Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Vroege diagnose en voorspelling van moeder- en neonatale ziekten: (EDPMND)

16 april 2025 bijgewerkt door: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Vroege voorspelling en diagnose van maternale en neonatale ziekten met behulp van multimodale gezondheidsgegevens

Dit is een retrospectief klinisch onderzoek in meerdere centra, ontworpen om de toepassing en effectiviteit te evalueren van een AI-ondersteund voorspellend model voor het identificeren van ziekten bij moeders en pasgeborenen, waarbij gebruik wordt gemaakt van multimodale gezondheidsgegevens.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

De gezondheid van moeders en pasgeborenen heeft een aanzienlijke invloed op het welzijn van zowel moeders als zuigelingen. Vroegtijdige screening, diagnose en interventie zijn van cruciaal belang voor het voorkomen van het ontstaan ​​en de progressie van zwangerschapsgerelateerde ziekten en neonatale aandoeningen. In de klinische praktijk moeten verloskundigen en kinderartsen vaak een breed scala aan patiëntgegevens integreren, waaronder demografische informatie, medische geschiedenis, biochemische markers zoals bloedglucose- en lipidenniveaus, evenals verschillende beeldgegevens zoals echografieën, foetale monitoring en laboratoriumgegevens. testresultaten, om een ​​nauwkeurige diagnose te stellen en een passend zorgplan te ontwikkelen. In een tijdperk waarin precisie en gepersonaliseerde geneeskunde voorop staan ​​in de gezondheidszorg, zijn de vroege detectie en diagnose van ziekten bij moeders en pasgeborenen, evenals de selectie van geschikte diagnostische en therapeutische strategieën, belangrijke uitdagingen geworden in klinische omgevingen. Recente ontwikkelingen op het gebied van medische beeldvorming en data-analysetechnieken hebben de nauwkeurigheid en effectiviteit van de diagnose van ziekten bij moeders en pasgeborenen aanzienlijk verbeterd. Deze studie heeft tot doel een AI-ondersteund besluitvormingssysteem te ontwikkelen door multimodale gegevens uit elektronische medische dossiers, beeldvorming en laboratoriumresultaten te integreren, in combinatie met deep learning-technieken. Het doel is om de diagnostische nauwkeurigheid te verbeteren, klinische workflows te stroomlijnen en meer gepersonaliseerde zorgopties voor moeders en baby's te bieden. Uiteindelijk streeft dit systeem ernaar de gezondheidsresultaten te verbeteren en de algehele levenskwaliteit voor zowel moeders als hun pasgeborenen te verbeteren.

Studietype

Observationeel

Inschrijving (Geschat)

1000000

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

Studie Locaties

  • China
    • Guangdong
      • Guangzhou, Guangdong, China
        • Werving
        • Guangzhou Women and Children's Medical Center
        • Contact:
    • Zhejiang
      • Wenzhou, Zhejiang, China
        • Werving
        • First Affiliated Hospital of Wenzhou Medical University
        • Contact:
      • Wenzhou, Zhejiang, China
        • Werving
        • Second Affiliated Hospital of Wenzhou Medical University
        • Contact:

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

Accepteert gezonde vrijwilligers

Ja

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

De onderzoekspopulatie bestaat uit zwangere vrouwen in de leeftijd van 18 tot 45 jaar die zorg hebben ontvangen in deelnemende onderzoekscentra. Deelnemers moeten over uitgebreide elektronische medische dossiers (EPD's) beschikken, inclusief gegevens over prenatale zorg, laboratoriumresultaten of beeldvormingsgegevens. Zowel gezonde moeders als moeders met zwangerschapsgerelateerde ziekten (bijvoorbeeld pre-eclampsie, zwangerschapsdiabetes) zullen in het onderzoek worden opgenomen om de diagnostische mogelijkheden van het AI-ondersteunde model te beoordelen. Het onderzoek zal zich richten op patiënten met gedocumenteerde zorgdossiers van de deelnemende centra.

Beschrijving

Inclusiecriteria:

  1. Zwangere vrouwen van 18 tot 45 jaar.
  2. Vrouwen die prenatale zorg hebben gekregen in deelnemende centra (bijvoorbeeld ziekenhuizen of klinieken).
  3. Beschikbaarheid van uitgebreide elektronische gezondheidsdossiers, waaronder prenatale zorggegevens, laboratoriumresultaten en beeldvormingsrecords.
  4. Bereidheid om toestemming te geven voor deelname aan het onderzoek en het gebruik van historische gezondheidsgegevens voor analyse.

Uitsluitingscriteria:

  1. Vrouwen jonger dan 18 jaar of ouder dan 45 jaar.
  2. Deelnemers met onvoldoende follow-upgegevens of ontbrekende kritische klinische informatie die nodig is voor voorspellende modellering.

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
Gezond moeder- en neonatale cohort
Deze groep bestaat uit zwangere moeders zonder zwangerschapsgerelateerde ziekten en hun gezonde pasgeborenen. Deelnemers aan dit cohort zullen dienen als controlegroep ter vergelijking met de experimentele groep. Er zullen geen interventies of behandelingen worden toegediend aan dit cohort, aangezien deze de basis vormen voor gezonde zwangerschappen en pasgeborenen.
Diagnostische toets: Op AI gebaseerd diagnostisch en prognostisch model
Deze interventie omvat een AI -systeem dat multimodale gegevens integreert, inclusief gezondheidsdossiers van de moeder, laboratoriumtestresultaten en beeldgegevens, om het risico op maternale en neonatale ziekten te voorspellen. Het systeem maakt gebruik van diepleeralgoritmen om realtime, nauwkeurige voorspellingen te bieden, waardoor vroege identificatie van gezondheidscomplicaties mogelijk wordt. Door historische gezondheidsgegevens te analyseren, wil het model potentiële risico's voor zowel moeders als baby's voorspellen, waardoor vroege interventie en resultaten worden verbeterd.
Maternale en neonatale ziektecohort
Deze groep bestaat uit zwangere moeders die zijn gediagnosticeerd met zwangerschapsgerelateerde ziekten of hun getroffen pasgeborenen. Deelnemers aan dit cohort zullen dienen als de experimentele groep voor het evalueren van de effectiviteit van het vroege voorspellingsmodel bij het identificeren van de gezondheidsrisico's voor moeders en neonatale gezondheid.
Diagnostische toets: Op AI gebaseerd diagnostisch en prognostisch model
Deze interventie omvat een AI -systeem dat multimodale gegevens integreert, inclusief gezondheidsdossiers van de moeder, laboratoriumtestresultaten en beeldgegevens, om het risico op maternale en neonatale ziekten te voorspellen. Het systeem maakt gebruik van diepleeralgoritmen om realtime, nauwkeurige voorspellingen te bieden, waardoor vroege identificatie van gezondheidscomplicaties mogelijk wordt. Door historische gezondheidsgegevens te analyseren, wil het model potentiële risico's voor zowel moeders als baby's voorspellen, waardoor vroege interventie en resultaten worden verbeterd.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Gebied onder de curve (AUC)
Tijdsspanne: 1 jaar
AUC van de ROC-curve, gebruikt om de diagnostische nauwkeurigheid te kwantificeren. Geen eenheid (een verhouding of percentage, meestal uitgedrukt als een getal tussen 0 en 1).
1 jaar
F1-score
Tijdsspanne: 1 jaar
De F1 -score is het harmonische gemiddelde van precisie en gevoeligheid (terugroeping). Het is een goede maat voor het vermogen van het model om zowel echte positieven te identificeren en valse positieven te minimaliseren, vooral in gevallen waarin de klassen onevenwichtig zijn (bijvoorbeeld wanneer het aantal gezonde gevallen veel hoger is dan gevallen van ziekten). De F1 -score varieert van 0 tot 1, met 1 die een perfecte precisie en terugroepactie aangeeft.
1 jaar

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Gevoeligheid (echt positief percentage)
Tijdsspanne: 1 jaar
Gevoeligheid meet hoe goed het AI -model echte positieve gevallen identificeert, zoals het correct diagnosticeren van zwangere vrouwen met complicaties of het identificeren van neonatale aandoeningen.
1 jaar
Specificiteit (echte negatieve snelheid)
Tijdsspanne: 1 jaar
Specificiteit meet het vermogen van het AI -model om gevallen correct te identificeren zonder ziekten, zodat gezonde moeders en zuigelingen correct als negatief worden geïdentificeerd.
1 jaar

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

The Eye Hospital of Wenzhou Medical University

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)

1 augustus 2023

Primaire voltooiing (Geschat)

1 mei 2025

Studie voltooiing (Geschat)

1 mei 2025

Studieregistratiedata

Eerst ingediend

19 januari 2025

Eerst ingediend dat voldeed aan de QC-criteria

19 januari 2025

Eerst geplaatst (Werkelijk)

24 januari 2025

Updates van studierecords

Laatste update geplaatst (Werkelijk)

17 april 2025

Laatste update ingediend die voldeed aan QC-criteria

16 april 2025

Laatst geverifieerd

1 april 2025

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • Maternal and Neonatal Diseases

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

product vervaardigd in en geëxporteerd uit de V.S.

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 .

Abonneren