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

Bezpieczna i zrozumiała sztuczna inteligencja

23 lutego 2026 zaktualizowane przez: Abramson Cancer Center at Penn Medicine

BEZPIECZNE I WYJAŚNIONE PODEJMOWANIE DECYZJI W oparciu o sztuczną inteligencję w celu zapewnienia spersonalizowanego wsparcia w podejmowaniu decyzji klinicznych

Chociaż obecna technologia sztucznej inteligencji nadaje się do automatyzacji niektórych powtarzalnych zadań klinicznych, nadal istnieją wyzwania techniczne związane z rozwiązywaniem krytycznych i przynoszących zyski problemów w obszarach zarządzania pacjentami i chorobami. Proponowane badania mają na celu rozwiązanie problemów związanych z medyczną sztuczną inteligencją, takich jak skuteczna integracja wiedzy medycznej, wyjaśnianie zaleceń sztucznej inteligencji klinicystom oraz ustanawianie gwarancji bezpieczeństwa.

Przegląd badań

Status

Rekrutacyjny

Warunki

Interwencja / Leczenie

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

300000

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Kontakt w sprawie studiów

Kopia zapasowa kontaktu do badania

Lokalizacje studiów

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

  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

W badaniu przeanalizowane zostaną dane EMR pochodzące z kardiologii, onkologii i pacjentów z ryzykiem sepsy.

Każda grupa ma jasno określone kryteria włączenia-wyłączenia. Na potrzeby modelu uczenia maszynowego umożliwiającego przewidywanie komorowych zaburzeń rytmu i wewnątrzszpitalnego zatrzymania krążenia skonstruujemy kohorty pacjentów składające się z dorosłych (tj. w wieku 18 lat lub starszych) pacjentów przyjmowanych do łóżek dostępnych w ambulatorium w szpitalu Penn Medicine od 2020 r. do obecnych, jak również pacjentów, u których stwierdzono zatrzymanie krążenia na podstawie zapisów EHR.

Opis

Kryteria włączenia:

Kardiolog Wiek 18 lat i więcej, przyjęty do dowolnego szpitala Penn Medicine od 2017 roku do chwili obecnej. Sepsa w wieku 18 lat w momencie zgłoszenia na oddział ratunkowy lub przyjęcia do dowolnego szpitala Penn Medicine od 1 lipca 2017 r. będzie kwalifikować się do leczenia, ponieważ reprezentuje to populację narażoną na ryzyko sepsy. Onkologia 18 lat i więcej z diagnoza inwazyjnego raka piersi (stadium 1-4) w rejestrze Penn Cancer

Kryteria wykluczenia Wszystkie modele prognostyczne wykluczają pacjentów w wieku poniżej 18 lat z zestawów danych pacjentów.

Kardiologia Pacjenci, u których pierwotnym rozpoznaniem przyjęcia było zatrzymanie krążenia Sepsa Osoby z istniejącymi wcześniej ograniczeniami w leczeniu podtrzymującym życie zostaną wykluczeni, ponieważ na ich kwalifikowalność do definicji sepsy, otrzymaną opiekę i wyniki mogą w istotny i zmienny sposób wpływać istniejące wcześniej ograniczenia opieki . Onkologia Nie ma innych wyłączeń.

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
Kardiologia
Głównym celem w tym scenariuszu przypadku klinicznego jest ocena modelu ML wykorzystującego telemetrię kardiologiczną w czasie rzeczywistym, a także inne ustrukturyzowane źródła danych klinicznych, demograficznych i obrazowych, wśród pacjentów hospitalizowanych na oddziałach intensywnej terapii (OIOM), w celu przewidzenia zbliżającego się szpitalnego zatrzymanie krążenia, identyfikacja potencjalnie odwracalnych przyczyn zatrzymania krążenia i przewidywanie, u których pacjentów może nastąpić zatrzymanie krążenia z powodu rytmów wymagających defibrylacji, np. częstoskurczu komorowego (VT) lub migotania komór (VF).
Inny: SPERSONALIZOWANE WSPARCIE DECYZJI KLINICZNEJ AI
PODEJMOWANIE DECYZJI W oparciu o sztuczną inteligencję, zapewniające spersonalizowane wsparcie w podejmowaniu decyzji klinicznych
Onkologia - rak piersi
Głównym celem w tym scenariuszu przypadku klinicznego jest ocena modelu ML z wykorzystaniem ustrukturyzowanych i nieustrukturyzowanych danych z sekwencjonowania klinicznego, demograficznego oraz molekularnego i linii zarodkowej nowotworu wśród pacjentów ambulatoryjnych chorych na nowotwór, aby przewidzieć krótkoterminową śmiertelność i/lub ustąpienie objawów. Model przewidywania odpowiedzi na leczenie u pacjentek z rakiem piersi zostanie porównany z dwoma narzędziami prognostycznymi: 1) Conversation Connect, wcześniej zatwierdzonym narzędziem do przewidywania śmiertelności w oparciu o uczenie maszynowe, które było wykorzystywane na Uniwersytecie Pensylwanii do rutynowego wspomagania decyzji klinicznych oraz 2) Indeks współistniejący Elixhausera, wskaźnik prognostyczny oparty na chorobach współistniejących, powszechnie stosowany w badaniach i dostosowywaniu ryzyka.
Inny: SPERSONALIZOWANE WSPARCIE DECYZJI KLINICZNEJ AI
PODEJMOWANIE DECYZJI W oparciu o sztuczną inteligencję, zapewniające spersonalizowane wsparcie w podejmowaniu decyzji klinicznych
Posocznica
Głównym celem w tym scenariuszu przypadku klinicznego jest opracowanie i ocena modelu ML, który wykorzystuje wielomodalne dane kliniczne (np. ustrukturyzowane dane EHR, takie jak dane demograficzne, wyniki badań laboratoryjnych i parametry życiowe; nieustrukturyzowane dane EHR, w tym tekst notatek z wizyt klinicznych i (jeśli są dostępne, krzywe z urządzeń monitorujących w czasie rzeczywistym pracę serca, hemodynamikę i oddychanie), aby przewidzieć potrzebę rozpoczęcia terapii przeciwdrobnoustrojowej o szerokim spektrum działania u hospitalizowanych pacjentów z sepsą. Koncentrując się na możliwej do wdrożenia i wytłumaczalnej sztucznej inteligencji, opracujemy dobrze skalibrowane prognozy, które będą miały znaczenie kliniczne również przy łóżku pacjenta, aby pomóc w podejmowaniu w czasie rzeczywistym decyzji dotyczących diagnozy i rozpoczęcia leczenia. Model umożliwiający szybką diagnozę i interwencję w przypadku sepsy zostanie porównany z powszechnie stosowanymi modelami przewidywania sepsy dostępnymi na rynku komercyjnym i dostępnymi na zasadach open source.
Inny: SPERSONALIZOWANE WSPARCIE DECYZJI KLINICZNEJ AI
PODEJMOWANIE DECYZJI W oparciu o sztuczną inteligencję, zapewniające spersonalizowane wsparcie w podejmowaniu decyzji klinicznych

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Algorytmy uczenia się neurosymbolicznego
Ramy czasowe: Prototypuj i opracowuj nowe algorytmy uczenia się; 18 miesięcy. Porównaj i oceń algorytmy uczenia się; 24 miesiące. Publikuj wyniki badań; 24 miesiące
Opracuj i oceń nowe algorytmy do uczenia modeli neurosymbolicznych. Opracujemy algorytmy wydajne pod względem danych i obliczeń do kompleksowego uczenia modeli neurosymbolicznych. To zadanie odciąży ekspertów klinicystów w zakresie zapewniania szczegółowych etykiet na obszernych danych EHR.
Prototypuj i opracowuj nowe algorytmy uczenia się; 18 miesięcy. Porównaj i oceń algorytmy uczenia się; 24 miesiące. Publikuj wyniki badań; 24 miesiące
Metody wyjaśniania
Ramy czasowe: Prototypuj i opracowuj nowe algorytmy objaśniające; 18 miesięcy. Uzyskaj poświadczone gwarancje wyjaśnień; 18 miesięcy. Porównaj i oceń algorytmy wyjaśniania; 24 miesiące. Rozszerzaj certyfikaty o nowe właściwości i zadania; 30 miesięcy. wyd
Opracujemy nowe, dające się wyjaśnić techniki sztucznej inteligencji, które będą objęte weryfikowalnymi gwarancjami. Gwarancje te umożliwią zaufanie i przejrzystość sztucznej inteligencji na poziomie podstawowym.
Prototypuj i opracowuj nowe algorytmy objaśniające; 18 miesięcy. Uzyskaj poświadczone gwarancje wyjaśnień; 18 miesięcy. Porównaj i oceń algorytmy wyjaśniania; 24 miesiące. Rozszerzaj certyfikaty o nowe właściwości i zadania; 30 miesięcy. wyd
Metody gwarancji bezpieczeństwa
Ramy czasowe: Prototypuj i opracowuj nowe algorytmy uczenia się reguł; 30 miesięcy. Skaluj algorytmy uczenia się reguł do większych ustawień danych; 36 miesięcy. Włącz nowe prymitywy, aby wyrazić złożone reguły; 36 miesięcy. Implementuj algorytmy uczenia się reguł w zadaniach podstawowych
Opracujemy nowe algorytmy, które będą w stanie w skalowalny sposób wyodrębnić złożone reguły logiczne regulujące bezpieczeństwo z danych, które mają gwarancje statystyczne. Techniki te będą opierać się na analizie statystycznej i pomagać użytkownikom w identyfikowaniu danych spoza dystrybucji i wykrywaniu anomalii.
Prototypuj i opracowuj nowe algorytmy uczenia się reguł; 30 miesięcy. Skaluj algorytmy uczenia się reguł do większych ustawień danych; 36 miesięcy. Włącz nowe prymitywy, aby wyrazić złożone reguły; 36 miesięcy. Implementuj algorytmy uczenia się reguł w zadaniach podstawowych

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Abramson Cancer Center at Penn Medicine

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 (Rzeczywisty)

29 listopada 2025

Zakończenie podstawowe (Szacowany)

1 listopada 2028

Ukończenie studiów (Szacowany)

1 listopada 2028

Daty rejestracji na studia

Pierwszy przesłany

15 listopada 2024

Pierwszy przesłany, który spełnia kryteria kontroli jakości

15 listopada 2024

Pierwszy wysłany (Rzeczywisty)

19 listopada 2024

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

25 lutego 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

23 lutego 2026

Ostatnia weryfikacja

1 lutego 2026

Więcej informacji

Terminy związane z tym badaniem

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • 34124

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