Kunstmatige intelligentie voor geautomatiseerde verkenning van klinische gegevens uit elektronische medische dossiers (CardioMining-AI)
Het nut van kunstmatige intelligentie voor geautomatiseerde extractie en verwerking van klinische gegevens uit elektronische medische dossiers (CardioMining-AI)
Studie Overzicht
Toestand
Gedetailleerde beschrijving
Ondanks de snelle ontwikkeling van de geneeskunde en de informatica in de afgelopen jaren, is de medische behandeling in de moderne klinische praktijk vaak empirisch en gebaseerd op retrospectieve gegevens. Met het groeiende aantal patiënten en hun concentratie in grote tertiaire centra, wordt het aantrekkelijk om systematisch klinische gegevens te verzamelen en toe te passen op modellen voor risicostratificatie. Met de toenemende hoeveelheid gegevens wordt het handmatig verzamelen en verwerken van gegevens echter een uitdaging, aangezien deze benadering tijdrovend en kostbaar is voor de gezondheidszorgsystemen. Bovendien wordt ongestructureerde informatie, zoals klinische notities, heel vaak geschreven als vrije tekst die niet geschikt is voor directe analyse. Het gebruik van kunstmatige intelligentie is veelbelovend en zal de toekomst van de geneeskunde de komende jaren snel veranderen. Door de geautomatiseerde processen die het biedt, is het mogelijk om snel en betrouwbaar gegevens te extraheren voor verdere verwerking. De resultaten van het gebruik ervan kunnen eenvoudig worden uitgebreid naar verschillende gezondheidszorgstelsels, waardoor de geproduceerde kennis wordt vergroot en de diagnostische en therapeutische nauwkeurigheid wordt verbeterd, wat uiteindelijk een positieve invloed heeft op de gezondheidsdiensten. Het verzamelen van de enorme hoeveelheid gegevens uit verschillende bronnen zonder de persoonlijke gegevens van patiënten in gevaar te brengen, is een grote uitdaging in de moderne wetenschap.
Elektronisch geregistreerde klinische aantekeningen van patiënten die in het ziekenhuis zijn opgenomen op de afdeling Cardiologie van tertiaire ziekenhuizen zullen achteraf worden verzameld, evenals aanvullende bestanden zoals de laboratorium- en beeldvormingsonderzoeken met betrekking tot elke ziekenhuisopname. Gezien de omvang van de deelnemende klinieken en de jaren waarin de registratie van elektronische ziekenhuisdossiers in elektronische vorm werd toegepast, wordt geschat dat de steekproef van patiëntendossiers ongeveer 60.000 zal bedragen. Alle informatie die mogelijk kan worden gebruikt om een persoon te identificeren, zoals naam, ID-nummer, postcode, woonplaats, beroep, wordt uit deze elektronische bestanden verwijderd. Alleen de leeftijd wordt geregistreerd, niet de exacte geboortedatum van elke patiënt. Alleen de dagen van ziekenhuisopname worden geregistreerd en niet de exacte data van opname en ontslag uit het ziekenhuis. De gegevens kunnen dus niet worden toegewezen aan een specifiek onderwerp, aangezien er geen aanvullende informatie of identificatoren voor de onderwerpen worden verzameld. Nadat de bestanden zijn geanonimiseerd, wordt de klinische notitie van elke patiënt gekoppeld aan een specifieke sleutel ("identifier"). Het elektronische bestand dat de correlatie van de "identificatie" met de klinische notitie van de patiënt bevat, wordt opgeslagen op een beveiligde elektronische locatie in het ziekenhuis. De volledig geanonimiseerde bestanden zullen in eerste instantie handmatig worden geanalyseerd om informatie te extraheren in een database met alle klinische informatie van de patiënt, zoals ontslagdiagnoses, medicatie, behandelingsprotocollen, laboratorium- en diagnostische tests. Tegelijkertijd wordt een steekproef (1/3) van de klinische aantekeningen geanalyseerd om de trefwoorden of zinsdelen te identificeren die bij elke diagnose horen (de diagnose boezemfibrilleren wordt bijvoorbeeld waarschijnlijk geregistreerd als "atriumfibrilleren", "AF" , enz.). Door gebruik te maken van dit gegenereerde woordenboek met trefwoorden en door methoden van kunstmatige intelligentie en tekstmining, zoals natuurlijke taalverwerking (NLP), te integreren, wordt geprobeerd om gegevens en diagnoses automatisch uit deze elektronische medische aantekeningen te halen. De betrouwbaarheid en nauwkeurigheid van de rekenmethoden zullen intern worden geëvalueerd, waarbij de automatisch geëxtraheerde gegevens worden vergeleken met de handmatig geregistreerde gegevens. Bovendien zullen de betrouwbaarheid en nauwkeurigheid van deze computationele methoden extern worden geëvalueerd, waarbij deze methoden worden toegepast op 2/3 van de klinische aantekeningen waarin geen verband werd gelegd tussen trefwoorden en specifieke diagnoses.
Met betrekking tot Griekenland wil de huidige studie als eerste het nut analyseren van kunstmatige intelligentie voor geautomatiseerde extractie en verwerking van ongestructureerde klinische gegevens uit de medische klinische aantekeningen van patiënten. De resultaten van dit onderzoek zullen een positieve invloed hebben op:
- de automatisering van grootschalige data-analyse en verwerkingsprocedures
- de snelle epidemiologische registratie en benutting van klinische gegevens
- de vroege diagnose van ziekten
- de ontwikkeling van fenotypische patiëntprofielen die baat zouden kunnen hebben bij gerichte therapieën
- de ontwikkeling van klinische beslissingsondersteunende systemen die informatie verschaffen over het mogelijke klinische beloop van patiënten na ontslag uit het ziekenhuis en medische beslissingen ondersteunen
- de ontwikkeling en validatie van prognostische modellen voor belangrijke hart- en vaatziekten
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: George Giannakoulas, MD, PhD
- Telefoonnummer: +30 2310994830
- E-mail: ggiannakoulas@auth.gr
Studie Contact Back-up
- Naam: Athanasios Samaras, MD
- Telefoonnummer: +30 2310994830
- E-mail: ath.samaras.as@gmail.com
Studie Locaties
-
-
-
Alexandroupoli, Griekenland
- Nog niet aan het werven
- University Cardiology Clinic, Democritus University of Thrace
-
Contact:
- George Chalikias, MD, PhD
- E-mail: gchaliki@med.duth.gr
-
Contact:
- Dimitrios Tziakas, MD, PhD
-
Athens, Griekenland
- Werving
- 1st Department of Cardiology, Hippokration General Hospital
-
Contact:
- George Lazaros, MD, PhD
- E-mail: glaz35@hotmail.com
-
Contact:
- Konstantinos Tsioufis, MD, PhD
-
Heraklion, Griekenland
- Nog niet aan het werven
- Department of Cardiology, Heraklion University Hospital
-
Contact:
- Alexandros Patrianakos, MD, PhD
- E-mail: apatrianakos@yahoo.gr
-
Contact:
- Alexandros Patrianakos, MD, PhD
-
Larissa, Griekenland
- Werving
- University General Hospital of Larissa, University of Thessaly
-
Contact:
- Gregory Giamouzis, MD, PhD
- E-mail: grgiamouzis@gmail.com
-
Contact:
- Gregory Giamouzis, MD, PhD
-
Patras, Griekenland
- Werving
- Department of Cardiology, University of Patras Medical School
-
Contact:
- Periklis Davlouros, MD, PhD
- E-mail: pdav@upatras.gr
-
Contact:
- Periklis Davlouros, MD, PhD
-
Thessaloniki, Griekenland
- Nog niet aan het werven
- 3rd Cardiology Department, Hippokration Hospital
-
Contact:
- Vassilios Vassilikos, MD, PhD
- E-mail: vvassil@auth.gr
-
Contact:
- Vassilios Vassilikos, MD, PhD
-
Thessaloniki, Griekenland
- Werving
- Cardiology Department, George Papanikolaou General Hospital
-
Contact:
- John Zarifis, MD, PhD
- E-mail: zarifis.john@gmail.com
-
Contact:
- John Zarifis, MD, PhD
-
Thessaloníki, Griekenland, 54636
- Werving
- 1st Cardiology Department, AHEPA University Hospital
-
Contact:
- Athanasios Samaras, MD, PhD
- E-mail: ath.samaras.as@gmail.com
-
Contact:
- George Giannakoulas, MD, PhD
-
Thessaloníki, Griekenland
- Werving
- Laboratory of Medical Physics, Aristotle University of Thessaloniki
-
Contact:
- Panagiotis Bamidis, Prof
- E-mail: pdbamidis@gmail.com
-
Contact:
- Panagiotis Bamidis, Prof
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Gehospitaliseerde patiënten op cardiologieafdelingen in Griekenland
- Patiënten van wie de medische dossiers elektronisch zijn opgeslagen in de computer-/informatiesystemen van elk ziekenhuis
Uitsluitingscriteria:
- Patiënten die tijdens de ziekenhuisopname zijn overleden en dus geen ontslagbrief hebben gekregen
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Cohort
- Tijdsperspectieven: Retrospectief
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Nauwkeurigheid van kunstmatige intelligentie om automatisch klinische gegevens uit de medische dossiers van patiënten te extraheren in vergelijking met traditionele handmatige gegevensextractiemethoden
Tijdsspanne: 1 jaar
|
Snelheid van nauwkeurige extractie van klinische gegevens (medische geschiedenis, ontslagdiagnoses, medicatie, etc.) uit ongestructureerde klinische aantekeningen met behulp van geautomatiseerde kunstmatige-intelligentiemethoden in vergelijking met traditionele methoden van handmatige gegevensextractie
|
1 jaar
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Tijd voor sterfte door alle oorzaken
Tijdsspanne: tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
Tijdsduur (maanden) tot overlijden door welke oorzaak dan ook tijdens de follow-upperiode
|
tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
|
Tijd om grote hart- en vaatziekten op te lopen
Tijdsspanne: tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
Tijdsduur (maanden) tot ontwikkeling van hartfalen, diabetes mellitus of coronaire hartziekte tijdens de follow-upperiode
|
tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
|
Tijd tot heropname om cardiovasculaire redenen
Tijdsspanne: tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
Duur (maanden) tot heropname om cardiovasculaire redenen tijdens de follow-upperiode
|
tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
|
Tijd tot beroerte of systemische embolie
Tijdsspanne: tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
Tijdsduur (maanden) tot beroerte of systemische embolie tijdens de follow-upperiode
|
tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
|
Tijd tot acuut coronair syndroom
Tijdsspanne: tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
Duur (maanden) tot acuut coronair syndroom tijdens de follow-upperiode
|
tot 8 jaar (vanaf ontslag uit het ziekenhuis tot de einddatum van de primaire studie)
|
Medewerkers en onderzoekers
Publicaties en nuttige links
Algemene publicaties
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017 May 30;69(21):2657-2664. doi: 10.1016/j.jacc.2017.03.571.
- Boag W, Doss D, Naumann T, Szolovits P. What's in a Note? Unpacking Predictive Value in Clinical Note Representations. AMIA Jt Summits Transl Sci Proc. 2018 May 18;2017:26-34. eCollection 2018.
- Hashir M, Sawhney R. Towards unstructured mortality prediction with free-text clinical notes. J Biomed Inform. 2020 Aug;108:103489. doi: 10.1016/j.jbi.2020.103489. Epub 2020 Jun 25.
- Diller GP, Kempny A, Babu-Narayan SV, Henrichs M, Brida M, Uebing A, Lammers AE, Baumgartner H, Li W, Wort SJ, Dimopoulos K, Gatzoulis MA. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J. 2019 Apr 1;40(13):1069-1077. doi: 10.1093/eurheartj/ehy915.
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
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
Andere studie-ID-nummers
- 545/19.11.2021
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
IPD delen Ondersteunend informatietype
- LEERPROTOCOOL
- SAP
- ANALYTIC_CODE
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
product vervaardigd in en geëxporteerd uit de V.S.
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 .