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

AI-drevet prediksjon av biologisk alder med EPJ

1. april 2025 oppdatert av: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Å forutsi biologisk alder ved bruk av elektroniske helsejournaler: en AI-basert tilnærming

Dette er en multisenter, retrospektiv klinisk studie designet for å evaluere bruken og effektiviteten til en AI-assistert prediktiv modell for å forutsi biologisk alder ved hjelp av elektroniske helsejournaler (EPJ). Studien vil analysere ulike helsedatapunkter, inkludert medisinsk historie, laboratorieresultater og kliniske observasjoner, for å estimere den biologiske alderen til pasienter. Ved å sammenligne biologisk alder med kronologisk alder, har studien som mål å vurdere nøyaktigheten til modellen og dens potensial for å identifisere aldersrelaterte helserisikoer og forbedre pasientbehandlingen.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Forutsigelse av biologisk alder er avgjørende for å vurdere generell helse, bestemme risikoen for aldersrelaterte sykdommer og gi personlig helsetjenester. Selv om kronologisk alder er en nøkkelfaktor, gjenspeiler den ikke alltid individets sanne biologiske aldringsprosess. Tidlig identifisering av akselerert biologisk aldring og tilhørende helserisiko kan ha betydelig innvirkning på tidlige intervensjoner og langsiktige helseutfall. I klinisk praksis integrerer helsepersonell et bredt spekter av pasientdata, inkludert medisinsk historie, laboratorietestresultater og kliniske observasjoner, for å forstå den enkeltes helsetilstand og forutsi potensielle fremtidige risikoer. Etter hvert som presisjonsmedisin blir viktigere, er evnen til å forutsi biologisk alder og tilpasse omsorgsplaner viktig. Nyere fremskritt innen kunstig intelligens og dataanalyseteknikker har vist løfte om å styrke nøyaktigheten av biologiske alderspådommer. 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 diagnostisk nøyaktighet, optimalisere kliniske arbeidsflyter og gi mer personlig helsetjenester for pasienter ved å forutsi biologisk alder, identifisere personer med risiko og forbedre helseutfallet.

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
        • Nanfang Hospital
        • Ta kontakt med:
    • Zhejiang
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • First Affiliated Hospital of Wenzhou Medical University
        • Ta kontakt med:
      • Wenzhou, Zhejiang, Kina
        • Rekruttering
        • The Eye 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 individer som har mottatt omsorg ved deltakende sykehus eller helsestasjoner med tilgjengelige elektroniske helsejournaler (EHR). Deltakerne vil inkludere de med komplette EHR -data, inkludert medisinsk historie, laboratorietestresultater, avbildningsdata og livsstilsfaktorer som kosthold, fysisk aktivitet og røykevaner. Kohorten vil omfatte både individer som er sunne og de med kroniske tilstander eller komorbiditeter for å analysere biologisk alders prediksjon på tvers av forskjellige helsestatus. Studien vil bli utført på tvers av flere helsetjenester for å sikre en mangfoldig pasientpopulasjon som representerer et bredt spekter av aldersgrupper, helsemessige forhold og demografi.

Beskrivelse

Inkluderingskriterier:

  1. Pasienter med omfattende og tilgjengelige EHR -data, inkludert medisinsk historie, laboratorieresultater, behandlingsdata, avbildningsdata (hvis tilgjengelig) og livsstilsfaktorer (f.eks. Røyking, fysisk aktivitet, kosthold).
  2. Pasienter uten signifikante kognitive svekkelser som vil forhindre dem i å gi informert samtykke eller delta i studien.
  3. Alle deltakere må gi informert samtykke for bruk av deres medisinske data til forskningsformål.

Eksklusjonskriterier:

  1. Pasienter med ufullstendige eller manglende kritiske EHR -data som medisinsk historie, laboratorieresultater eller behandlingsdata som er nødvendige for å forutsi biologisk alder.
  2. pasienter med alvorlige kognitive lidelser (f.eks. demens, betydelige psykiske funksjonshemninger) som ikke er i stand til å gi informert samtykke eller delta meningsfullt i studien.
  3. Pasienter med terminale sykdommer eller de med begrenset forventet levealder der biologiske aldersprediksjoner kanskje ikke er relevante for studiens formål.

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
Biologisk yngre gruppe
Deltakere hvis biologiske alder er spådd å være yngre enn deres kronologiske alder.
Annen: AI-assistert prediktiv modell
Denne studien bruker en AI-assistert prediktiv modell som analyserer multimodale data fra elektroniske helsejournaler, inkludert medisinsk historie, laboratorieresultater, bildedata og livsstilsfaktorer, for å estimere biologisk alder. Modellen bruker dyplæringsalgoritmer for å forutsi biologisk alder, sammenligne den med kronologisk alder og identifisere tidlige tegn på aldersrelaterte helserisikoer. Intervensjonen er ikke en direkte behandling eller prosedyre, men har som mål å utvikle et verktøy for å forutsi biologisk alder for å hjelpe til med å tilpasse omsorg og forbedre langsiktige helseresultater.
Biologisk eldre gruppe
Deltakere hvis biologiske alder er spådd å være eldre enn deres kronologiske alder.
Annen: AI-assistert prediktiv modell
Denne studien bruker en AI-assistert prediktiv modell som analyserer multimodale data fra elektroniske helsejournaler, inkludert medisinsk historie, laboratorieresultater, bildedata og livsstilsfaktorer, for å estimere biologisk alder. Modellen bruker dyplæringsalgoritmer for å forutsi biologisk alder, sammenligne den med kronologisk alder og identifisere tidlige tegn på aldersrelaterte helserisikoer. Intervensjonen er ikke en direkte behandling eller prosedyre, men har som mål å utvikle et verktøy for å forutsi biologisk alder for å hjelpe til med å tilpasse omsorg og forbedre langsiktige helseresultater.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Biologisk alders prediksjonens nøyaktighet
Tidsramme: 1 år
Nøyaktigheten av AI -modellen i å forutsi biologisk alder sammenlignet med kronologisk alder. Dette vil bli evaluert ved bruk av Pearson korrelasjonskoeffisient (PCC) for å vurdere styrken i korrelasjonen mellom forutsagt biologisk alder og kronologisk alder. I tillegg vil R-Squared (R²) bli brukt til å evaluere andelen av variansen i biologisk alder forklart av modellen.
1 år

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Korrelasjon av helserisiko
Tidsramme: 1 år
Korrelasjonen mellom forutsagt biologisk alder og ulike helserisikoer, slik som utvikling av kroniske sykdommer (f.eks. hjerte- og karsykdommer, diabetes), ved bruk av PCC for å evaluere forholdet mellom biologiske aldersprediksjoner og helseutfall.
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)

1. mars 2023

Primær fullføring (Antatt)

2. april 2025

Studiet fullført (Antatt)

2. april 2025

Datoer for studieregistrering

Først innsendt

19. januar 2025

Først innsendt som oppfylte QC-kriteriene

19. januar 2025

Først lagt ut (Faktiske)

25. mars 2025

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

2. april 2025

Siste oppdatering sendt inn som oppfylte QC-kriteriene

1. april 2025

Sist bekreftet

1. april 2025

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Andre studie-ID-numre

  • Biological Age

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