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

AI-agent for automatisert diagnose og forutsigelse ved bruk av EPJ og multimodale data

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

AI-agent assistert automatisering for diagnostisering og forutsi pasienter ved bruk av elektroniske helsejournaler og multimodale data

Målet med denne kliniske studien er å evaluere effektiviteten til et AI -middel i diagnostisering og forutsi sykdommer ved bruk av elektroniske helsejournaler (EHR) og multimodale avbildningsdata. AI -agenten utnytter avanserte maskinlæringsalgoritmer for å behandle og analysere forskjellige helsedatakilder, og tar sikte på å hjelpe helsepersonell med å stille mer nøyaktige diagnoser og spådommer.

Studieoversikt

Status

Rekruttering

Forhold

AI-agent

Detaljert beskrivelse

Denne multi-sentrum, retrospektive kliniske studien er designet for å evaluere anvendelsen og effektiviteten til et AI-middel i den medisinske beslutningsprosessen. AI-agenten integrerer og analyserer multimodale data, inkludert elektroniske helsejournaler (EHR) og forskjellige avbildningsdata (f.eks. Røntgenbilder, MR-er, CT-skanninger, ultralyd) for å forutsi og diagnostisere en rekke sykdommer. Ved å utnytte kraften i maskinlæring og datafusjonsteknikker, kan AI -agenten identifisere mønstre i store og komplekse datasett, og tilby innsikt som kanskje ikke umiddelbart fremgår av tradisjonelle diagnostiske metoder. Studien vil sammenligne AI -agentens diagnostiske nøyaktighet og sykdomsprediksjonsevner med tradisjonell diagnostisk praksis for å vurdere potensielle fordeler i kliniske omgivelser. Sentrale spørsmål inkluderer om AI -agenten kan hjelpe til med tidlig diagnose, forutsi sykdomsprogresjon og støtte helsepersonell i å ta personlige behandlingsbeslutninger. Deltakerne vil ikke bli pålagt å gjennomgå noen ekstra inngrep; De vil bare gi historiske helsedata, inkludert EHR og relevante avbildningsdata, som vil bli analysert av AI -agenten. AI -systemet vil deretter bruke disse dataene for å hjelpe helsepersonell ved å tilby spådommer og diagnostiske forslag basert på analysen av multimodal informasjon. Det endelige målet er å avgjøre om denne AI-drevne tilnærmingen kan forbedre diagnostisk nøyaktighet, optimalisere behandlingsstrategier og forbedre pasientresultatene i klinisk praksis.

Studietype

Observasjonsmessig

Registrering (Antatt)

2000000

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

Kina
- Guangdong
  - Guangzhou, Guangdong, Kina
    - Rekruttering
    - Sun Yat-sen Memorial Hospital
    - Ta kontakt med:
      
      Yunfang Yu
      
      Telefonnummer: +86 020-81332199
      
      E-post: yuyf9@mail.sysu.edu.cn
  - Guangzhou, Guangdong, Kina
    - Rekruttering
    - Nanfang Hospital
    - Ta kontakt med:
      
      Zhuomin Li
      
      Telefonnummer: +86-0577-85397527
      
      E-post: chetneyli.1001@gmail.com
  - Guangzhou, Guangdong, Kina
    - Rekruttering
    - Sun Yat-sen University Cancer Hospital
    - Ta kontakt med:
      
      Yuxing Lu
      
      Telefonnummer: +86 13161233730
      
      E-post: yxlu0613@gmail.com
- Sichuan
  - Chengdu, Sichuan, Kina
    - Rekruttering
    - West China Hospital
    - Ta kontakt med:
      
      Kai Wang
      
      Telefonnummer: +86 028-85422114
      
      E-post: wkai@stu.pku.edu.cn
- 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

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Deltakerne til denne studien vil bli valgt fra flere helsesentre og sykehus som opprettholder omfattende elektroniske helsejournaler (EPJ) og multimodale bildedata. Studiepopulasjonen vil inkludere pasienter som har en rekke sykdommer eller helsetilstander, med data tilgjengelig for diagnose og sykdomsprogresjon. Deltakerne vil ha bekreftede diagnoser basert på kliniske journaler eller bildedata, inkludert, men ikke begrenset til, tilstander fanget av røntgen, CT-skanning, MR og ultralyd. Både de med komplekse helsetilstander og de med mer vanlige sykdommer vil bli inkludert for å evaluere AI-systemets diagnostiske og prediktive evner på tvers av et bredt spekter av tilfeller. Deltakere fra disse sentrene vil gi historiske helsedata, og det vil ikke være noen aktiv intervensjon utover bruk av deres eksisterende kliniske data og bildedata for opplæring og testing av AI-systemet.

Beskrivelse

Inkluderingskriterier:

Deltakerne må ha omfattende elektroniske helsejournaler (EHR) tilgjengelig, inkludert demografisk informasjon, medisinsk historie og laboratorieresultater.
Deltakerne må ha tilgjengelige multimodale bildedata (f.eks. røntgen, CT-skanning, MR, ultralyd) som er relevant for deres helsetilstand.
Deltakerne må ha en bekreftet diagnose av en eller flere sykdommer eller helsemessige forhold basert på kliniske poster eller avbildningsdata.
Pasienter må gi samtykke til bruk av deres historiske helsedata til forskningsformål.

Ekskluderingskriterier:

Deltakere med tvetydige eller ikke -verifiserbare diagnoser som ikke kan kategoriseres nøyaktig.
Dupliserte eller overflødige pasientdata (f.eks. Gjentatte poster av samme pasient uten klar differensiering).

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Antall grupper / kohorter

Kohorter og intervensjoner

Gruppe / Kohort
AI-assistert sykdomsforutsigelse ved hjelp av EPJ og bildedata Denne kohorten består av pasienter hvis historiske helsedata, inkludert elektroniske helsejournaler (EPJ) og multimodale bildedata (f.eks. røntgen, MR, CT-skanning, ultralyd), vil bli analysert av en AI-agent. AI-systemet vil hjelpe til med å diagnostisere og forutsi sykdommer ved å behandle og integrere disse forskjellige datakildene. Hovedfokuset er å evaluere AI-agentens evne til å identifisere mønstre og forutsi sykdomsprogresjon med høy nøyaktighet. Deltakerne vil ikke bli pålagt å foreta seg ytterligere handlinger utover å oppgi medisinsk historie og bildedata. Målet er å vurdere hvor godt AI-systemet kan støtte klinisk beslutningstaking og forbedre diagnostiske resultater basert på de oppgitte dataene.

Gruppe / Kohort

AI-assistert sykdomsforutsigelse ved hjelp av EPJ og bildedata

Denne kohorten består av pasienter hvis historiske helsedata, inkludert elektroniske helsejournaler (EPJ) og multimodale bildedata (f.eks. røntgen, MR, CT-skanning, ultralyd), vil bli analysert av en AI-agent. AI-systemet vil hjelpe til med å diagnostisere og forutsi sykdommer ved å behandle og integrere disse forskjellige datakildene. Hovedfokuset er å evaluere AI-agentens evne til å identifisere mønstre og forutsi sykdomsprogresjon med høy nøyaktighet. Deltakerne vil ikke bli pålagt å foreta seg ytterligere handlinger utover å oppgi medisinsk historie og bildedata. Målet er å vurdere hvor godt AI-systemet kan støtte klinisk beslutningstaking og forbedre diagnostiske resultater basert på de oppgitte dataene.

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)

1. juli 2023

Primær fullføring (Antatt)

1. juli 2025

Studiet fullført (Antatt)

1. juli 2025

Datoer for studieregistrering

Først innsendt

19. januar 2025

Først innsendt som oppfylte QC-kriteriene