Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Effektiviteten til et eTriaging-system for sykdomstriaging

17. januar 2024 oppdatert av: Yingfeng Zheng, Sun Yat-sen University

Effektiviteten av å bruke eTriaging-systemet for triaging av sykdommer i lokalsamfunnets befolkning

Etter hvert som befolkningen øker og sykdomsutbredelsen øker, har lang ventetid blitt et vanlig problem i offentlige helsevesen. Det er et presserende behov for raske, nøyaktige og kostnadseffektive raske triaging-tjenester. Derfor hadde vi som mål å utvikle et eTriaging-system og sammenligne dets effektivitet med mennesker.

Studieoversikt

Status

Fullført

Forhold

Intervensjon / Behandling

Studietype

Intervensjonell

Registrering (Faktiske)

535

Fase

  • Ikke aktuelt

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510000
        • Zhognshan Ophthalmic Center, Sun Yat-sen University

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

18 år og eldre (Voksen, Eldre voksen)

Tar imot friske frivillige

Nei

Beskrivelse

Inklusjonskriterier:

  • Folk over 18 år.
  • Å ha en smarttelefon/nettbrett og kunne se og betjene eTriaging APP.
  • Villig til å delta i studien og gi informert innhold.

Ekskluderingskriterier:

  • NA

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

  • Primært formål: Annen
  • Tildeling: N/A
  • Intervensjonsmodell: Enkeltgruppeoppdrag
  • Masking: Ingen (Open Label)

Våpen og intervensjoner

Deltakergruppe / Arm
Intervensjon / Behandling
Eksperimentell: Et selvevalueringsverktøy basert på Large Language Model
Selvevalueringsverktøyet, drevet av en stor språkmodell, behandler brukerforespørsler gjennom en omfattende generering, beslutning, handling og sikkerhetsramme for å levere optimale svar. Systemets nøkkelfunksjoner inkluderer gjenfinningsutvidet læring i kontekst, som forbedrer svarene som genereres ved å hente informasjon fra pålitelige nettsteder. Den inneholder også en Guardrail-modul for å redusere potensielt skadelig innhold i svarene ved å validere innholdet før levering. I tillegg har systemet en selvsjekkende minnemodul som opprettholder essensielle kliniske egenskaper på tvers av multi-sving-dialoger, og sikrer konsistent og kontinuerlig interaksjon med brukere.
Annen: Et selvevalueringsverktøy basert på Large Language Model

Etter baselinevurderingen vil deltakerne bli veiledet til å bruke et selvevalueringsverktøy uavhengig for å vurdere risikoen for diabetisk retinopati (DR). Dette verktøyet er en fusjon av et konversasjons-AI-system basert på LLM og en eksisterende logistisk diagnosemodell.

AI-systemet er designet for å samle inn kliniske variabler, inkludert alder, varighet av diabetes, kroppsmasseindeks (BMI) og insulinbruk. I tillegg vil kliniske testdata som gjennomsnittlig arterielt trykk, HbA1c, serumkreatinin og mikroalbuminuri trekkes ut fra et lokalt datasett ved bruk av pasientens navn og ID. Når de er samlet inn, vil disse dataene bli overført til en serverbasert diagnosemodell for videre analyse for å fastslå tilstedeværelsen av DR.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
AUROC av selvevalueringsverktøyet
Tidsramme: Umiddelbart etter bruk av chatbot
Ytelsen til selvevalueringsverktøyet blir evaluert med nøyaktighet med referanse til de diagnostiske etikettene av senior øyeleger basert på fundusbilder.
Umiddelbart etter bruk av chatbot

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Sun Yat-sen University

Etterforskere

  • Hovedetterforsker: Yingfeng Zheng, Zhongshan Ophthalmic Center, Sun Yat-sen University

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

1. mai 2023

Primær fullføring (Faktiske)

30. juli 2023

Studiet fullført (Faktiske)

30. juli 2023

Datoer for studieregistrering

Først innsendt

29. januar 2022

Først innsendt som oppfylte QC-kriteriene

29. januar 2022

Først lagt ut (Faktiske)

9. februar 2022

Oppdateringer av studieposter

Sist oppdatering lagt ut (Antatt)

19. januar 2024

Siste oppdatering sendt inn som oppfylte QC-kriteriene

17. januar 2024

Sist bekreftet

1. januar 2024

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • 2022KYPJ258

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

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. .

Abonnere