AI-assistert medisinsk beslutningstaking
27. februar 2025 oppdatert av: Kang Zhang, The Eye Hospital of Wenzhou Medical University
En kohortstudie for å evaluere en kunstig intelligensmodell for å hjelpe medisinsk beslutningstaking ved hjelp av sanntids sykehusomfattende elektroniske helsejournaldata
Denne studien bygger og bruker en AI -modell for å hjelpe leger med å forutsi pasientdiagnoser og utfall, som overlevelse eller sykehusopphold.
Vi vil bruke sanntids multimodale data (laboratorier, vitale tegn, historie, avbildning) fra sykehusjournaler.
Pasienter vil bli sporet for å sammenligne AIs ytelse med standardpleie.
Målet er å forbedre diagnose og behandlingsnøyaktighet i en prospektiv studie i den virkelige verden.
Studieoversikt
Status
Rekruttering
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Denne studien tar sikte på å bygge og anvende en kunstig intelligens (AI) -modell for å hjelpe leger med å forutsi pasientdiagnoser og utfall, for eksempel overlevelse eller sykehusoppholdslengde.
Vi vil registrere pasienter over sykehuset og bruke sanntid, multimodal helsedata-inkludert laboratorieresultater, viktige tegn, medisinsk historie og avbildning-fra elektroniske helsejournaler.
Studien vil følge deltakerne for å evaluere AI -modellens ytelse mot standardpraksis.
Målet vårt er å forbedre nøyaktigheten og hastigheten på diagnoser og behandlinger, forbedre pasientbehandlingen.
Denne prospektive studien tester modellen i sykehusinnstillinger i den virkelige verden.
Studietype
Observasjonsmessig
Registrering (Antatt)
50000000
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
- Telefonnummer: +86-0577-88002888
- E-post: c249325687@163.com
-
Wenzhou, Zhejiang, Kina
- Rekruttering
- Second Affiliated Hospital of Wenzhou Medical University
-
Ta kontakt med:
- Linfeng Liu
- E-post: llfwfe@163.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
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Ja
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Denne studien inkluderer alle pasienter innlagt på enhver sykehusavdeling, med sanntids elektroniske helsejournaldata (f.eks. Laboratorier, vitale tegn, historie, avbildning).
Deltakerne må samtykke til datainnsamling.
Beskrivelse
Inkluderingskriterier:
- Pasienter innlagt på enhver avdeling på sykehuset (f.eks. ICU, generelle avdelinger, nødsituasjoner, polikliniske tjenester) i løpet av studieperioden.
- Pasienter med tilgjengelige data i sanntid Electronic Health Record (EHR), inkludert minst to av følgende: laboratorieresultater, vitale tegn, medisinsk historie og avbildningsdata.
Eksklusjonskriterier:
Pasienter som for tiden er registrert i en annen klinisk studie som kan forstyrre datainnsamling eller utfall av denne 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 |
|---|---|
|
Sykehusomfattende pasientkohort
|
Intervensjonen i denne studien involverer et AI-system som utnytter multimodal datafusjon for å støtte klinisk beslutningstaking og evaluering av sykdommer.
Pasienter i denne årskullet vil gjennomgå standardundersøkelser, med kliniske beslutninger styrt av anbefalingene generert av AI -systemet.
|
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
|
|
Generell forbedring av sykehusets ressursutnyttelse
Tidsramme: 1 år
|
Prosentvis reduksjon i total sykehusressursbruk (f.eks. Sengedager, ICU-innleggelser, diagnostiske tester) tilskrevet AI-assistert beslutningstaking, uttrykt i prosent.
|
1 år
|
|
Forbedring av diagnostisk nøyaktighet på populasjonsnivå
Tidsramme: 1 år
|
Den generelle forbedringen i diagnostisk nøyaktighet på tvers av alle sykehuspasienter (f.eks. Prosentandel av riktige diagnoser eller reduksjon i feildiagnoser) forenklet av AI -modellen, uttrykt i prosent eller forhold.
|
1 år
|
|
Systemomfattende reduksjon i bivirkninger
Tidsramme: 1 år
|
Prosentvis reduksjon i store bivirkninger (f.eks. Dødelighet, alvorlige komplikasjoner eller langvarige opphold) på tvers av alle sykehuspasienter på grunn av AI-assistert beslutningstaking, uttrykt i prosent.
|
1 år
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Generell forbedring i sykehusets pasientresultater
Tidsramme: 1 år
|
Den samlede forbedringen i viktige pasientresultater (f.eks. Dødelighet, sykelighet, utvinningsrate) i hele sykehuspopulasjonen på grunn av AI-assistert beslutningstaking, uttrykt som en sammensatt poengsum eller prosentandel.
|
1 år
|
|
Forbedring av effektiviteten til helsevesenet
Tidsramme: 1 år
|
Den generelle forbedringen i sykehusets driftseffektivitet (f.eks. Reduserte ventetid, optimalisert ressursallokering, redusert arbeidsmengde for personalet) tilskrevet AI -modellen, uttrykt i prosent eller kvalitativ rangering.
|
1 år
|
|
Population Health Effekt score
Tidsramme: 1 år
|
En sammensatt poengsum som gjenspeiler AI -modellens effekt på befolkningshelsen i sykehusets nedslagsfelt (f.eks. Redusert sykdomsbyrde, forbedret kronisk sykdomshåndtering), uttrykt som en standardisert indeks eller prosentvis endring.
|
1 år
|
|
Langsiktig folkehelsestannsindeks
Tidsramme: 1 år
|
En sammensatt indeks som måler AI-modellens langsiktige bidrag til folkehelsen (f.eks. Redusert sykdomsforekomst, forbedret forventet levealder), uttrykt som en standardisert poengsum eller prosentvis forbedring.
|
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)
24. februar 2025
Primær fullføring (Antatt)
1. juni 2026
Studiet fullført (Antatt)
1. juni 2026
Datoer for studieregistrering
Først innsendt
24. februar 2025
Først innsendt som oppfylte QC-kriteriene
24. februar 2025
Først lagt ut (Faktiske)
25. mars 2025
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
25. mars 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
27. februar 2025
Sist bekreftet
1. februar 2025
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- AI Prediction
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. .