AI-drevet prediksjon av sykehusinnhentede infeksjoner med EHR
16. april 2025 oppdatert av: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Forutsi sykehuservervede infeksjoner ved hjelp av elektroniske helsejournaler: en AI-assistert tilnærming
Dette er en multisenter, retrospektiv klinisk studie designet for å evaluere anvendelsen og effektiviteten til en AI-assistert prediktiv modell for å identifisere og diagnostisere infeksjon, ved å utnytte multimodale helsedata.
Studieoversikt
Status
Rekruttering
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Sykehuservervede infeksjoner (HAI) er en betydelig årsak til sykelighet og dødelighet i helsevesenet.
Tidlig identifisering og forebygging av HAI er avgjørende for å forbedre pasientresultater, redusere helsekostnader og forhindre spredning av infeksjoner.
I klinisk praksis trenger helsepersonell ofte å integrere et bredt spekter av pasientdata, inkludert medisinsk historie, laboratorietestresultater, medisinbruk, kirurgiske prosedyrer og kliniske observasjoner, for å vurdere infeksjonsrisiko og forhindre HAI.
Ettersom infeksjonskontroll og presisjonsmedisin blir stadig viktigere, gjenstår utfordringen med å forutsi og forebygge infeksjoner, spesielt hos pasienter med subtile eller asymptomatiske risikofaktorer.
Nylige fremskritt innen kunstig intelligens og dataanalyseteknikker har vist stort løfte når det gjelder å forbedre nøyaktigheten og effektiviteten av infeksjonsforutsigelse og -forebygging.
Denne studien tar sikte på å utvikle et AI-assistert beslutningssystem ved å integrere multimodale data fra elektroniske helsejournaler, laboratorieresultater, kliniske observasjoner og pasientdemografi.
Målet er å forbedre tidlig identifisering av pasienter med risiko for HAI, effektivisere kliniske arbeidsflyter og optimalisere smitteverntiltak.
Til syvende og sist søker dette systemet å redusere forekomsten av sykehuservervede infeksjoner, forbedre pasientsikkerheten og forbedre den generelle helsevesenets kvalitet.
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
-
-
Zhejiang
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- First Affiliated Hospital of Wenzhou Medical University
-
Ta kontakt med:
- Cheng Tang
- E-post: c249325687@163.com
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- Second Affiliated Hospital of Wenzhou Medical University
-
Ta kontakt med:
- Sian Liu
- 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
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Ja
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Studiepopulasjonen består av personer som har mottatt omsorg ved deltakende studiesentre.
Deltakerne må ha omfattende elektroniske helsejournaler (EPJer) tilgjengelig, inkludert sykehistorie, laboratorietestresultater, behandlingsdata og kliniske observasjoner.
Både individer som har utviklet sykehuservervede infeksjoner (HAI) og de som ikke har det, vil bli inkludert i studien for å evaluere den AI-assisterte modellens prediktive evner for infeksjonsrisiko.
Studien vil fokusere på pasienter med fullstendige og dokumenterte omsorgsjournaler fra de deltakende sentrene, og sikre en mangfoldig kohort for analyse på tvers av ulike aldersgrupper og infeksjonstyper.
Beskrivelse
Inkluderingskriterier:
- Pasienter med komplette og tilgjengelige EHR -data, inkludert medisinsk historie, laboratorietestresultater, behandlingsregimer, kliniske observasjoner og infeksjonshistorie.
- Pasienter som har blitt innlagt på det deltakende sykehus- eller helsetjenester i løpet av studieperioden.
- Alle deltakere må gi informert samtykke til å bruke helsedataene deres til forskningsformål.
Ekskluderingskriterier:
- Pasienter med ufullstendige eller manglende kritiske EPJ-data, for eksempel laboratorieresultater, medisinsk historie eller behandlingsdetaljer, som er nødvendige for infeksjonsforutsigelse.
- Pasienter som har alvorlige kognitive lidelser, demens eller tilstander som forhindrer dem i å gi informert samtykke eller delta i studien.
- Pasienter som ikke har blitt innlagt på sykehuset i løpet av studieperioden eller som kun mottar poliklinisk omsorg.
- Pasienter med terminalforhold der infeksjonsprediksjon kanskje ikke er anvendelige for de kliniske målene for studien.
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 |
|---|---|
|
Sykehuservervet infeksjonskohort
Denne gruppen består av pasienter som har utviklet en sykehuservervet infeksjon (HAI) under sykehusoppholdet.
Deltakere i denne kohorten vil bli brukt til å evaluere effektiviteten til den AI-assisterte prediktive modellen for å identifisere risikofaktorer som fører til sykehuservervede infeksjoner.
Modellen vil bli vurdert basert på nøyaktigheten av å forutsi infeksjonsrisiko hos innlagte pasienter.
Ingen spesifikke intervensjoner vil bli gitt som en del av denne kohorten utover den eksisterende infeksjonskontrollpraksisen på sykehus.
|
Denne intervensjonen involverer et AI-system som integrerer multimodale data, inkludert pasientsykehistorie, laboratorietestresultater, kliniske observasjoner og behandlingsdata, for å forutsi risikoen for sykehuservervede infeksjoner (HAI).
Systemet bruker dyplæringsalgoritmer for å gi sanntids, nøyaktige spådommer, noe som muliggjør tidlig identifisering av pasienter med risiko for infeksjoner.
Ved å analysere historiske helsedata har modellen som mål å forutsi potensiell infeksjonsutvikling, forbedre tidlig oppdagelse, forebyggingsstrategier og pasientresultater i sykehusmiljøer.
|
|
Sunn årskull (ingen hai)
Denne gruppen består av pasienter som ikke har utviklet noen sykehus ervervede infeksjoner under sykehusoppholdet.
Deltakere i denne kohorten vil tjene som kontrollgruppe for sammenligning mot eksperimentgruppen.
Den AI-assisterte modellen vil bli evaluert for dens evne til å skille mellom pasienter som er i fare for å utvikle infeksjoner og de som forblir infeksjonsfrie under sykehusinnleggelse.
Ingen inngrep vil bli gitt som en del av denne kohorten, da de representerer pasienter uten infeksjonsrelaterte komplikasjoner.
|
Denne intervensjonen involverer et AI-system som integrerer multimodale data, inkludert pasientsykehistorie, laboratorietestresultater, kliniske observasjoner og behandlingsdata, for å forutsi risikoen for sykehuservervede infeksjoner (HAI).
Systemet bruker dyplæringsalgoritmer for å gi sanntids, nøyaktige spådommer, noe som muliggjør tidlig identifisering av pasienter med risiko for infeksjoner.
Ved å analysere historiske helsedata har modellen som mål å forutsi potensiell infeksjonsutvikling, forbedre tidlig oppdagelse, forebyggingsstrategier og pasientresultater i sykehusmiljøer.
|
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. februar 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
- Hospital-Acquired Infections
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. .