Sztuczna inteligencja do automatycznej eksploracji danych klinicznych z elektronicznej dokumentacji medycznej (CardioMining-AI)
Przydatność sztucznej inteligencji do automatycznej ekstrakcji i przetwarzania danych klinicznych z elektronicznej dokumentacji medycznej (CardioMining-AI)
Przegląd badań
Status
Szczegółowy opis
Pomimo szybkiego rozwoju medycyny i informatyki w ostatnich latach, postępowanie medyczne we współczesnej praktyce klinicznej ma często charakter empiryczny i opiera się na danych retrospektywnych. Wraz z rosnącą liczbą pacjentów i ich koncentracją w dużych ośrodkach trzeciego stopnia atrakcyjne staje się systematyczne gromadzenie danych klinicznych i stosowanie ich w modelach stratyfikacji ryzyka. Jednak wraz ze wzrostem ilości danych ręczne gromadzenie i przetwarzanie danych staje się wyzwaniem, ponieważ takie podejście jest czasochłonne i kosztowne dla systemów opieki zdrowotnej. Ponadto informacje nieustrukturyzowane, takie jak notatki kliniczne, są bardzo często pisane jako dowolny tekst, który nie nadaje się do bezpośredniej analizy. Wykorzystanie sztucznej inteligencji jest bardzo obiecujące i w najbliższych latach szybko zmieni przyszłość medycyny. Dzięki zautomatyzowanym procesom, które oferuje, możliwe jest szybkie i niezawodne pozyskiwanie danych do dalszego przetwarzania. Wyniki jego stosowania można łatwo rozszerzyć na różne systemy opieki zdrowotnej, poszerzając wytwarzaną wiedzę i poprawiając dokładność diagnostyczną i terapeutyczną, a ostatecznie pozytywnie wpływając na usługi zdrowotne. Gromadzenie ogromnej ilości danych z różnych źródeł bez narażania na szwank danych osobowych pacjentów jest dużym wyzwaniem współczesnej nauki.
Rejestrowane elektronicznie zapisy kliniczne pacjentów hospitalizowanych na oddziale kardiologii szpitali trzeciego stopnia będą gromadzone retrospektywnie, a także dodatkowe akta, takie jak badania laboratoryjne i obrazowe związane z każdą hospitalizacją. Biorąc pod uwagę wielkość uczestniczących klinik oraz lata, w których stosowano elektroniczną dokumentację szpitalną w formie elektronicznej, szacuje się, że próba dokumentacji pacjentów wyniesie około 60 000. Z tych plików elektronicznych zostaną usunięte wszelkie informacje, które potencjalnie mogłyby posłużyć do identyfikacji osoby, takie jak imię i nazwisko, numer identyfikacyjny, kod pocztowy, miejsce zamieszkania, zawód. Rejestrowany będzie tylko wiek, a nie dokładna data urodzenia każdego pacjenta. Rejestrowane będą tylko dni pobytu w szpitalu, a nie dokładne daty przyjęcia i wypisu ze szpitala. Tym samym danych nie będzie można przyporządkować do konkretnego podmiotu, gdyż nie będą dla nich zbierane żadne dodatkowe informacje ani identyfikatory. Po zanonimizowaniu plików każda notatka kliniczna pacjenta zostanie powiązana z określonym kluczem („identyfikatorem”). Plik elektroniczny zawierający powiązanie „identyfikatora” z notatką kliniczną pacjenta będzie przechowywany w bezpiecznej elektronicznej lokalizacji szpitala. W pełni anonimowe pliki zostaną początkowo poddane ręcznej analizie w celu wyodrębnienia informacji do bazy danych zawierającej wszystkie informacje kliniczne pacjentów, takie jak diagnozy wypisowe, leki, protokoły leczenia, testy laboratoryjne i diagnostyczne. W tym samym czasie zostanie przeanalizowana próbka (1/3) notatek klinicznych w celu zidentyfikowania słów kluczowych lub fraz związanych z każdą diagnozą (na przykład rozpoznanie migotania przedsionków zostanie prawdopodobnie zapisane jako „migotanie przedsionków”, „AF” itp.). Korzystając z tego wygenerowanego słownika słów kluczowych oraz integrując metody sztucznej inteligencji i eksplorację tekstu, takie jak przetwarzanie języka naturalnego (NLP), zostanie podjęta próba zautomatyzowanej ekstrakcji danych i diagnoz z tych elektronicznych notatek medycznych. Wiarygodność i dokładność metod obliczeniowych zostanie oceniona wewnętrznie, porównując dane pobrane automatycznie z danymi zarejestrowanymi ręcznie. Ponadto niezawodność i dokładność tych metod obliczeniowych zostanie oceniona zewnętrznie, stosując te metody do 2/3 notatek klinicznych, w których nie próbowano powiązać słów kluczowych z konkretnymi diagnozami.
Jeśli chodzi o Grecję, niniejsze badanie ma być pierwszym, które przeanalizuje przydatność sztucznej inteligencji do automatycznego wydobywania i przetwarzania nieustrukturyzowanych danych klinicznych z medycznych notatek klinicznych pacjentów. Wyniki tego badania będą miały pozytywny wpływ na:
- automatyzacja wielkoskalowych analiz i procedur przetwarzania danych
- szybkie rejestrowanie danych epidemiologicznych i wykorzystanie danych klinicznych
- wczesna diagnostyka chorób
- opracowanie fenotypowych profili pacjentów, którzy mogliby odnieść korzyści z terapii celowanych
- rozwój systemów wspomagania decyzji klinicznych, które będą dostarczać informacji o możliwym przebiegu klinicznym pacjentów po wypisie ze szpitala i wspomagać podejmowanie decyzji medycznych
- rozwój i walidacja modeli prognostycznych dla głównych chorób sercowo-naczyniowych
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: George Giannakoulas, MD, PhD
- Numer telefonu: +30 2310994830
- E-mail: ggiannakoulas@auth.gr
Kopia zapasowa kontaktu do badania
- Nazwa: Athanasios Samaras, MD
- Numer telefonu: +30 2310994830
- E-mail: ath.samaras.as@gmail.com
Lokalizacje studiów
-
-
-
Alexandroupoli, Grecja
- Jeszcze nie rekrutacja
- University Cardiology Clinic, Democritus University of Thrace
-
Kontakt:
- George Chalikias, MD, PhD
- E-mail: gchaliki@med.duth.gr
-
Kontakt:
- Dimitrios Tziakas, MD, PhD
-
Athens, Grecja
- Rekrutacyjny
- 1st Department of Cardiology, Hippokration General Hospital
-
Kontakt:
- George Lazaros, MD, PhD
- E-mail: glaz35@hotmail.com
-
Kontakt:
- Konstantinos Tsioufis, MD, PhD
-
Heraklion, Grecja
- Jeszcze nie rekrutacja
- Department of Cardiology, Heraklion University Hospital
-
Kontakt:
- Alexandros Patrianakos, MD, PhD
- E-mail: apatrianakos@yahoo.gr
-
Kontakt:
- Alexandros Patrianakos, MD, PhD
-
Larissa, Grecja
- Rekrutacyjny
- University General Hospital of Larissa, University of Thessaly
-
Kontakt:
- Gregory Giamouzis, MD, PhD
- E-mail: grgiamouzis@gmail.com
-
Kontakt:
- Gregory Giamouzis, MD, PhD
-
Patras, Grecja
- Rekrutacyjny
- Department of Cardiology, University of Patras Medical School
-
Kontakt:
- Periklis Davlouros, MD, PhD
- E-mail: pdav@upatras.gr
-
Kontakt:
- Periklis Davlouros, MD, PhD
-
Thessaloniki, Grecja
- Jeszcze nie rekrutacja
- 3rd Cardiology Department, Hippokration Hospital
-
Kontakt:
- Vassilios Vassilikos, MD, PhD
- E-mail: vvassil@auth.gr
-
Kontakt:
- Vassilios Vassilikos, MD, PhD
-
Thessaloniki, Grecja
- Rekrutacyjny
- Cardiology Department, George Papanikolaou General Hospital
-
Kontakt:
- John Zarifis, MD, PhD
- E-mail: zarifis.john@gmail.com
-
Kontakt:
- John Zarifis, MD, PhD
-
Thessaloníki, Grecja, 54636
- Rekrutacyjny
- 1st Cardiology Department, AHEPA University Hospital
-
Kontakt:
- Athanasios Samaras, MD, PhD
- E-mail: ath.samaras.as@gmail.com
-
Kontakt:
- George Giannakoulas, MD, PhD
-
Thessaloníki, Grecja
- Rekrutacyjny
- Laboratory of Medical Physics, Aristotle University of Thessaloniki
-
Kontakt:
- Panagiotis Bamidis, Prof
- E-mail: pdbamidis@gmail.com
-
Kontakt:
- Panagiotis Bamidis, Prof
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Pacjenci hospitalizowani na oddziałach kardiologicznych w Grecji
- Pacjenci, których dokumentacja medyczna jest elektronicznie przechowywana w systemach komputerowych/informacyjnych każdego szpitala
Kryteria wyłączenia:
- Pacjenci, którzy zmarli w trakcie hospitalizacji, w związku z czym nie wydano wypisu
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
- Modele obserwacyjne: Kohorta
- Perspektywy czasowe: Z mocą wsteczną
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dokładność sztucznej inteligencji do automatycznego wyodrębniania danych klinicznych z dokumentacji medycznej pacjentów w porównaniu z tradycyjnymi ręcznymi metodami ekstrakcji danych
Ramy czasowe: 1 rok
|
Szybkość dokładnego wydobywania danych klinicznych (historia medyczna, diagnozy wypisowe, leki itp.) z nieustrukturyzowanych notatek klinicznych przy użyciu zautomatyzowanych metod sztucznej inteligencji w porównaniu z tradycyjnymi metodami ręcznego wydobywania danych
|
1 rok
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Czas na śmiertelność ze wszystkich przyczyn
Ramy czasowe: do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
Długość czasu (miesiące) do śmierci z jakiejkolwiek przyczyny w okresie obserwacji
|
do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
|
Czas na wystąpienie poważnych chorób układu krążenia
Ramy czasowe: do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
Długość czasu (miesiące) do wystąpienia niewydolności serca, cukrzycy lub choroby niedokrwiennej serca w okresie obserwacji
|
do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
|
Czas do ponownej hospitalizacji z przyczyn sercowo-naczyniowych
Ramy czasowe: do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
Długość czasu (miesiące) do ponownej hospitalizacji z przyczyn sercowo-naczyniowych w okresie obserwacji
|
do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
|
Czas do udaru mózgu lub zatorowości systemowej
Ramy czasowe: do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
Długość czasu (miesiące) do wystąpienia udaru lub zatorowości systemowej w okresie obserwacji
|
do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
|
Czas do ostrego zespołu wieńcowego
Ramy czasowe: do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
Długość czasu (miesiące) do wystąpienia ostrego zespołu wieńcowego w okresie obserwacji
|
do 8 lat (od wypisu ze szpitala do daty ukończenia badania podstawowego)
|
Współpracownicy i badacze
Publikacje i pomocne linki
Publikacje ogólne
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017 May 30;69(21):2657-2664. doi: 10.1016/j.jacc.2017.03.571.
- Boag W, Doss D, Naumann T, Szolovits P. What's in a Note? Unpacking Predictive Value in Clinical Note Representations. AMIA Jt Summits Transl Sci Proc. 2018 May 18;2017:26-34. eCollection 2018.
- Hashir M, Sawhney R. Towards unstructured mortality prediction with free-text clinical notes. J Biomed Inform. 2020 Aug;108:103489. doi: 10.1016/j.jbi.2020.103489. Epub 2020 Jun 25.
- Diller GP, Kempny A, Babu-Narayan SV, Henrichs M, Brida M, Uebing A, Lammers AE, Baumgartner H, Li W, Wort SJ, Dimopoulos K, Gatzoulis MA. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J. 2019 Apr 1;40(13):1069-1077. doi: 10.1093/eurheartj/ehy915.
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Inne numery identyfikacyjne badania
- 545/19.11.2021
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu IPD
Typ informacji pomocniczych dotyczących udostępniania IPD
- PROTOKÓŁ BADANIA
- SOK ROŚLINNY
- ANALITYCZNY_KOD
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 .