige intelligentie (AI). De functie van het AI-systeem omvat voornamelijk 3 aspecten. (1) De patiënt gebruikt een mobiele-telefoontoepassing die is ingebed in AI waarmee hij een controle kan ondergaan voordat hij naar een arts gaat. Het programma stelt de patiënt een aantal vragen. Vervolgens zal AI, op basis van de antwoorden van de patiënt, een reeks onderzoeken aanbevelen, die allemaal vooraf door de arts worden beoordeeld. Nadat de patiënt ervoor heeft betaald, kan hij meteen het onderzoek doen. Zo kon hij vervolgens met het onderzoeksrapport naar de dokter gaan en dat bespaart de patiënt de moeite om in de rij te staan. (2) Tegelijkertijd zou het AI-systeem ook de medische geschiedenis kunnen automatiseren. De patiënt zou in de vrije tijd zelfhulpgeschiedenis verzamelen. Het AI-systeem verzamelt de medische geschiedenis en importeert deze automatisch naar de computer van de arts. De belangrijkste taak van artsen is het wijzigen van de medische geschiedenis die door AI wordt gegenereerd. Tot op zekere hoogte verlicht het de last van artsen. (3) Tijdens het bezoek legt het AI-systeem automatisch de informatie vast in het elektronische medische dossier van de patiënt en genereert het de mogelijke diagnose. Dit proces is een grote hulp voor artsen in opleiding en kan als richtsnoer dienen.
Kortom, deze studie is nuttig om de wachttijd van patiënten effectief te verminderen en hun medische ervaring aanzienlijk te vergroten. Terwijl de werkintensiteit van artsen wordt verminderd, is de poliklinische procedure van ons ziekenhuis effectief geoptimaliseerd om het tekort aan kinderartsen enigszins te verlichten.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Vertrouwend op mobiele applicaties en computersoftware, zou het bereiken:
- Intelligente begeleiding en afstemming op de afdeling;
- Intelligente verzameling van medische geschiedenis en het genereren van AI-medische dossiers;
- Examenitems automatisch aanbevelen;
- Help bij klinische diagnose en doe intelligente diagnosesuggesties.
Studietype
Inschrijving (Werkelijk)
Fase
- Niet toepasbaar
Contacten en locaties
Studie Locaties
-
-
-
Shanghai, China
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, China, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Beschrijving
Inclusiecriteria:
Patiënten van 2 maanden tot 18 jaar gaan voor behandeling naar het kindermedisch centrum van Shanghai.
Uitsluitingscriteria:
- Mensen die het er niet mee eens zijn om mee te doen.
- Mensen die niet kunnen samenwerken.
- Mensen die moeilijk te volgen zijn.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Primair doel: Onderzoek naar gezondheidsdiensten
- Toewijzing: Gerandomiseerd
- Interventioneel model: Parallelle opdracht
- Masker: Geen (open label)
Wapens en interventies
Deelnemersgroep / Arm |
Interventie / Behandeling |
|---|---|
|
Experimenteel: Patiënten met een routinematig poliklinisch serviceproces
Na aanmelding wacht de patiënt in de rij bij de deur van de spreekkamer.
Zijn arts gebruikt traditionele methoden om medische dossiers met de hand in te voeren en zelfstandig een diagnose te stellen.
Dan wacht de patiënt in de rij om de rekening te betalen en in de rij voor onderzoek.
Ten slotte zou de patiënt het onderzoeksrapport terugbrengen naar de arts.
|
Patiënten volgen de procedures van registratie, wachten, aanwezigheid, wachten, onderzoek, wachten, aanwezigheid.
|
|
Experimenteel: Patiënten met AI-ondersteund poliklinisch serviceproces
Na registratie koppelt de patiënt zijn gegevens aan de mobiele telefoonapplicatie via het poliklinieknummer.
Ten eerste zou het AI-systeem de patiënt een reeks vragen stellen.
Vervolgens zou het een oordeel vellen op basis van de reactie van de patiënt.
Het systeem verzendt de onderzoeksitems naar de computer van de arts en stuurt, met toestemming van de arts, items terug naar de patiënt.
Patiënt kon dus direct het onderzoek doen.
Terwijl hij op zijn beurt wacht, komt de patiënt opnieuw in het telefoonprogramma en verzamelt het AI-systeem zijn medische geschiedenis.
De informatie wordt teruggestuurd naar de arts.
Als de patiënt met het onderzoeksrapport naar de spreekkamer gaat, beschikt de computer van de dokter al over zijn medisch dossier.
De arts hoeft alleen de geschiedenis aan te passen aan de werkelijke situatie.
Na het schrijven van de medische geschiedenis kon het AI-systeem automatisch de diagnose stellen.
Dokter gebruikt de resultaten van de AI en zijn eigen oordeel om een uitgebreide diagnose te stellen.
|
Patiënten volgen de registratieprocedures, door AI aanbevolen onderzoeksitems, zelfbediening van medische geschiedenisverzameling, onderzoek, wachten, AI-geassisteerde aanwezigheid.
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Evalueer de efficiëntie van de twee processen
Tijdsspanne: tot 1 maand
|
Vergelijk de gemiddelde wachttijd voor een enkele patiënt en de gemiddelde bezoektijd voor een enkele patiënt.
|
tot 1 maand
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Evalueer de tevredenheid van patiënten over medische processen
Tijdsspanne: tot 1 maand
|
De tevredenheidsvragenlijst zou worden gebruikt om de mate van tevredenheid tussen de twee processen te vergelijken.
|
tot 1 maand
|
|
Economische metingen
Tijdsspanne: tot 1 maand
|
Besteed geld aan polikliniek, geef geld uit aan onderzoek et al.
|
tot 1 maand
|
|
Werkefficiëntie van artsen
Tijdsspanne: tot 1 maand
|
Historische gegevens gebruiken voor vergelijkingen voor en na, om de invloed van intelligente verzameling van medische geschiedenis op de bezoektijd van elke patiënt te vergelijken.
|
tot 1 maand
|
Medewerkers en onderzoekers
Publicaties en nuttige links
Algemene publicaties
- 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.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Andere studie-ID-nummers
- SCMCIRB-K2019020-2
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .