Oparte na sztucznej inteligencji przewidywanie wyników dializy za pomocą EHR
Przewidywanie wyników klinicznych pacjentów dializowanych przy użyciu elektronicznej dokumentacji medycznej: podejście oparte na sztucznej inteligencji
Przegląd badań
Status
Status
Warunki
Warunki
Interwencja / Leczenie
Interwencja / Leczenie
Szczegółowy opis
Typ studiów
Typ studiów
Zapisy (Szacowany)
Zapisy
Kontakty i lokalizacje
Kontakt w sprawie studiów
Kontakt w sprawie studiów
- Nazwa: Fei Liu, MD
- Numer telefonu: +86 13810512704
- E-mail: liufei_2359@163.com
Lokalizacje studiów
-
-
Beijing
-
Beijing, Beijing, Chiny
- Rekrutacyjny
- General Hospital of PLA
-
Kontakt:
- Delong Zhao
- Numer telefonu: +86 13810512704
- E-mail: feiliu0108@gmail.com
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
- Pacjenci, którzy byli poddawani dializie (hemodializa lub dializa otrzewna) przez co najmniej 3 miesiące.
- Pełne i dostępne dane EHR, w tym historia medyczna, wyniki testu laboratoryjnego, szczegóły leczenia dializy i obserwacje kliniczne.
- Uczestnicy muszą wyrazić świadomą zgodę na wykorzystanie danych dotyczących ich zdrowia do celów badawczych.
Kryteria wykluczenia:
- Pacjenci z niekompletnymi lub brakującymi krytycznymi danymi EHR, w tym historia medyczna, wyniki laboratoryjne, dane dializacyjne lub szczegóły leczenia niezbędne do badania.
- Pacjenci, którzy byli dializy przez mniej niż 3 miesiące, aby zapewnić stabilne dane dotyczące przewidywania wyników.
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Liczba grup / kohort
Kohorty i interwencje
Grupa / KohortaGrupa / Kohorta |
Interwencja / LeczenieInterwencja / Leczenie |
|---|---|
|
Grupa wysokiego ryzyka
Uczestnicy przewidują, że będą mieli wysokie ryzyko śmiertelności w oparciu o modele prognozowe wspomagane przez AI z wykorzystaniem ich danych EHR, w tym historii medycznej, wyników laboratorium, szczegółów leczenia dializy i obserwacji klinicznych.
|
W badaniu tym wykorzystano model predykcyjny wspomagany sztuczną inteligencją, który analizuje dane multimodalne z elektronicznej dokumentacji zdrowotnej, w tym historię medyczną, wyniki badań laboratoryjnych, szczegóły leczenia dializacyjnego i obserwacje kliniczne, aby przewidzieć wyniki pacjentów dializowanych.
Model wykorzystuje algorytmy głębokiego uczenia się do przewidywania ryzyka śmiertelności, wyników pośrednich, takich jak niedokrwistość, kontrola ciśnienia krwi, odżywianie i metabolizm wapnia i fosforanów, a także pomaga zidentyfikować wczesne oznaki pogorszenia.
Interwencja nie jest bezpośrednim leczeniem ani procedurą, ale ma na celu opracowanie narzędzia umożliwiającego przewidywanie wyników leczenia pacjentów i optymalizację strategii leczenia w celu poprawy ogólnego stanu zdrowia i wskaźników przeżycia pacjentów dializowanych.
|
|
Grupa Niskiego Ryzyka
Na podstawie modelu przewidywania wspomaganego sztuczną inteligencją przewidywano, że uczestnicy będą mieli niskie ryzyko śmiertelności, a którzy zostaną porównani z grupą wysokiego ryzyka w celu oceny skuteczności strategii wczesnej interwencji.
|
W badaniu tym wykorzystano model predykcyjny wspomagany sztuczną inteligencją, który analizuje dane multimodalne z elektronicznej dokumentacji zdrowotnej, w tym historię medyczną, wyniki badań laboratoryjnych, szczegóły leczenia dializacyjnego i obserwacje kliniczne, aby przewidzieć wyniki pacjentów dializowanych.
Model wykorzystuje algorytmy głębokiego uczenia się do przewidywania ryzyka śmiertelności, wyników pośrednich, takich jak niedokrwistość, kontrola ciśnienia krwi, odżywianie i metabolizm wapnia i fosforanów, a także pomaga zidentyfikować wczesne oznaki pogorszenia.
Interwencja nie jest bezpośrednim leczeniem ani procedurą, ale ma na celu opracowanie narzędzia umożliwiającego przewidywanie wyników leczenia pacjentów i optymalizację strategii leczenia w celu poprawy ogólnego stanu zdrowia i wskaźników przeżycia pacjentów dializowanych.
|
Co mierzy badanie?
Podstawowe miary wyniku
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność przewidywania śmiertelności
Ramy czasowe: 1 rok
|
Zdolność modelu predykcyjnego wspomaganego przez AI do dokładnego przewidywania ryzyka śmiertelności u pacjentów z dializą.
Dokładność prognozowania zostanie oceniona za pomocą obszaru pod krzywą (AUC), wynikiem F1 i czułości/swoistości.
Model zostanie oceniony na podstawie porównania przewidywanego ryzyka śmiertelności z faktycznymi wynikami (tj. Czy pacjenci przeżyli, czy zmarli w okresie badania).
|
1 rok
|
Miary wyników drugorzędnych
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność prognozowania komplikacji
Ramy czasowe: 1 rok
|
Dokładność modelu predykcyjnego wspomaganego przez AI w prognozujących powikłaniach powszechnie doświadczanych przez pacjentów dializowanych, w tym niedokrwistość, niekontrolowane ciśnienie krwi, słaby stan żywieniowy i nieprawidłowości metabolizmu fosforanu wapnia.
Wydajność modelu zostanie oceniona za pomocą wskaźników takich jak AUC, F1 Pance i dokładność poprzez porównanie przewidywanych wartości z rzeczywistymi wynikami klinicznymi, takimi jak wyniki laboratoryjne, diagnozy kliniczne i stan zdrowia pacjenta.
|
1 rok
|
Współpracownicy i badacze
Sponsor
Sponsor
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Rozpoczęcie studiów
Zakończenie podstawowe (Szacowany)
Zakończenie podstawowe
Ukończenie studiów (Szacowany)
Ukończenie studiów
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Pierwszy wysłany
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia wysłana aktualizacja
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Inne numery identyfikacyjne badania
Inne numery identyfikacyjne badania
- Dialysis
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
produkt wyprodukowany i wyeksportowany z USA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .