Tidlig diagnose og prediksjon av mors- og neonatale sykdommer: (EDPMND)
16. april 2025 oppdatert av: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Tidlig prediksjon og diagnose av mors- og neonatale sykdommer ved bruk av multimodale helsedata
Dette er en multisenter, retrospektiv klinisk studie designet for å evaluere bruken og effektiviteten av en AI-assistert prediktiv modell for å identifisere mødre- og neonatale sykdommer, ved å utnytte multimodale helsedata.
Studieoversikt
Status
Rekruttering
Intervensjon / Behandling
Detaljert beskrivelse
Helse hos mødre og nyfødte har betydelig innvirkning på trivselen til både mødre og spedbarn.
Tidlig screening, diagnose og intervensjon er avgjørende for å forhindre utbruddet og progresjonen av graviditetsrelaterte sykdommer og neonatale tilstander.
I klinisk praksis trenger fødselsleger og barneleger ofte å integrere et bredt spekter av pasientdata, inkludert demografisk informasjon, medisinsk historie, biokjemiske markører som blodsukker og lipidnivåer, samt ulike bildedata som ultralyd, fosterovervåking og laboratorium. testresultater, for å stille en nøyaktig diagnose og utvikle en passende omsorgsplan.
I en tid hvor presisjon og personlig medisin er i forkant av helsevesenet, har tidlig oppdagelse og diagnostisering av mors- og neonatale sykdommer, samt valg av passende diagnostiske og terapeutiske strategier, blitt betydelige utfordringer i kliniske omgivelser.
Nylige fremskritt innen medisinsk bildebehandling og dataanalyseteknikker har i stor grad forbedret nøyaktigheten og effektiviteten av diagnostisering av mødre og neonatal sykdom.
Denne studien har som mål å utvikle et AI-assistert beslutningssystem ved å integrere multimodale data fra elektroniske medisinske journaler, bildebehandling og laboratorieresultater, i kombinasjon med dyplæringsteknikker.
Målet er å forbedre diagnostisk nøyaktighet, effektivisere kliniske arbeidsflyter og gi mer personlig tilpassede omsorgsalternativer for mødre og spedbarn.
Til syvende og sist søker dette systemet å forbedre helseresultater og forbedre den generelle livskvaliteten for både mødre og deres nyfødte.
Studietype
Observasjonsmessig
Registrering (Antatt)
1000000
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Fei Liu, MD
- Telefonnummer: +86 13810512704
- E-post: liufei_2359@163.com
Studiesteder
-
-
Guangdong
-
Guangzhou, Guangdong, Kina
- Rekruttering
- Guangzhou Women and Children's Medical Center
-
Ta kontakt med:
- Bingzhou Liu, MD
- Telefonnummer: +86-0756-2222569
- E-post: mr_jerry_99@163.com
-
-
Zhejiang
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- First Affiliated Hospital of Wenzhou Medical University
-
Ta kontakt med:
- Cheng Tang, MD
- Telefonnummer: +86-0577-55579999
- E-post: c249325687@163.com
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- Second Affiliated Hospital of Wenzhou Medical University
-
Ta kontakt med:
- Sian Liu, MD
- Telefonnummer: +86-0577-88002888
- E-post: liusan@mail3.sysu.edu.cn
-
-
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
Tar imot friske frivillige
Ja
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Studiepopulasjonen består av gravide i alderen 18 til 45 år som har mottatt omsorg ved deltakende studiesentre.
Deltakerne må ha omfattende elektroniske helsejournaler (EPJ) tilgjengelig, inkludert data om svangerskapsomsorg, laboratorieresultater eller bildedata.
Både friske mødre og de med graviditetsrelaterte sykdommer (f.eks. svangerskapsforgiftning, svangerskapsdiabetes) vil bli inkludert i studien for å vurdere den AI-assisterte modellens diagnostiske evner.
Studien vil fokusere på pasienter med dokumentert pleiejournal fra de deltakende sentrene.
Beskrivelse
Inkluderingskriterier:
- Gravide kvinner i alderen 18 til 45 år.
- Kvinner som har fått fødselsomsorg ved deltakende sentre (f.eks. Sykehus eller klinikker).
- Tilgjengeligheten av omfattende elektroniske helsejournaler, inkludert fødselsdata, laboratorieresultater og avbildningsregister.
- Vilje til å gi samtykke til deltakelse i studien og bruk av historiske helsedata for analyse.
Eksklusjonskriterier:
- Kvinner under 18 eller over 45 år.
- Deltakere med utilstrekkelig oppfølgingsdata eller manglende kritisk klinisk informasjon som kreves for prediktiv modellering.
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 |
|---|---|
|
Sunn mors- og nyfødtkohort
Denne gruppen består av gravide mødre uten graviditetsrelaterte sykdommer og deres friske nyfødte.
Deltakere i denne kohorten vil tjene som kontrollgruppe for sammenligning med eksperimentell gruppe.
Ingen intervensjoner eller behandlinger vil bli administrert til denne kohorten, da de representerer grunnlinjen for friske svangerskap og nyfødte.
|
Denne intervensjonen involverer et AI-system som integrerer multimodale data, inkludert helsejournaler for mor, laboratorietestresultater og bildedata, for å forutsi risikoen for mors- og neonatale sykdommer.
Systemet bruker dyplæringsalgoritmer for å gi sanntids, nøyaktige spådommer, noe som muliggjør tidlig identifisering av helsekomplikasjoner.
Ved å analysere historiske helsedata, har modellen som mål å forutsi potensielle risikoer for både mødre og spedbarn, og forbedre tidlig intervensjon og resultater.
|
|
Mors og nyfødt sykdomskohort
Denne gruppen består av gravide mødre som har fått diagnosen svangerskapsrelaterte sykdommer eller deres berørte nyfødte.
Deltakere i denne kohorten vil tjene som eksperimentell gruppe for å evaluere effektiviteten til den tidlige prediksjonsmodellen for å identifisere helserisikoer for mor og nyfødte.
|
Denne intervensjonen involverer et AI-system som integrerer multimodale data, inkludert helsejournaler for mor, laboratorietestresultater og bildedata, for å forutsi risikoen for mors- og neonatale sykdommer.
Systemet bruker dyplæringsalgoritmer for å gi sanntids, nøyaktige spådommer, noe som muliggjør tidlig identifisering av helsekomplikasjoner.
Ved å analysere historiske helsedata, har modellen som mål å forutsi potensielle risikoer for både mødre og spedbarn, og forbedre tidlig intervensjon og resultater.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Area Under the Curve (AUC)
Tidsramme: 1 år
|
AUC fra ROC -kurven, brukt til å kvantifisere diagnostisk nøyaktighet.
Ingen enhet (et forhold eller prosent, vanligvis uttrykt som et tall mellom 0 og 1).
|
1 år
|
|
F1 score
Tidsramme: 1 år
|
F1 -poengsummen er det harmoniske gjennomsnittet av presisjon og følsomhet (tilbakekalling).
Det er et godt mål på modellens evne til å identifisere både sanne positiver og minimere falske positiver, spesielt i tilfeller der klassene er ubalanserte (f.eks. Når antallet sunne tilfeller er mye høyere enn sykdomstilfeller).
F1 -poengsummen varierer fra 0 til 1, med 1 som indikerer perfekt presisjon og tilbakekalling.
|
1 år
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhet (ekte positiv rate)
Tidsramme: 1 år
|
Sensitivitet måler hvor godt AI-modellen identifiserer ekte positive tilfeller, for eksempel korrekt diagnostisering av gravide kvinner med komplikasjoner eller identifisering av neonatale lidelser.
|
1 år
|
|
Spesifisitet (ekte negativ rate)
Tidsramme: 1 år
|
Spesifisitet måler AI -modellens evne til å identifisere tilfeller riktig uten sykdommer, og sikre at sunne mødre og spedbarn er riktig identifisert som negative.
|
1 år
|
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)
1. august 2023
Primær fullføring (Antatt)
1. mai 2025
Studiet fullført (Antatt)
1. mai 2025
Datoer for studieregistrering
Først innsendt
19. januar 2025
Først innsendt som oppfylte QC-kriteriene
19. januar 2025
Først lagt ut (Faktiske)
24. januar 2025
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
17. april 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
16. april 2025
Sist bekreftet
1. april 2025
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- Maternal and Neonatal Diseases
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
produkt produsert i og eksportert fra USA
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. .