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

Oparte na sztucznej inteligencji przewidywanie zakażeń szpitalnych za pomocą EHR

16 kwietnia 2025 zaktualizowane przez: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Przewidywanie zakażeń szpitalnych za pomocą elektronicznej dokumentacji medycznej: podejście wspomagane przez AI

Jest to wieloośrodkowe, retrospektywne badanie kliniczne mające na celu ocenę zastosowania i skuteczności modelu predykcyjnego wspomaganego przez AI do identyfikacji i diagnozowania infekcji, wykorzystując multimodalne dane zdrowotne.

Przegląd badań

Status

Rekrutacyjny

Warunki

Interwencja / Leczenie

Szczegółowy opis

Zakażenia hospitalne (HAI) są istotną przyczyną zachorowalności i śmiertelności w placówkach opieki zdrowotnej. Wczesna identyfikacja i zapobieganie HAI mają kluczowe znaczenie dla poprawy wyników pacjentów, zmniejszenia kosztów opieki zdrowotnej i zapobiegania rozprzestrzenianiu się infekcji. W praktyce klinicznej pracownicy służby zdrowia często muszą zintegrować szeroki zakres danych pacjentów, w tym historię medyczną, wyniki badań laboratoryjnych, użycie leków, procedury chirurgiczne i obserwacje kliniczne, aby ocenić ryzyko zakażeń i zapobiegać HAI. Ponieważ kontrola infekcji i medycyna precyzyjna stają się coraz ważniejsze, wyzwanie pozostaje przewidywanie i zapobieganie infekcjom, szczególnie u pacjentów z subtelnymi lub bezobjawowymi czynnikami ryzyka. Ostatnie postępy w sztucznej inteligencji i technikach analizy danych wykazały wielką obietnicę poprawy dokładności i wydajności przewidywania i zapobiegania infekcji. Niniejsze badanie ma na celu opracowanie wspomaganego AI Systemu decyzyjnego poprzez zintegrowanie danych multimodalnych z elektronicznych dokumentacji medycznej, wyników laboratorium, obserwacji klinicznych i danych demograficznych pacjentów. Celem jest zwiększenie wczesnej identyfikacji pacjentów zagrożonych HAI, usprawnienie klinicznych przepływów pracy i optymalizacja miar kontroli zakażeń. Ostatecznie ten system ma na celu zmniejszenie częstości występowania zakażeń szpitalnych, poprawy bezpieczeństwa pacjentów i zwiększenia ogólnej jakości opieki zdrowotnej.

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

1000000

Kontakty i lokalizacje

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

Kontakt w sprawie studiów

Lokalizacje studiów

  • Chiny
    • Zhejiang
      • Wenzhou, Zhejiang, Chiny
        • Rekrutacyjny
        • First Affiliated Hospital of Wenzhou Medical University
        • Kontakt:
      • Wenzhou, Zhejiang, Chiny
        • Rekrutacyjny
        • Second Affiliated Hospital of Wenzhou Medical University
        • Kontakt:

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

  • Dziecko
  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Tak

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

Badana populacja składa się z osób, które otrzymały opiekę w uczestniczących ośrodkach badawczych. Uczestnicy muszą mieć dostęp do kompleksowej elektronicznej dokumentacji zdrowotnej (EHR), obejmującej historię medyczną, wyniki badań laboratoryjnych, dane dotyczące leczenia i obserwacje kliniczne. Zarówno osoby, u których rozwinęły się zakażenia szpitalne (HAI), jak i te, u których nie wystąpiły zakażenia szpitalne, zostaną uwzględnione w badaniu w celu oceny możliwości przewidywania ryzyka infekcji w modelu wspomaganym sztuczną inteligencją. Badanie skoncentruje się na pacjentach posiadających pełną i udokumentowaną dokumentację medyczną z uczestniczących ośrodków, co zapewni zróżnicowaną kohortę do analizy w różnych grupach wiekowych i typach infekcji.

Opis

Kryteria włączenia:

  1. Pacjenci z pełnymi i dostępnymi danymi EHR, w tym historia medyczna, wyniki badań laboratoryjnych, schematy leczenia, obserwacje kliniczne i historia infekcji.
  2. Pacjenci, którzy zostali przyjęci do uczestniczącego szpitala lub placówki opieki zdrowotnej w okresie badania.
  3. Wszyscy uczestnicy muszą wyrazić świadomą zgodę na wykorzystanie swoich danych zdrowotnych do celów badawczych.

Kryteria wykluczenia:

  1. Pacjenci z niekompletnymi lub brakującymi krytycznymi danymi EHR, takimi jak wyniki badań laboratoryjnych, historia choroby lub szczegóły leczenia, które są niezbędne do przewidywania infekcji.
  2. Pacjenci z ciężkimi zaburzeniami poznawczymi, demencją lub stanami, które uniemożliwiają im świadomą zgodę lub uczestnictwo w badaniu.
  3. Pacjenci, którzy nie zostali przyjęci do szpitala w okresie badania lub którzy otrzymują opiekę ambulatoryjną.
  4. Pacjenci z terminalnymi stanami, w których przewidywanie infekcji mogą nie mieć zastosowania do celów klinicznych badania.

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
Kohorta infekcyjna nabywcza szpitala
Do tej grupy zaliczają się pacjenci, u których w czasie pobytu w szpitalu doszło do zakażenia szpitalnego (HAI). Uczestnicy tej kohorty zostaną wykorzystani do oceny skuteczności modelu predykcyjnego wspomaganego sztuczną inteligencją w identyfikowaniu czynników ryzyka prowadzących do zakażeń szpitalnych. Model zostanie oceniony w oparciu o dokładność przewidywania ryzyka infekcji u pacjentów hospitalizowanych. W ramach tej kohorty nie zostaną zapewnione żadne szczególne interwencje poza istniejącymi praktykami kontroli zakażeń szpitalnych.
Test diagnostyczny: Model diagnostyczny i prognostyczny oparty na sztucznej inteligencji
Ta interwencja obejmuje system AI, który integruje dane multimodalne, w tym historię medyczną pacjenta, wyniki badań laboratoryjnych, obserwacje kliniczne i dane dotyczące leczenia, w celu przewidywania ryzyka zakażeń nabytych szpitalnych (HAI). System wykorzystuje algorytmy głębokiego uczenia się w celu zapewnienia dokładnych prognoz w czasie rzeczywistym, umożliwiając wczesną identyfikację pacjentów zagrożonych infekcjami. Analizując historyczne dane zdrowotne, model ma na celu przewidywanie potencjalnych rozwoju infekcji, poprawę wczesnego wykrywania, strategii zapobiegania i wyników pacjentów w warunkach szpitalnych.
Zdrowa kohorta (bez hai)
Do tej grupy zaliczają się pacjenci, u których w trakcie pobytu w szpitalu nie wystąpiły żadne zakażenia szpitalne. Uczestnicy tej kohorty będą służyć jako grupa kontrolna do porównania z grupą eksperymentalną. Model wspomagany sztuczną inteligencją zostanie oceniony pod kątem możliwości rozróżnienia pacjentów, którzy są narażeni na ryzyko rozwoju infekcji, od tych, którzy podczas hospitalizacji pozostają wolni od infekcji. W ramach tej kohorty nie zostaną zapewnione żadne interwencje, ponieważ reprezentują oni pacjentów bez powikłań związanych z infekcjami.
Test diagnostyczny: Model diagnostyczny i prognostyczny oparty na sztucznej inteligencji
Ta interwencja obejmuje system AI, który integruje dane multimodalne, w tym historię medyczną pacjenta, wyniki badań laboratoryjnych, obserwacje kliniczne i dane dotyczące leczenia, w celu przewidywania ryzyka zakażeń nabytych szpitalnych (HAI). System wykorzystuje algorytmy głębokiego uczenia się w celu zapewnienia dokładnych prognoz w czasie rzeczywistym, umożliwiając wczesną identyfikację pacjentów zagrożonych infekcjami. Analizując historyczne dane zdrowotne, model ma na celu przewidywanie potencjalnych rozwoju infekcji, poprawę wczesnego wykrywania, strategii zapobiegania i wyników pacjentów w warunkach szpitalnych.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Obszar pod krzywą (AUC)
Ramy czasowe: 1 rok
AUC krzywej ROC, stosowane do ilościowego określenia dokładności diagnostycznej. Brak jednostki (stosunek lub wartość procentowa, zwykle wyrażana jako liczba z zakresu od 0 do 1).
1 rok
Wynik F1
Ramy czasowe: 1 rok
Wynik F1 jest średnią harmoniczną precyzji i czułości (wycofanie). Jest to dobra miara zdolności modelu do identyfikacji zarówno prawdziwych pozytywów, jak i minimalizacji fałszywych pozytywów, szczególnie w przypadkach, w których klasy są niezrównoważone (np. Gdy liczba zdrowych przypadków jest znacznie wyższa niż przypadki choroby). Wynik F1 wynosi od 0 do 1, a 1 wskazuje idealną precyzję i wycofanie.
1 rok

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Czułość (prawdziwie dodatni współczynnik)
Ramy czasowe: 1 rok
Czułość mierzy, jak dobrze model sztucznej inteligencji identyfikuje prawdziwie pozytywne przypadki, takie jak prawidłowe diagnozowanie powikłań u kobiet w ciąży lub identyfikacja zaburzeń noworodkowych.
1 rok
Specyficzność (prawdziwa wskaźnik ujemny)
Ramy czasowe: 1 rok
Swoistość mierzy zdolność modelu sztucznej inteligencji do prawidłowego identyfikowania przypadków wolnych od chorób, co gwarantuje, że zdrowe matki i niemowlęta zostaną prawidłowo zidentyfikowane jako negatywne.
1 rok

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

The Eye Hospital of Wenzhou Medical University

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)

1 lutego 2023

Zakończenie podstawowe (Szacowany)

1 maja 2025

Ukończenie studiów (Szacowany)

1 maja 2025

Daty rejestracji na studia

Pierwszy przesłany

19 stycznia 2025

Pierwszy przesłany, który spełnia kryteria kontroli jakości

19 stycznia 2025

Pierwszy wysłany (Rzeczywisty)

24 stycznia 2025

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

17 kwietnia 2025

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

16 kwietnia 2025

Ostatnia weryfikacja

1 kwietnia 2025

Więcej informacji

Terminy związane z tym badaniem

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • Hospital-Acquired Infections

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

produkt wyprodukowany i wyeksportowany z USA

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