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

Forskning på et intelligent helseanbefalingssystem for kronisk sykdom med komorbiditet som integrerer tradisjonell kinesisk medisin

Forskning på et intelligent helsebevaringsanbefalingssystem for kronisk sykdom med komorbiditet basert på integrasjon av tradisjonell kinesisk medisin-konstitusjonsdatabase og multimodale store språkmodeller

  1. Konstruer en database for tradisjonell kinesisk medisin (TCM)-konstitusjon, avklar fordelingmønstrene for TCM-konstitusjon i populasjoner med komorbid "tre-høye"-tilstander (hypertensjon, hyperlipidemi og hyperglykemi) og deres sammenhenger med metabolske indikatorer. Etabler en "konstitusjon-komorbiditet-metabolisme"-relasjonsmodell for å gi et grunnlag for personlig tilpasset intervensjon og utvikling av en AI-plattform.
  2. Utvikle AI-HEALS-systemet ved å integrere TCM-konstitusjonsdatabasen med multimodale store språkmodeller. Dette systemet vil generere personlig tilpassede intervensjonsplaner og gi intelligente interaktive spørsmål-og-svar-funksjoner for å forbedre pasientens intervensjonsoverholdelse.
  3. Evaluer den kliniske anvendelseseffektiviteten til AI-HEALS-systemet, utforsk forholdet mellom endringer i konstitusjon og intervensjonsresultater, og valider TCM-intervensjonsveien "regulere konstitusjon for å fremme helse". Dette vil gi både teoretisk og praktisk veiledning for den dynamiske reguleringen og presise intervensjonen av TCM-konstitusjon.

Studieoversikt

Status

Har ikke rekruttert ennå

Intervensjon / Behandling

Detaljert beskrivelse

Dette prosjektet kombinerer tradisjonell kinesisk medisin (TCM) konstitusjonsteori med store språkmodeller (LLMs) gjennom tverrfaglig integrasjon, og konstruerer et dynamisk styrket intelligent helseanbefalingssystem for TCM. Det fremmer den dype integrasjonen av konseptet "behandling basert på konstitusjonsdifferensiering" med kunstig intelligens. Betydningen av denne forskningen reflekteres hovedsakelig i følgende to aspekter:

På det teoretiske nivået hjelper denne studien med å utvide kunnskapsrepresentasjonen og beregningsmodelleringsmetodene for TCM-konstitusjonsteori innenfor rammeverket til moderne kunstig intelligens. Den fremmer anvendelsen og transformasjonen av TCM-konseptet "forebyggende behandling" i store datascenarier og intelligente resonneringsscenarier, gir nye perspektiver for forskning på mekanismene som forbinder TCM-konstitusjon og kronisk sykdomssamforekomst, og fremmer kryssintegrasjon mellom TCM-teoretiske systemer og moderne medisinsk informasjonsvitenskap.

På det praktiske nivået er forskningen avhengig av ekte kliniske data og multimodale AI-modeller for å etablere en strukturert, standardisert TCM-konstitusjonsdatabase. Den utvikler et helseopplysningssystem med individuelle identifikasjons-, intelligente anbefalings- og dynamiske intervensjonsfunksjoner, egnet for personlig administrasjon og tidlig varsling i befolkninger med kronisk sykdomssamforekomst. Prosjektresultatene vil bidra til å forbedre individuell helsekompetanse og livskvalitet, lindre byrden av kroniske sykdommer, fremme den praktiske anvendelsen av TCM i primærhelsetjenester og digital medisin, og demonstrere betydelig sosial verdi og brede utsikter for utbredt bruk.

Studietype

Observasjonsmessig

Registrering (Antatt)

195

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studer Kontakt Backup

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

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

En standardisert undersøkelse ble utført ved hjelp av klassifiserings- og vurderingskriteriene for tradisjonell kinesisk medisin-konstitusjon (standard fra China Association of Chinese Medicine) konstitusjonsidentifikasjonsskala. Utdannede TCM-utøvere og sykepleiepersonell utførte konstitusjonsvurdering for å identifisere den dominerende konstitusjonstypen og eventuelle sameksisterende konstitusjonstyper. I tillegg ble pasientens grunnleggende informasjon, detaljer om sykdomsdiagnose og nylige metabolske indikatorer som blodtrykk, fasteblodsukker, glykosylert hemoglobin og blodfettnivåer innhentet.

Beskrivelse

Inklusjonskriterier:

Alder ≥ 18 år; Klar diagnose av hypertensjon, type 2 diabetes og hyperlipidemi, og en komorbid tilstand som involverer alle tre sykdommene; Stabil sykdomstilstand uten nylige akutte komplikasjoner; I stand til å fullføre spørreskjemaer, og villig til å gi informert samtykke for å delta frivillig i studien.

Eksklusjonskriterier:

Pasienter i akuttfasen av de tre høye sykdommene (hypertensjon, diabetes, hyperlipidemi) eller med alvorlige komplikasjoner (som akutt hjerteinfarkt eller slag); Pasienter med andre alvorlige sykdommer som kan påvirke konstitusjonsvurdering eller intervensjonsgjennomføring, som ondartede svulster, alvorlig lever- eller nyrefunksjonssvikt, aktiv tuberkulose eller psykisk sykdom; Pasienter som har mottatt systematisk tradisjonell kinesisk medisinbehandling (f.eks. urtedekokter eller akupunktur) innen den siste måneden, som kan påvirke den innledende vurderingen av konstitusjonstype; Gravide eller ammende kvinner; Personer som ikke kan samarbeide med målinger, med språkkommunikasjonshindringer eller kognitive funksjonsnedsettelser; Pasienter som deltar i andre intervensjonelle kliniske studier.

Studieplan

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

Hvordan er studiet utformet?

Designdetaljer

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Tradisjonell kinesisk medisin (TKM) konstitusjonsdatabase
Tidsramme: Observasjonsperiode: 3 år
Utvikle AI-HEALS intelligent intervensjonsplattform, utstyrt med funksjoner som konstitusjonsidentifikasjon, intelligente anbefalinger og interaktivt spørsmål-og-svar, som oppnår en nøyaktighet på over 90% for spørsmål-og-svar.
Observasjonsperiode: 3 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 (Antatt)

20. desember 2025

Primær fullføring (Antatt)

30. desember 2028

Studiet fullført (Antatt)

30. desember 2028

Datoer for studieregistrering

Først innsendt

15. desember 2025

Først innsendt som oppfylte QC-kriteriene

15. desember 2025

Først lagt ut (Faktiske)

29. desember 2025

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

29. desember 2025

Siste oppdatering sendt inn som oppfylte QC-kriteriene

15. desember 2025

Sist bekreftet

1. desember 2025

Mer informasjon

Begreper knyttet til denne studien

Andre studie-ID-numre

  • KY-2025-295

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

UBESLUTTE

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

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. .

Kliniske studier på TCM-konstitusjonsteori

Kliniske studier på Flermodale AI-modeller

Abonnere