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

AI-agent voor geautomatiseerde diagnose en voorspellen met behulp van EPD en multimodale gegevens

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

AI-Agent Assisted Automation voor het diagnosticeren en voorspellen van patiënten met behulp van elektronische gezondheidsdossiers en multimodale gegevens

Het doel van deze klinische studie is om de effectiviteit van een AI-agent bij het diagnosticeren en voorspellen van ziekten te evalueren met behulp van elektronische medische dossiers (EPD) en multimodale beeldgegevens. De AI-agent maakt gebruik van geavanceerde machine learning-algoritmen om diverse bronnen van gezondheidsgegevens te verwerken en analyseren, met als doel zorgverleners te helpen bij het maken van nauwkeurigere diagnoses en voorspellingen.

Studie Overzicht

Toestand

Werving

Conditie

Gedetailleerde beschrijving

Deze multi-center, retrospectieve klinische studie is ontworpen om de toepassing en effectiviteit van een AI-agent in het medische besluitvormingsproces te evalueren. Het AI-agent integreert en analyseert multimodale gegevens, waaronder elektronische gezondheidsdossiers (EPD) en verschillende beeldgegevens (bijv. X-stralen, MRI's, CT-scans, echografie) om een ​​reeks ziekten te voorspellen en te diagnosticeren. Door gebruik te maken van de kracht van machine learning en gegevensfusietechnieken, kan de AI -agent patronen identificeren in grote en complexe datasets en inzichten bieden die mogelijk niet onmiddellijk zichtbaar zijn via traditionele diagnostische methoden. De studie zal de diagnostische nauwkeurigheid van de AI -agent vergelijken met traditionele diagnostische praktijken om de potentiële voordelen ervan in klinische omgevingen te beoordelen. Belangrijkste vragen zijn of het AI -agent kan helpen bij vroege diagnose, ziekteprogressie voorspellen en zorgverleners ondersteunen bij het nemen van gepersonaliseerde behandelingsbeslissingen. Deelnemers zijn niet verplicht om extra interventies te ondergaan; Ze bieden alleen historische gezondheidsgegevens, waaronder EPD en relevante beeldgegevens, die door de AI -agent worden geanalyseerd. Het AI -systeem zal deze gegevens vervolgens gebruiken om zorgverleners te helpen door voorspellingen en diagnostische suggesties te bieden op basis van de analyse van de multimodale informatie. Het uiteindelijke doel is om te bepalen of deze AI-aangedreven aanpak de diagnostische nauwkeurigheid kan verbeteren, de behandelingsstrategieën kan optimaliseren en de resultaten van de patiënt in de klinische praktijk kan verbeteren.

Studietype

Observationeel

Inschrijving (Geschat)

2000000

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
        • Sun Yat-sen Memorial Hospital
        • Contact:
      • Guangzhou, Guangdong, China
      • Guangzhou, Guangdong, China
        • Werving
        • Sun Yat-sen University Cancer Hospital
        • Contact:
    • Sichuan
      • Chengdu, Sichuan, China
        • Werving
        • West China Hospital
        • 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

  • Kind
  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

De deelnemers aan dit onderzoek zullen worden geselecteerd uit meerdere gezondheidszorgcentra en ziekenhuizen die uitgebreide elektronische medische dossiers (EPD) en multimodale beeldgegevens bijhouden. De onderzoekspopulatie zal patiënten omvatten die verschillende ziekten of gezondheidsproblemen hebben, waarbij gegevens beschikbaar zijn voor diagnose en ziekteprogressie. Deelnemers krijgen bevestigde diagnoses op basis van klinische dossiers of beeldgegevens, inclusief maar niet beperkt tot aandoeningen vastgelegd door röntgenfoto's, CT-scans, MRI's en echo's. Zowel mensen met complexe gezondheidsproblemen als mensen met vaker voorkomende ziekten zullen worden betrokken om de diagnostische en voorspellende capaciteiten van het AI-systeem in een breed spectrum van gevallen te evalueren. Deelnemers uit deze centra zullen historische gezondheidsgegevens verstrekken en er zal geen actieve interventie plaatsvinden buiten de gebruik van hun bestaande klinische en beeldgegevens voor het trainen en testen van het AI-systeem.

Beschrijving

Inclusiecriteria:

  1. Deelnemers moeten uitgebreide elektronische gezondheidsdossiers (EPD) hebben, inclusief demografische informatie, medische geschiedenis en laboratoriumresultaten.
  2. Deelnemers moeten beschikken over multimodale beeldgegevens (bijvoorbeeld röntgenfoto's, CT-scans, MRI's, echo's) die relevant zijn voor hun gezondheidstoestand.
  3. Deelnemers moeten een bevestigde diagnose hebben van een of meer ziekten of gezondheidsproblemen, gebaseerd op klinische dossiers of beeldgegevens.
  4. Patiënten moeten toestemming geven voor het gebruik van hun historische gezondheidsgegevens voor onderzoeksdoeleinden.

Uitsluitingscriteria:

  1. Deelnemers met dubbelzinnige of niet -verifieerbare diagnoses die niet nauwkeurig kunnen worden gecategoriseerd.
  2. Dubbele of overbodige patiëntgegevens (bijv. Herhaalde gegevens van dezelfde patiënt zonder duidelijke differentiatie).

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
AI-ondersteunde ziektevoorspelling met behulp van EPD- en beeldgegevens
Dit cohort bestaat uit patiënten van wie de historische gezondheidsgegevens, waaronder elektronische medische dossiers (EPD) en multimodale beeldgegevens (bijvoorbeeld röntgenfoto's, MRI's, CT-scans, echo's), zullen worden geanalyseerd door een AI-agent. Het AI-systeem zal helpen bij het diagnosticeren en voorspellen van ziekten door deze diverse gegevensbronnen te verwerken en te integreren. De primaire focus ligt op het evalueren van het vermogen van de AI-agent om patronen te identificeren en de ziekteprogressie met hoge nauwkeurigheid te voorspellen. Deelnemers hoeven geen aanvullende acties te ondernemen, afgezien van het verstrekken van hun medische geschiedenis en beeldgegevens. Het doel is om te beoordelen hoe goed het AI-systeem de klinische besluitvorming kan ondersteunen en de diagnostische resultaten kan verbeteren op basis van de aangeleverde gegevens.

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 juli 2023

Primaire voltooiing (Geschat)

1 juli 2025

Studie voltooiing (Geschat)

1 juli 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

Andere studie-ID-nummers

  • AI-agent

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