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

Agent AI do automatycznej diagnostyki i przewidywania z wykorzystaniem danych EHR i multimodalnych

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

Automatyzacja wspomagana sztuczną inteligencją do diagnozowania i przewidywania pacjentów przy użyciu elektronicznej dokumentacji zdrowotnej i danych multimodalnych

Celem tego badania klinicznego jest ocena skuteczności środka AI w diagnozowaniu i przewidywaniu chorób za pomocą elektronicznych dokumentacji zdrowia (EHR) i multimodalnych danych obrazowania. Agent AI wykorzystuje zaawansowane algorytmy uczenia maszynowego w celu przetwarzania i analizy różnorodnych źródeł danych zdrowotnych, mając na celu pomoc świadczeniodawcom w dokonaniu dokładniejszych diagnoz i prognoz.

Przegląd badań

Status

Rekrutacyjny

Warunki

Szczegółowy opis

To wieloośrodkowe, retrospektywne badanie kliniczne ma na celu ocenę zastosowania i skuteczności czynnika AI w procesie podejmowania decyzji medycznych. Agent sztucznej inteligencji integruje i analizuje dane multimodalne, w tym elektroniczną dokumentację medyczną (EHR) i różne dane obrazowe (np. zdjęcia rentgenowskie, rezonans magnetyczny, tomografię komputerową, ultradźwięki), aby przewidywać i diagnozować szereg chorób. Wykorzystując możliwości uczenia maszynowego i technik łączenia danych, agent AI może identyfikować wzorce w dużych i złożonych zbiorach danych, oferując spostrzeżenia, które mogą nie być od razu widoczne w przypadku tradycyjnych metod diagnostycznych. W badaniu porównana zostanie dokładność diagnostyczna agenta AI i możliwości przewidywania chorób z tradycyjnymi praktykami diagnostycznymi, aby ocenić potencjalne korzyści w warunkach klinicznych. Kluczowe pytania dotyczą tego, czy agent AI może pomóc we wczesnej diagnozie, przewidywaniu postępu choroby i wspierać pracowników służby zdrowia w podejmowaniu spersonalizowanych decyzji dotyczących leczenia. Uczestnicy nie będą musieli poddawać się żadnym dodatkowym interwencjom; dostarczą jedynie historyczne dane dotyczące zdrowia, w tym EHR i odpowiednie dane obrazowe, które zostaną przeanalizowane przez agenta AI. System sztucznej inteligencji wykorzysta następnie te dane, aby pomóc świadczeniodawcom, oferując prognozy i sugestie diagnostyczne na podstawie analizy informacji multimodalnych. Ostatecznym celem jest ustalenie, czy to podejście oparte na sztucznej inteligencji może poprawić dokładność diagnostyczną, zoptymalizować strategie leczenia i poprawić wyniki pacjentów w praktyce klinicznej.

Typ studiów

Obserwacyjny

Zapisy (Szacowany)

2000000

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
    • Guangdong
      • Guangzhou, Guangdong, Chiny
        • Rekrutacyjny
        • Sun Yat-Sen Memorial Hospital
        • Kontakt:
      • Guangzhou, Guangdong, Chiny
      • Guangzhou, Guangdong, Chiny
        • Rekrutacyjny
        • Sun Yat-sen University Cancer Hospital
        • Kontakt:
    • Sichuan
      • Chengdu, Sichuan, Chiny
        • Rekrutacyjny
        • West China Hospital
        • Kontakt:
    • 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

Uczestnicy tego badania zostaną wybrani z wielu centrów opieki zdrowotnej i szpitali, które utrzymują kompleksowe elektroniczne dokumentacje medyczne (EHR) i multimodalne dane obrazowe. Badana populacja obejmie pacjentów, którzy mają różnorodne choroby lub choroby, z dostępnymi danymi do diagnozy i progresji choroby. Uczestnicy potwierdzili diagnozy w oparciu o rejestry kliniczne lub dane obrazowe, w tym między innymi warunki przechwycone przez promieniowanie rentgenowskie, skany CT, MRI i ultradźwięki. Zarówno osoby z złożonymi warunkami zdrowotnymi, jak i osoby o bardziej powszechnych chorobach, zostaną uwzględnione w celu oceny możliwości diagnostycznych i predykcyjnych systemu AI w szerokim spektrum przypadków. Powicierze z tych centrów dostarczą historyczne dane zdrowotne, a nie będzie aktywnej interwencji poza Wykorzystanie istniejących danych klinicznych i obrazowych do szkolenia i testowania systemu AI.

Opis

Kryteria włączenia:

  1. Uczestnicy muszą posiadać kompleksową elektroniczną dokumentację medyczną (EHR), zawierającą dane demograficzne, historię medyczną i wyniki badań laboratoryjnych.
  2. Uczestnicy muszą mieć dostęp do multimodalnych danych obrazowych (np. zdjęć rentgenowskich, tomografii komputerowej, rezonansu magnetycznego, ultradźwięków) odpowiednich do ich stanu zdrowia.
  3. Uczestnicy muszą mieć potwierdzoną diagnozę jednej lub więcej chorób lub chorób na podstawie danych klinicznych lub danych obrazowych.
  4. Pacjenci muszą wyrazić zgodę na wykorzystanie swoich historycznych danych zdrowotnych do celów badawczych.

Kryteria wykluczenia:

  1. Uczestnicy z niejednoznacznymi lub niezweryfikowalnymi diagnozami, których nie można dokładnie sklasyfikować.
  2. Zduplikowane lub zbędne dane pacjenta (np. powtarzające się zapisy tego samego pacjenta bez wyraźnego rozróżnienia).

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
Przewidywanie chorób wspomaganych sztuczną inteligencją przy użyciu danych EHR i obrazowania
Kohorta ta składa się z pacjentów, których historyczne dane zdrowotne, w tym elektroniczne dokumentacje zdrowotne (EHR) i multimodalne dane obrazowania (np. Rodowce rentgenowskie, MRI, skany CT, ultradźwięki), zostaną przeanalizowane przez agenta AI. System AI pomoże w diagnozowaniu i przewidywaniu chorób poprzez przetwarzanie i integrację tych różnorodnych źródeł danych. Głównym celem jest ocena zdolności środka AI do identyfikacji wzorców i przewidywania postępu choroby z dużą dokładnością. Uczestnicy nie będą musieli podjąć żadnych dodatkowych działań poza dostarczaniem historii medycznej i danych obrazowych. Celem jest ocena, w jaki sposób system AI może wspierać kliniczne podejmowanie decyzji i poprawić wyniki diagnostyczne w oparciu o dostarczone dane.

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 lipca 2023

Zakończenie podstawowe (Szacowany)

1 lipca 2025

Ukończenie studiów (Szacowany)

1 lipca 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

Słowa kluczowe

Inne numery identyfikacyjne badania

  • AI-agent

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