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

AI-gestuurde voorspelling van ziekenhuisinfecties met EPD

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

Voorspellen van ziekenhuisinfecties met behulp van elektronische medische dossiers: een AI-ondersteunde aanpak

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 en diagnosticeren van infecties, waarbij gebruik wordt gemaakt van multimodale gezondheidsgegevens.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Ziekenhuisinfecties (HAI's) zijn een belangrijke oorzaak van morbiditeit en mortaliteit in gezondheidszorgomgevingen. Vroegtijdige identificatie en preventie van zorginfecties zijn cruciaal voor het verbeteren van de patiëntresultaten, het verlagen van de gezondheidszorgkosten en het voorkomen van de verspreiding van infecties. In de klinische praktijk moeten zorgverleners vaak een breed scala aan patiëntgegevens integreren, waaronder medische geschiedenis, laboratoriumtestresultaten, medicijngebruik, chirurgische procedures en klinische observaties, om infectierisico's te beoordelen en zorginfecties te voorkomen. Nu infectiebeheersing en precisiegeneeskunde steeds belangrijker worden, blijft de uitdaging bestaan ​​om infecties te voorspellen en te voorkomen, vooral bij patiënten met subtiele of asymptomatische risicofactoren. Recente ontwikkelingen op het gebied van kunstmatige intelligentie en data-analysetechnieken zijn veelbelovend gebleken bij het verbeteren van de nauwkeurigheid en efficiëntie van infectievoorspelling en -preventie. Deze studie heeft tot doel een AI-ondersteund besluitvormingssysteem te ontwikkelen door multimodale gegevens uit elektronische medische dossiers, laboratoriumresultaten, klinische observaties en demografische gegevens van patiënten te integreren. Het doel is om de vroegtijdige identificatie van patiënten die risico lopen op zorginfecties te verbeteren, de klinische workflows te stroomlijnen en de maatregelen voor infectiebeheersing te optimaliseren. Uiteindelijk streeft dit systeem ernaar de incidentie van ziekenhuisinfecties te verminderen, de patiëntveiligheid te verbeteren en de algehele kwaliteit van de gezondheidszorg 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
    • 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

  • Kind
  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

De onderzoekspopulatie bestaat uit personen die zorg hebben gekregen in deelnemende studiecentra. Deelnemers moeten uitgebreide elektronische gezondheidsdossiers (EPD's) hebben, inclusief medische geschiedenis, laboratoriumtestresultaten, behandelingsgegevens en klinische observaties. Beide personen die in het ziekenhuis verworven infecties (HAIS) hebben ontwikkeld en degenen die dat niet hebben gedaan, zullen in het onderzoek worden opgenomen om de voorspellende mogelijkheden van het AI-geassisteerde model voor infectierisico's te evalueren. De studie zal zich richten op patiënten met complete en gedocumenteerde zorgrecords van de deelnemende centra, waardoor een divers cohort voor analyse tussen verschillende leeftijdsgroepen en infectietypen wordt gewaarborgd.

Beschrijving

Inclusiecriteria:

  1. Patiënten met volledige en toegankelijke EPD-gegevens, waaronder medische geschiedenis, laboratoriumtestresultaten, behandelingsregimes, klinische observaties en infectiegeschiedenis.
  2. Patiënten die tijdens de onderzoeksperiode in het deelnemende ziekenhuis of zorginstelling zijn opgenomen.
  3. Alle deelnemers moeten geïnformeerde toestemming geven om hun gezondheidsgegevens voor onderzoeksdoeleinden te gebruiken.

Uitsluitingscriteria:

  1. Patiënten met onvolledige of ontbrekende kritische EPD -gegevens, zoals laboratoriumresultaten, medische geschiedenis of behandelingsdetails, die nodig zijn voor infectievoorspelling.
  2. Patiënten met ernstige cognitieve stoornissen, dementie of aandoeningen waardoor zij geen geïnformeerde toestemming kunnen geven of aan het onderzoek kunnen deelnemen.
  3. Patiënten die tijdens de onderzoeksperiode niet in het ziekenhuis zijn opgenomen of die uitsluitend poliklinische zorg ontvangen.
  4. Patiënten met terminale aandoeningen waarbij infectievoorspelling mogelijk niet van toepassing is op de klinische doelstellingen van het onderzoek.

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
Ziekenhuisverworven infectiecohort
Deze groep bestaat uit patiënten die tijdens hun verblijf in het ziekenhuis een ziekenhuisinfectie (HAI) hebben opgelopen. Deelnemers aan dit cohort zullen worden gebruikt om de effectiviteit van het AI-ondersteunde voorspellende model te evalueren bij het identificeren van de risicofactoren die leiden tot ziekenhuisinfecties. Het model zal worden beoordeeld op basis van de nauwkeurigheid van het voorspellen van infectierisico's bij gehospitaliseerde patiënten. Als onderdeel van dit cohort zullen er geen specifieke interventies worden aangeboden die verder gaan dan de bestaande infectiebeheersingspraktijken in ziekenhuizen.
Diagnostische toets: AI-gebaseerd diagnostisch en prognostisch model
Deze interventie omvat een AI-systeem dat multimodale gegevens integreert, waaronder medische geschiedenis van de patiënt, laboratoriumtestresultaten, klinische observaties en behandelingsgegevens, om het risico op ziekenhuisinfecties (HAIS) te voorspellen. Het systeem maakt gebruik van diepe leeralgoritmen om realtime, nauwkeurige voorspellingen te bieden, waardoor vroege identificatie van patiënten die risico lopen op infecties mogelijk maken. Door historische gezondheidsgegevens te analyseren, heeft het model gericht op het voorspellen van potentiële infectieontwikkelingen, het verbeteren van vroege detectie, preventiestrategieën en patiëntresultaten in ziekenhuisomgevingen.
Gezond cohort (geen hai)
Deze groep bestaat uit patiënten die tijdens hun verblijf in het ziekenhuis geen ziekenhuisinfecties hebben opgelopen. Deelnemers aan dit cohort zullen dienen als controlegroep ter vergelijking met de experimentele groep. Het AI-ondersteunde model zal worden geëvalueerd op zijn vermogen om onderscheid te maken tussen patiënten die risico lopen op het ontwikkelen van infecties en patiënten die tijdens de ziekenhuisopname infectievrij blijven. Er zullen geen interventies worden aangeboden als onderdeel van dit cohort, omdat het patiënten betreft zonder infectiegerelateerde complicaties.
Diagnostische toets: AI-gebaseerd diagnostisch en prognostisch model
Deze interventie omvat een AI-systeem dat multimodale gegevens integreert, waaronder medische geschiedenis van de patiënt, laboratoriumtestresultaten, klinische observaties en behandelingsgegevens, om het risico op ziekenhuisinfecties (HAIS) te voorspellen. Het systeem maakt gebruik van diepe leeralgoritmen om realtime, nauwkeurige voorspellingen te bieden, waardoor vroege identificatie van patiënten die risico lopen op infecties mogelijk maken. Door historische gezondheidsgegevens te analyseren, heeft het model gericht op het voorspellen van potentiële infectieontwikkelingen, het verbeteren van vroege detectie, preventiestrategieën en patiëntresultaten in ziekenhuisomgevingen.

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 februari 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

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • Hospital-Acquired Infections

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