Sikker og forklarlig AI
23. februar 2026 oppdatert av: Abramson Cancer Center at Penn Medicine
SIKKER OG FORKLARLIG AI-AKTIVERT BESLUTNINGSTAKING FOR PERSONLIG KLINISKE BESLUTNINGSSTØTTE
Mens dagens AI-teknologi er egnet for å automatisere noen repeterende kliniske oppgaver, gjenstår tekniske utfordringer med å løse kritiske og lønnsomme problemer innen pasient- og sykdomsbehandling.
Den foreslåtte forskningen søker å adressere problemer innen medisinsk AI, for eksempel å integrere medisinsk kunnskap effektivt, gjøre AI-anbefalinger forklarlige for klinikere og etablere sikkerhetsgarantier.
Studieoversikt
Status
Rekruttering
Intervensjon / Behandling
Studietype
Observasjonsmessig
Registrering (Antatt)
300000
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Haideliza Soto Calderon
- Telefonnummer: 215-220-9425
- E-post: Haideliza.Soto-Calderon@pennmedicine.upenn.edu
Studer Kontakt Backup
- Navn: Nicholas Bishop
- E-post: nicholas.bishop@pennmedicine.upenn.edu
Studiesteder
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Forente stater, 19104
- Rekruttering
- Hospital of the University of Pennsylvania
-
Ta kontakt med:
- Haideliza Soto Calderon
- Telefonnummer: 215-237-4509
- E-post: haideliza.soto-calderon@pennmedicine.upenn.edu
-
-
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
- Voksen
- Eldre voksen
Tar imot friske frivillige
Nei
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Studien vil se på EMR-data fra hjerte-, onkologi- og pasienter med risiko for å få sepsis.
Hver gruppe har klart definerte inkluderings-ekskluderingskriterier. For at maskinlæringsmodellen skal forutsi ventrikulære arytmier og hjertestans på sykehus, vil vi konstruere pasientkohorter bestående av voksne (dvs. 18 år eller eldre) pasienter innlagt i Sickbay-tilgjengelig seng på et Penn Medicine sykehus fra 2020 til tilstede samt pasienter identifisert som har opplevd hjertestans ved hjelp av EPJ-journaler.
Beskrivelse
Inkluderingskriterier:
Kardiologi 18 år og eldre, innlagt på et av Penn Medicine-sykehusene fra 2017 til i dag. Sepsis 18 år på tidspunktet for presentasjon til en akuttmottak eller innleggelse på et Penn Medicine-sykehus fra 1. juli 2017 og fremover vil være kvalifisert, da dette representerer befolkningen som er i fare for å få sepsis Onkologi 18 år og eldre med en diagnostisering av invasiv brystkreft (stadium 1-4) i Penn Cancer-registeret
Eksklusjonskriterier Alle prediksjonsmodeller vil ekskludere pasienter under 18 år fra sine pasientdatasett.
Kardiologi Pasienter hvis primære innleggelsesdiagnose var hjertestans Sepsis De med eksisterende begrensninger på livsopprettholdende terapi vil bli ekskludert fordi deres kvalifikasjoner for sepsisdefinisjoner, behandling mottatt og utfall kan være betydelig og varierende påvirket av eksisterende begrensninger på omsorg . Onkologi Det er ingen andre unntak.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Kardiologi
Hovedmålet i dette kliniske case-scenarioet er å evaluere en ML-modell som bruker sanntids hjertetelemetri, så vel som andre kliniske, demografiske og avbildningsstrukturerte datakilder, blant innlagte pasienter på intensivavdelingen (ICU) for å forutsi forestående hjertesykdom på sykehus. stanse, identifisere potensielt reversible årsaker til hjertestans, og forutsi hvilke pasienter som kan få forestående hjertestans på grunn av sjokkbar rytmer, dvs. ventrikkeltakykardi (VT) eller ventrikkelflimmer (VF).
|
AI-AKTIVERET BESLUTNINGSTAKING FOR PERSONLIG STØTTE TIL KLINISKE BESLUTNINGER
|
|
Onkologi - Brystkreft
Hovedmålet i dette kliniske case-scenarioet er å evaluere en ML-modell som bruker strukturerte og ustrukturerte data fra klinisk, demografisk og tumormolekylær og kimlinjesekvensering, blant polikliniske pasienter med kreft, for å forutsi kortsiktig dødelighet og/eller symptomnedgang.
Modellen for prediksjon av behandlingsrespons hos brystkreftpasienter vil bli sammenlignet med to prognostiske verktøy: 1) Conversation Connect, et tidligere validert maskinlæringsdødelighetsforutsigelsesverktøy som har blitt brukt ved University of Pennsylvania for rutinemessig klinisk beslutningsstøtte, og 2) Elixhauser Comorbidity Index, en komorbiditetsbasert prognostisk indeks som brukes ofte i forskning og risikojustering.
|
AI-AKTIVERET BESLUTNINGSTAKING FOR PERSONLIG STØTTE TIL KLINISKE BESLUTNINGER
|
|
Sepsis
Hovedmålet i dette kliniske case-scenarioet er å utvikle og evaluere en ML-modell som bruker multidmodale kliniske data (f.eks. strukturerte EPJ-data som demografi, laboratorietestresultater og vitale tegn; ustrukturerte EPJ-data inkludert teksten til kliniske møtenotater og , der tilgjengelig, bølgeformer fra sanntids hjerte-, hemodynamiske og respiratoriske overvåkingsenheter) for å forutsi behovet for initiering av bredspektret antimikrobiell behandling for sykehuspasienter med sepsis.
Med fokus på implementerbar og forklarbar AI, vil vi produsere godt kalibrerte spådommer som også er klinisk meningsfulle ved sengekanten for å hjelpe sanntids beslutningstaking om diagnose og behandlingsstart.
Modellen for rettidig diagnose og intervensjon ved sepsis vil bli sammenlignet med mye brukte kommersielle og åpen kildekode sepsisprediksjonsmodeller.
|
AI-AKTIVERET BESLUTNINGSTAKING FOR PERSONLIG STØTTE TIL KLINISKE BESLUTNINGER
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nevrosymbolske læringsalgoritmer
Tidsramme: Prototype og utvikle nye læringsalgoritmer; 18 måneder. Benchmark og evaluer læringsalgoritmene; 24 måneder. Publisere forskningsresultater; 24 måneder
|
Utvikle og evaluere nye algoritmer for trening av nevrosymbolske modeller.
Vi vil utvikle data- og dataeffektive algoritmer for ende-til-ende opplæring av nevrosymbolske modeller.
Denne oppgaven vil redusere belastningen på klinikereksperter for å gi finkornede etiketter på omfangsrike EPJ-data.
|
Prototype og utvikle nye læringsalgoritmer; 18 måneder. Benchmark og evaluer læringsalgoritmene; 24 måneder. Publisere forskningsresultater; 24 måneder
|
|
Forklaringsmetoder
Tidsramme: Prototype og utvikle nye forklaringsalgoritmer; 18 måneder. Utlede sertifiserte garantier for forklaringer; 18 måneder. Benchmark og evaluer forklaringsalgoritmene; 24 måneder. Utvide sertifikater til nye eiendommer og oppgaver; 30 måneder. Publ
|
Vi vil utvikle nye forklarbare AI-teknikker som kommer med verifiserbare garantier.
Disse garantiene vil muliggjøre tillit og åpenhet i AI på et grunnleggende nivå.
|
Prototype og utvikle nye forklaringsalgoritmer; 18 måneder. Utlede sertifiserte garantier for forklaringer; 18 måneder. Benchmark og evaluer forklaringsalgoritmene; 24 måneder. Utvide sertifikater til nye eiendommer og oppgaver; 30 måneder. Publ
|
|
Metoder for sikkerhetsgarantier
Tidsramme: Prototype og utvikle nye regellæringsalgoritmer; 30 måneder. Skaler regellæringsalgoritmer til større datainnstillinger; 36 måneder. Innlemme nye primitiver for å uttrykke komplekse regler; 36 måneder. Implementer regellæringsalgoritmer på grunnoppgaver
|
Vi vil utvikle nye algoritmer som skalerbart kan trekke ut komplekse logiske regler som styrer sikkerhet innenfor dataene som har statistiske garantier.
Disse teknikkene vil være forankret i statistisk analyse og hjelpe brukere med å identifisere ut av distribusjonsdata og oppdage anomalier.
|
Prototype og utvikle nye regellæringsalgoritmer; 30 måneder. Skaler regellæringsalgoritmer til større datainnstillinger; 36 måneder. Innlemme nye primitiver for å uttrykke komplekse regler; 36 måneder. Implementer regellæringsalgoritmer på grunnoppgaver
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
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)
29. november 2025
Primær fullføring (Antatt)
1. november 2028
Studiet fullført (Antatt)
1. november 2028
Datoer for studieregistrering
Først innsendt
15. november 2024
Først innsendt som oppfylte QC-kriteriene
15. november 2024
Først lagt ut (Faktiske)
19. november 2024
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
25. februar 2026
Siste oppdatering sendt inn som oppfylte QC-kriteriene
23. februar 2026
Sist bekreftet
1. februar 2026
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 34124
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. .