AI-drevet prediksjon av dialyseresultat med EPJ
16. april 2025 oppdatert av: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Forutsi kliniske utfall hos dialysepasienter ved bruk av elektroniske helsejournaler: en AI-basert tilnærming
Dette er en multisenter, retrospektiv klinisk studie designet for å evaluere anvendelsen og effektiviteten til en AI-assistert prediktiv modell for utfall av dialysepasienter, utnytte multimodale helsedata.
Studieoversikt
Status
Rekruttering
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Denne studien tar sikte på å utvikle en AI-assistert modell for å forutsi kliniske utfall hos dialysepasienter, med fokus på både primære utfall (f.eks. dødelighet) og mellomliggende utfall (f.eks. anemi, blodtrykk, ernæringsstatus og kalsiumfosfatmetabolisme).
Studien vil bruke pasientenes EPJ-data, inkludert laboratorietestresultater, medisinsk historie, informasjon om dialysebehandling og kliniske observasjoner, for å forutsi disse helseutfallene.
Målet er å forbedre tidlig identifisering av risikopasienter, noe som muliggjør bedre kliniske beslutninger og personlig tilpassede pleiestrategier.
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
-
-
Beijing
-
Beijing, Beijing, Kina
- Rekruttering
- General Hospital of PLA
-
Ta kontakt med:
- Delong Zhao
- Telefonnummer: +86 13810512704
- E-post: feiliu0108@gmail.com
-
-
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
Studiepopulasjonen består av dialysepasienter fra China Hemodialysis National Network Center, som inkluderer et bredt spekter av pasienter som gjennomgår hemodialysebehandling ved deltakende sykehus over hele Kina.
Deltakerne vil bli valgt basert på tilgjengeligheten av omfattende elektroniske helsejournaler (EPJ), inkludert medisinsk historie, laboratorietestresultater, detaljer om dialysebehandling og kliniske observasjoner.
Kohorten vil omfatte både mannlige og kvinnelige pasienter, med ulik grad av helsestatus, inkludert de med komorbiditeter som vanligvis er assosiert med dialyse.
Studien tar sikte på å bruke denne mangfoldige gruppen til å vurdere og forutsi utfall relatert til dødelighet og komplikasjoner hos dialysepasienter.
Beskrivelse
Inkluderingskriterier:
- Pasienter som har vært i dialyse (enten hemodialyse eller peritonealdialyse) i minst 3 måneder.
- Komplette og tilgjengelige EPJ-data, inkludert medisinsk historie, laboratorietestresultater, detaljer om dialysebehandling og kliniske observasjoner.
- Deltakerne må gi informert samtykke for bruk av deres helsedata til forskningsformål.
Eksklusjonskriterier:
- Pasienter med ufullstendige eller manglende kritiske EPJ-data, inkludert medisinsk historie, laboratorieresultater, dialysedata eller behandlingsdetaljer som er nødvendige for studien.
- Pasienter som har vært på dialyse i mindre enn 3 måneder, for å sikre stabile data for resultatforutsigelse.
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 |
|---|---|
|
Høyrisikogruppe
Deltakerne spådde å ha en høy risiko for dødelighet basert på AI-assisterte prediksjonsmodeller ved å bruke deres EPJ-data, inkludert medisinsk historie, laboratorieresultater, detaljer om dialysebehandling og kliniske observasjoner.
|
Denne studien bruker en AI-assistert prediktiv modell som analyserer multimodale data fra elektroniske helsejournaler, inkludert medisinsk historie, laboratorieresultater, dialysebehandlingsdetaljer og kliniske observasjoner, for å forutsi resultater for dialysepasienter.
Modellen benytter dype læringsalgoritmer for å forutsi dødelighetsrisiko, mellomutfall som anemi, blodtrykkskontroll, ernæring og kalsium-fosfatmetabolisme, og hjelper til med å identifisere tidlige tegn på forverring.
Intervensjonen er ikke en direkte behandling eller prosedyre, men tar sikte på å utvikle et verktøy for å forutsi pasientresultater og optimalisere behandlingsstrategier for å forbedre generelle helse- og overlevelsesrater for dialysepasienter.
|
|
Lavrisikogruppe
Deltakerne spådde å ha en lav risiko for dødelighet basert på AI-assistert prediksjonsmodell, som vil bli sammenlignet med høyrisikogruppen for å evaluere effektiviteten av tidlige intervensjonsstrategier.
|
Denne studien bruker en AI-assistert prediktiv modell som analyserer multimodale data fra elektroniske helsejournaler, inkludert medisinsk historie, laboratorieresultater, dialysebehandlingsdetaljer og kliniske observasjoner, for å forutsi resultater for dialysepasienter.
Modellen benytter dype læringsalgoritmer for å forutsi dødelighetsrisiko, mellomutfall som anemi, blodtrykkskontroll, ernæring og kalsium-fosfatmetabolisme, og hjelper til med å identifisere tidlige tegn på forverring.
Intervensjonen er ikke en direkte behandling eller prosedyre, men tar sikte på å utvikle et verktøy for å forutsi pasientresultater og optimalisere behandlingsstrategier for å forbedre generelle helse- og overlevelsesrater for dialysepasienter.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Nøyaktighet for prediksjon av dødelighet
Tidsramme: 1 år
|
Evnen til den AI-assisterte prediktive modellen til å nøyaktig forutsi risikoen for dødelighet hos dialysepasienter.
Prediksjonsnøyaktighet vil bli vurdert ved bruk av området under kurven (AUC), F1 -poengsum og følsomhet/spesifisitet.
Modellen vil bli evaluert ved å sammenligne den forutsagte dødelighetsrisikoen med faktiske utfall (dvs. om pasienter overlevde eller gikk bort i løpet av studieperioden).
|
1 år
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Komplikasjoner prediksjonsnøyaktighet
Tidsramme: 1 år
|
Nøyaktigheten til den AI-assisterte prediktive modellen i å forutse komplikasjoner som ofte oppleves av dialysepasienter, inkludert anemi, ukontrollert blodtrykk, dårlig ernæringsstatus og unormalt kalsium-fosfatmetabolisme.
Modellens ytelse vil bli vurdert ved hjelp av beregninger som AUC, F1-score og nøyaktighet ved å sammenligne predikerte verdier med faktiske kliniske utfall, som laboratorieresultater, kliniske diagnoser og pasientens helsestatus.
|
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. januar 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
Nøkkelord
Andre studie-ID-numre
- Dialysis
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. .