Kunstig intelligens i barneklinikken
Anvendelse av kunstig intelligens i barneklinikken
I Kina er antallet barnemedisinske tjenester fortsatt langt bak den økende etterspørselen etter barnehelsetjenester. Fenomenet med at barns foreldre står i kø over natten for registrering er ikke lenger overraskende. Dette er på grunn av økningen i antall barn og mangel på pediatriske talenter. I barneavdelingen øker antall pasienter år for år, men barnelege mangler fra begynnelse til slutt. I tillegg til poliklinisk tjeneste, utfører barneleger ved store sykehus også operasjoner, vitenskapelig forskning og andre oppgaver. Som et resultat må mange leger gi opp ferien, noe som gjør dem elendige og reduserer arbeidsentusiasme. Den lange køtiden reduserte også pasienttilfredsheten, noe som resulterte i at konflikten mellom barneleger og pasienter ble intensivert.
Dette forskningsprosjektet har som mål å skape et menneske-datamaskin integrert system og utvikle en ny diagnoseprosess innebygd med kunstig intelligens (AI). Funksjonen til AI-systemet inkluderer hovedsakelig 3 aspekter. (1) Pasienten bruker en mobiltelefonapplikasjon innebygd med AI som lar ham gå til sjekk før han oppsøker lege. Programmet vil stille pasienten en rekke spørsmål. Deretter, basert på pasientens svar, vil AI anbefale en serie undersøkelser, som alle vil bli gjennomgått av legen på forhånd. Etter at pasienten har betalt for det, kunne han gå rett til undersøkelsen. Så neste gang kunne han gå til legen med undersøkelsesrapporten som sparer pasienten bryet med å stå i kø. (2) Samtidig kan AI-systemet også automatisere sykehistorien. Pasienten ville fullføre innsamling av selvhjelpshistorie på fritiden. AI-systemet samler sykehistorien og importerer den automatisk til legens datamaskin. Legenes hovedoppgave er å endre sykehistorien generert av AI. Til en viss grad letter det byrden for leger. (3) Under besøket fanger AI-systemet automatisk informasjonen i pasientens elektroniske journal og genererer den mulige diagnosen. Denne prosessen er til stor hjelp for yngre leger, og kan tjene som en pekepinn.
Kort sagt, denne studien er nyttig for å effektivt redusere ventetiden til pasienter og øke deres medisinske erfaring betraktelig. Samtidig som legenes arbeidsintensitet reduseres, er poliklinisk prosedyre på sykehuset vårt effektivt optimalisert for å lindre mangelen på barneleger til en viss grad.
Studieoversikt
Status
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Ved å stole på mobilapplikasjoner og dataprogramvare vil det oppnå:
- Intelligent veiledning og matching av avdelingen;
- Intelligent medisinsk historieinnsamling og generering av AI-journaler;
- Anbefaler automatisk eksamensartikler;
- Bistå med klinisk diagnose og komme med intelligent diagnoseforslag.
Studietype
Registrering (Faktiske)
Fase
- Ikke aktuelt
Kontakter og plasseringer
Studiesteder
-
-
-
Shanghai, Kina
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, Kina, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
Tar imot friske frivillige
Kjønn som er kvalifisert for studier
Beskrivelse
Inklusjonskriterier:
Pasienter i alderen 2 måneder til 18 år og vil gå til Shanghais barnemedisinske senter for behandling.
Ekskluderingskriterier:
- Folk som ikke godtar å delta.
- Folk som ikke kan samarbeide.
- Folk som er vanskelige å følge opp.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Primært formål: Helsetjenesteforskning
- Tildeling: Randomisert
- Intervensjonsmodell: Parallell tildeling
- Masking: Ingen (Open Label)
Våpen og intervensjoner
Deltakergruppe / Arm |
Intervensjon / Behandling |
|---|---|
|
Eksperimentell: Pasienter med rutinemessig poliklinisk tjenesteforløp
Etter registrering står pasienten i kø ved døren til legekontoret.
Legen hans bruker tradisjonelle metoder for å legge inn journaler for hånd og stille diagnose uavhengig.
Da står pasienten i kø for å betale regningen og står i kø for undersøkelse.
Til slutt ville pasienten ta undersøkelsesrapporten tilbake til legen.
|
Pasienter følger prosedyrene for registrering, venting, oppmøte, venting, undersøkelse, venting, oppmøte.
|
|
Eksperimentell: Pasienter med AI assistert poliklinisk tjenesteprosess
Etter registrering binder pasienten sin informasjon til mobilapplikasjonen gjennom poliklinisk nummer.
Først ville AI-systemet stille pasienten en rekke spørsmål.
Deretter ville den gjøre en vurdering basert på pasientens svar.
Systemet overfører undersøkelseselementene til legens datamaskin og sender, med legens godkjennelse, gjenstander tilbake til pasienten.
Så pasienten kunne gå rett for å gjøre undersøkelsen.
Mens han venter på sin tur, går pasienten inn i telefonprogrammet igjen, og AI-systemet samler inn sykehistorien hans.
Informasjonen sendes tilbake til legen.
Når pasienten går til legekontoret med undersøkelsesrapporten, har legens datamaskin allerede journalen hans.
Legen trenger bare å justere historien i henhold til den faktiske situasjonen.
Etter å ha skrevet sykehistorien, kunne AI-systemet automatisk stille diagnosen.
Legen bruker AI-resultatene og sin egen dømmekraft for å stille en omfattende diagnose.
|
Pasienter følger prosedyrene for registrering, AI anbefalte undersøkelsesartikler, selvbetjent sykehistorieinnsamling, undersøkelse, venting, AI-assistert oppmøte.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Vurder effektiviteten til de to prosessene
Tidsramme: opptil 1 måned
|
Sammenlign gjennomsnittlig ventetid for enkeltpasient og gjennomsnittlig besøkstid for enkeltpasient.
|
opptil 1 måned
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Evaluer pasientens grad av tilfredshet for medisinske prosesser
Tidsramme: opptil 1 måned
|
Tilfredshetsspørreskjemaet vil bli brukt til å sammenligne graden av tilfredshet mellom de to prosessene.
|
opptil 1 måned
|
|
Økonomiske målinger
Tidsramme: opptil 1 måned
|
Bruk penger på poliklinisk, bruk penger på undersøkelse et al.
|
opptil 1 måned
|
|
Arbeidseffektivitet hos leger
Tidsramme: opptil 1 måned
|
Bruk av historiske data for før-og-etter-sammenligninger, for å sammenligne påvirkningen av intelligent medisinsk historieinnsamling på besøkstiden til hver pasient.
|
opptil 1 måned
|
Samarbeidspartnere og etterforskere
Publikasjoner og nyttige lenker
Generelle publikasjoner
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- SCMCIRB-K2019020-2
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .