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

AI-drevet kreftdiagnose og prediksjon med EPJ

25. juli 2025 oppdatert av: Kang Zhang, The Eye Hospital of Wenzhou Medical University

AI-basert kreftdiagnose og prediksjon ved bruk av elektroniske helsejournaler

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 kreft, og utnytte multimodale helsedata.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Kreftdiagnose og tidlig oppdagelse er avgjørende for å forbedre pasientresultater og overlevelsesrater. Tidlig identifisering av kreft og passende intervensjon kan ha betydelig innvirkning på behandlingssuksess og prognose. I klinisk praksis trenger onkologer ofte å integrere en rekke pasientdata, inkludert sykehistorie, laboratorietestresultater, bildedata som CT-skanninger og MR-er, og genetiske markører, for å stille en nøyaktig diagnose og utvikle en personlig behandlingsplan. Ettersom presisjonsmedisin blir stadig viktigere, gjenstår utfordringen med å identifisere kreft i tidlige stadier, spesielt når symptomene er subtile eller fraværende. Nylige fremskritt innen kunstig intelligens og dataanalyseteknikker har vist stort løfte når det gjelder å forbedre den diagnostiske nøyaktigheten og hastigheten på kreftdeteksjon. Denne studien tar sikte på å utvikle et AI-assistert beslutningssystem ved å integrere multimodale data fra elektroniske helsejournaler, avbildning, laboratorieresultater og genetiske data. Målet er å forbedre diagnostisk nøyaktighet, optimalisere kliniske arbeidsflyter og tilby mer personlige behandlingsalternativer for kreftpasienter. Til syvende og sist søker dette systemet å forbedre tidlig oppdagelse, veilede effektive behandlingsstrategier og øke pasientens overlevelse.

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

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina
        • Rekruttering
        • Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
        • Ta kontakt med:
      • Guangzhou, Guangdong, Kina
        • Rekruttering
        • Guangzhou Women and Children's Medical Center
        • Ta kontakt med:
      • Guangzhou, Guangdong, Kina
        • Rekruttering
        • Nanfang Hospital
        • Ta kontakt med:
      • Guangzhou, Guangdong, Kina
        • Rekruttering
        • Sun Yat-sen University Cancer Hospital
        • Ta kontakt med:
    • Sichuan
      • Chengdu, Sichuan, Kina
        • Rekruttering
        • West China Hospital
        • Ta kontakt med:
    • Zhejiang
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • First Affiliated Hospital of Wenzhou Medical University
        • Ta kontakt med:
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • Second Affiliated Hospital of Wenzhou Medical University
        • Ta kontakt med:

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 i alderen 0 til 90 år som har mottatt omsorg ved deltakende studiesentre. Deltakerne må ha omfattende elektroniske helsejournaler (EPJer) tilgjengelig, inkludert sykehistorie, laboratorietestresultater, bildedata og genetisk informasjon (hvis tilgjengelig). Både individer diagnostisert med kreft (inkludert kreft hos barn og voksne) og friske individer uten krefthistorie vil bli inkludert i studien for å evaluere den AI-assisterte modellens diagnostiske og prediktive evner. 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 krefttyper.

Beskrivelse

Inkluderingskriterier:

1、pasienter med omfattende elektroniske helsejournaler (EPJ), inkludert medisinsk historie, laboratorietestresultater, bildedata og genetiske data (hvis tilgjengelig).

2. Personer uten alvorlige kognitive svikt eller tilstander som ville hindre dem i å gi informert samtykke eller delta i studien.

3. Foreldre eller foresatte må gi informert samtykke for mindreårige, mens deltakere i voksne må gi informert samtykke for seg selv.

Ekskluderingskriterier:

  1. Pasienter med ufullstendige eller manglende viktige elektroniske helsejournaler eller utilstrekkelige oppfølgingsdata.
  2. Personer med alvorlige kognitive lidelser eller andre terminale sykdommer som vil forhindre meningsfull deltakelse.
  3. Gravide kvinner (selv om pediatriske kreftformer vurderes, vil gravide bli ekskludert av sikkerhetsgrunner).

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 kohort
Denne gruppen består av personer uten diagnostisert kreft. 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 en baseline av friske individer.
Diagnostisk test: AI-basert diagnostisk og prognostisk modell
Denne intervensjonen involverer et AI -system som integrerer multimodale data, inkludert pasientmedisinsk historie, laboratorietestresultater, avbildningsdata og genetisk informasjon, for å forutsi risikoen for kreft. Systemet bruker dype læringsalgoritmer for å gi sanntids, nøyaktige spådommer, noe som muliggjør tidlig identifisering av kreftrisiko. Ved å analysere historiske helsedata, har modellen som mål å forutsi potensiell kreftutvikling, forbedre tidlig oppdagelse og behandlingsresultater.
Tumorkohort
Denne gruppen består av personer diagnostisert med kreft, inkludert ulike typer. Deltakere i denne kohorten vil tjene som den eksperimentelle gruppen for å evaluere effektiviteten til den tidlige prediksjonsmodellen for å identifisere kreftrisiko og forbedre diagnostisk nøyaktighet.
Diagnostisk test: AI-basert diagnostisk og prognostisk modell
Denne intervensjonen involverer et AI -system som integrerer multimodale data, inkludert pasientmedisinsk historie, laboratorietestresultater, avbildningsdata og genetisk informasjon, for å forutsi risikoen for kreft. Systemet bruker dype læringsalgoritmer for å gi sanntids, nøyaktige spådommer, noe som muliggjør tidlig identifisering av kreftrisiko. Ved å analysere historiske helsedata, har modellen som mål å forutsi potensiell kreftutvikling, forbedre tidlig oppdagelse og behandlingsresultater.

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.

Sponsor

The Eye Hospital of Wenzhou Medical 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)

19. januar 2025

Primær fullføring (Antatt)

1. oktober 2025

Studiet fullført (Antatt)

1. oktober 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)

30. juli 2025

Siste oppdatering sendt inn som oppfylte QC-kriteriene

25. juli 2025

Sist bekreftet

1. juli 2025

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • Cancer

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. .

Abonnere