Veilige en verklaarbare AI
23 februari 2026 bijgewerkt door: Abramson Cancer Center at Penn Medicine
VEILIGE EN VERKLARBARE AI-GESCHIKTE BESLUITVORMING VOOR GEPERSONALISEERDE KLINISCHE BESLISSINGSONDERSTEUNING
Hoewel de huidige AI-technologie geschikt is voor het automatiseren van een aantal repetitieve klinische taken, blijven er technische uitdagingen bestaan bij het oplossen van kritieke en winstgevende problemen op het gebied van patiënten- en ziektebeheer.
Het voorgestelde onderzoek heeft tot doel problemen op het gebied van medische AI aan te pakken, zoals het effectief integreren van medische kennis, het verklaarbaar maken van AI-aanbevelingen aan artsen en het vaststellen van veiligheidsgaranties.
Studie Overzicht
Toestand
Werving
Interventie / Behandeling
Studietype
Observationeel
Inschrijving (Geschat)
300000
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studiecontact
- Naam: Haideliza Soto Calderon
- Telefoonnummer: 215-220-9425
- E-mail: Haideliza.Soto-Calderon@pennmedicine.upenn.edu
Studie Contact Back-up
- Naam: Nicholas Bishop
- E-mail: nicholas.bishop@pennmedicine.upenn.edu
Studie Locaties
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Verenigde Staten, 19104
- Werving
- Hospital of the University of Pennsylvania
-
Contact:
- Haideliza Soto Calderon
- Telefoonnummer: 215-237-4509
- E-mail: haideliza.soto-calderon@pennmedicine.upenn.edu
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Nee
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
In de studie zal worden gekeken naar EMR-gegevens van hartpatiënten, oncologiepatiënten en patiënten die risico lopen op het krijgen van sepsis.
Elke groep heeft duidelijk gedefinieerde inclusie-uitsluitingscriteria. Om ervoor te zorgen dat het machine learning-model ventriculaire aritmieën en hartstilstand in het ziekenhuis kan voorspellen, zullen we patiëntencohorten samenstellen die bestaan uit volwassen (d.w.z. 18 jaar of ouder) patiënten die zijn opgenomen in een voor de ziekenboeg toegankelijk bed in een Penn Medicine-ziekenhuis van 2020 tot 2020. aanwezig zijn, evenals patiënten waarvan is vastgesteld dat ze een hartstilstand hebben gehad op basis van EPD-gegevens.
Beschrijving
Inclusiecriteria:
Cardiologie 18 jaar en ouder, opgenomen in een van de Penn Medicine-ziekenhuizen van 2017 tot heden. Sepsis die 18 jaar oud is op het moment van presentatie op een afdeling spoedeisende hulp of opname in een Penn Medicine-ziekenhuis vanaf 1 juli 2017, komt in aanmerking omdat dit de populatie vertegenwoordigt die risico loopt op het krijgen van sepsis. Oncologie van 18 jaar en ouder met een diagnose van invasieve borstkanker (fase 1-4) in het Penn Cancer-register
Uitsluitingscriteria Alle voorspellingsmodellen zullen patiënten jonger dan 18 jaar uitsluiten van hun patiëntendatasets.
Cardiologie Patiënten bij wie de primaire opnamediagnose een hartstilstand was. Sepsis Patiënten met reeds bestaande beperkingen op het gebied van levensverlengende therapie zullen worden uitgesloten omdat hun geschiktheid voor de definities van sepsis, de ontvangen zorg en de uitkomsten aanzienlijk en variabel kunnen worden beïnvloed door reeds bestaande beperkingen op de zorg. . Oncologie Er zijn geen andere uitsluitingen.
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Cardiologie
Het primaire doel in dit klinische casusscenario is het evalueren van een ML-model dat gebruik maakt van real-time cardiale telemetrie, evenals andere klinische, demografische en beeldvormende gestructureerde gegevensbronnen, onder gehospitaliseerde patiënten op de intensive care (ICU) om dreigende hartinfarcten in het ziekenhuis te voorspellen. kunnen mogelijk omkeerbare oorzaken van een hartstilstand worden geïdentificeerd en kunnen worden voorspeld welke patiënten een dreigende hartstilstand kunnen krijgen als gevolg van schokbare ritmes, zoals ventriculaire tachycardie (VT) of ventriculaire fibrillatie (VF).
|
AI-GESCHIKTE BESLUITVORMING VOOR GEPERSONALISEERDE KLINISCHE BESLISSINGSONDERSTEUNING
|
|
Oncologie - Borstkanker
Het primaire doel in dit klinische casusscenario is het evalueren van een ML-model, waarbij gebruik wordt gemaakt van gestructureerde en ongestructureerde gegevens uit klinische, demografische en tumor-moleculaire en kiembaansequencing, onder poliklinische patiënten met kanker, om sterfte op korte termijn en/of symptoomafname te voorspellen.
Het model voor het voorspellen van de behandelingsrespons bij borstkankerpatiënten zal worden vergeleken met twee prognostische instrumenten: 1) Conversation Connect, een eerder gevalideerd machine learning-instrument voor sterftevoorspelling dat is gebruikt aan de Universiteit van Pennsylvania voor routinematige ondersteuning van klinische beslissingen, en 2) de Elixhauser Comorbidity Index, een op comorbiditeit gebaseerde prognostische index die vaak wordt gebruikt in onderzoek en risicoaanpassing.
|
AI-GESCHIKTE BESLUITVORMING VOOR GEPERSONALISEERDE KLINISCHE BESLISSINGSONDERSTEUNING
|
|
Sepsis
Het primaire doel in dit klinische casusscenario is het ontwikkelen en evalueren van een ML-model dat multimodale klinische gegevens gebruikt (bijvoorbeeld gestructureerde EPD-gegevens zoals demografische gegevens, laboratoriumtestresultaten en vitale functies; ongestructureerde EPD-gegevens inclusief de tekst van klinische ontmoetingsaantekeningen en (waar beschikbaar, golfvormen van real-time cardiale, hemodynamische en respiratoire monitoringapparatuur) om de noodzaak van het starten van een breedspectrum antimicrobiële therapie voor gehospitaliseerde patiënten met sepsis te voorspellen.
Met een focus op implementeerbare en verklaarbare AI zullen we goed gekalibreerde voorspellingen produceren die ook klinisch betekenisvol zijn aan het bed, ter ondersteuning van realtime besluitvorming over diagnose en behandelingsinitiatief.
Het model voor tijdige diagnose en interventie bij sepsis zal worden vergeleken met veelgebruikte commerciële en open-source sepsisvoorspellingsmodellen.
|
AI-GESCHIKTE BESLUITVORMING VOOR GEPERSONALISEERDE KLINISCHE BESLISSINGSONDERSTEUNING
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Neurosymbolische leeralgoritmen
Tijdsspanne: Prototyperen en ontwikkelen van nieuwe leeralgoritmen; 18 maanden. Benchmark en evalueer de leeralgoritmen; 24 maanden. Onderzoeksresultaten publiceren; 24 maanden
|
Ontwikkel en evalueer nieuwe algoritmen voor het trainen van neurosymbolische modellen.
We zullen data- en rekenefficiënte algoritmen ontwikkelen voor end-to-end training van neurosymbolische modellen.
Deze taak zal de last voor klinische experts verminderen om fijnmazige labels aan te brengen op omvangrijke EPD-gegevens.
|
Prototyperen en ontwikkelen van nieuwe leeralgoritmen; 18 maanden. Benchmark en evalueer de leeralgoritmen; 24 maanden. Onderzoeksresultaten publiceren; 24 maanden
|
|
Uitleg Methoden
Tijdsspanne: Prototyperen en ontwikkelen van nieuwe verklaringsalgoritmen; 18 maanden. Gecertificeerde garanties afleiden voor uitleg; 18 maanden. Benchmark en evalueer de verklaringsalgoritmen; 24 maanden. Breid certificaten uit naar nieuwe eigendommen en taken; 30 maanden. Publ
|
We zullen nieuwe uitlegbare AI-technieken ontwikkelen die verifieerbare garanties bieden.
Deze garanties zullen vertrouwen en transparantie in AI op een fundamenteel niveau mogelijk maken.
|
Prototyperen en ontwikkelen van nieuwe verklaringsalgoritmen; 18 maanden. Gecertificeerde garanties afleiden voor uitleg; 18 maanden. Benchmark en evalueer de verklaringsalgoritmen; 24 maanden. Breid certificaten uit naar nieuwe eigendommen en taken; 30 maanden. Publ
|
|
Methoden voor veiligheidsgaranties
Tijdsspanne: Prototyperen en ontwikkelen van nieuwe algoritmen voor het leren van regels; 30 maanden. Schaal algoritmen voor het leren van regels naar grotere gegevensinstellingen; 36 maanden. Integreer nieuwe primitieven om complexe regels uit te drukken; 36 maanden. Implementeer algoritmen voor het leren van regels voor basistaken
|
We zullen nieuwe algoritmen ontwikkelen die op schaalbare wijze complexe logische regels voor de veiligheid kunnen extraheren uit de gegevens die statistische garanties bieden.
Deze technieken zullen hun oorsprong vinden in statistische analyse en zullen gebruikers helpen bij het identificeren van gegevens die niet in de distributie voorkomen en het opsporen van afwijkingen.
|
Prototyperen en ontwikkelen van nieuwe algoritmen voor het leren van regels; 30 maanden. Schaal algoritmen voor het leren van regels naar grotere gegevensinstellingen; 36 maanden. Integreer nieuwe primitieven om complexe regels uit te drukken; 36 maanden. Implementeer algoritmen voor het leren van regels voor basistaken
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Werkelijk)
29 november 2025
Primaire voltooiing (Geschat)
1 november 2028
Studie voltooiing (Geschat)
1 november 2028
Studieregistratiedata
Eerst ingediend
15 november 2024
Eerst ingediend dat voldeed aan de QC-criteria
15 november 2024
Eerst geplaatst (Werkelijk)
19 november 2024
Updates van studierecords
Laatste update geplaatst (Werkelijk)
25 februari 2026
Laatste update ingediend die voldeed aan QC-criteria
23 februari 2026
Laatst geverifieerd
1 februari 2026
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 34124
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
NEE
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
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 .