Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Bezpieczeństwo i niezawodność oceny objawów opartej na sztucznej inteligencji u dzieci i młodzieży

3 grudnia 2020 zaktualizowane przez: Turku University Hospital

Cyfrowe technologie medyczne (DHT) są coraz częściej rozwijane w celu wspierania systemów opieki zdrowotnej na całym świecie. Jednak często brakuje im medycyny opartej na dowodach i walidacji medycznej. W krajach zachodnich istnieje duża potrzeba trafnej alokacji zasobów opieki zdrowotnej oraz dostarczania społeczeństwu szczegółowych i rzetelnych informacji zdrowotnych, pozwalających na wzięcie większej odpowiedzialności za własne zdrowie. Inteligentny system zarządzania przepływem pacjentów (IPFM, nazwa produktu Klinik Frontline) jest rozwijany w odpowiedzi na te potrzeby. W praktyce IPFM służy do wspomagania decyzji w procesach segregacji i diagnostyki oraz automatyzacji zarządzania napływem pacjentów. Rdzeniem IPFM jest kliniczna sztuczna inteligencja (AI), która wykorzystuje obszerną medyczną bazę danych korelacji klinicznych generowanych przez lekarzy.

Populacja badana w tym badaniu składa się z pacjentów z pediatrycznej kliniki ratunkowej Szpitala Uniwersyteckiego w Turku (TUH). Dane będą zbierane podczas 6-miesięcznego pilotażu, po którym wyniki zostaną poddane analizie. Przewidywana liczba pacjentów do badania to minimum 500 pacjentów, docelowo 1 000. Udając się do szpitala, pacjenci lub ich opiekunowie zgłaszają swoje dane demograficzne, podstawowe informacje i objawy za pomocą ustrukturyzowanego formularza internetowego IPFM. Wyniki uzyskane z IPFM są zaślepione przez pracownika służby zdrowia, a IPFM nie wpływa na podejmowanie decyzji klinicznych przez profesjonalistę. Dane uzyskane z formularza online IPFM oraz dane kliniczne z oddziału ratunkowego i TUH zostaną przeanalizowane po zebraniu danych. Głównym celem badań jest walidacja zastosowania IPFM poprzez ocenę związku danych wyjściowych IPFM z 1) pilnością i dotkliwością warunków; oraz 2) rzeczywiste diagnozy stawiane przez lekarzy. Główne hipotezy badań są następujące: 1) IPFM jest bezpieczny i czuły w ocenie pilności stanu pacjentów przybywających na oddział ratunkowy oraz 2) IPFM ma wystarczającą korelację diagnozy różnicowej z rzeczywistą diagnozą postawioną przez lekarza.

Przegląd badań

Typ studiów

Obserwacyjny

Zapisy (Oczekiwany)

1000

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

1 sekunda do 17 lat (DZIECKO)

Akceptuje zdrowych ochotników

Tak

Płeć kwalifikująca się do nauki

Wszystko

Metoda próbkowania

Próbka prawdopodobieństwa

Badana populacja

Dzieci i młodzież w każdym wieku i z chorobami współistniejącymi

Opis

Kryteria przyjęcia:

  • wszyscy pacjenci na oddziale ratunkowym z ostrymi objawami

Kryteria wyłączenia:

  • Sytuacja awaryjna

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
Dzieci i młodzież
System segregacji oparty na sztucznej inteligencji

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Indeks dotkliwości sytuacji kryzysowej (ESI)
Ramy czasowe: 1.12.2020-31.12.2021
Zautomatyzowana analiza pilności segregacji (wskaźnik ESI) oparta na sztucznej inteligencji zostanie porównana ze wskaźnikiem oszacowanym przez pracowników służby zdrowia
1.12.2020-31.12.2021

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Diagnoza pierwotna
Ramy czasowe: 1.12.2020-31.12.2021
Zautomatyzowana analiza diagnozy oparta na sztucznej inteligencji zostanie porównana z diagnozą oszacowaną przez pracowników służby zdrowia
1.12.2020-31.12.2021

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (OCZEKIWANY)

1 grudnia 2020

Zakończenie podstawowe (OCZEKIWANY)

1 czerwca 2021

Ukończenie studiów (OCZEKIWANY)

1 grudnia 2021

Daty rejestracji na studia

Pierwszy przesłany

26 listopada 2020

Pierwszy przesłany, który spełnia kryteria kontroli jakości

3 grudnia 2020

Pierwszy wysłany (RZECZYWISTY)

10 grudnia 2020

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (RZECZYWISTY)

10 grudnia 2020

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

3 grudnia 2020

Ostatnia weryfikacja

1 listopada 2020

Więcej informacji

Terminy związane z tym badaniem

Inne numery identyfikacyjne badania

  • ETMK Dnro: 68 /1801/2020

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

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 .

Subskrybuj