AI-wspomagane podejmowanie decyzji medycznych
27 lutego 2025 zaktualizowane przez: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Badanie kohortowe w celu oceny modelu sztucznej inteligencji w celu pomocy w podejmowaniu decyzji medycznych przy użyciu elektronicznego dokumentacji zdrowia w całym szpitalu w czasie rzeczywistym
To badanie buduje i stosuje model AI, aby pomóc lekarzom przewidzieć diagnozy pacjentów i wyniki, takie jak przeżycie lub pobyt w szpitalu.
Będziemy wykorzystywać dane multimodalne w czasie rzeczywistym (laboratoria, znaki życiowe, historia, obrazowanie) z zapisów szpitalnych.
Pacjenci zostaną śledzeni w celu porównania wydajności sztucznej inteligencji ze standardową opieką.
Celem jest poprawa diagnozy i dokładności leczenia w prawdziwym, prospektywnym badaniu.
Przegląd badań
Status
Rekrutacyjny
Warunki
Interwencja / Leczenie
Szczegółowy opis
Niniejsze badanie ma na celu zbudowanie i zastosowanie modelu sztucznej inteligencji (AI), aby pomóc lekarzom w przewidywaniu diagnoz i wyników pacjentów, takich jak przeżycie lub długość pobytu w szpitalu.
Będziemy zapisać pacjentów w szpitalu i wykorzystamy wyniki laboratoryjne w czasie rzeczywistym, multimodalne dane laboratoryjne, objawy życiowe, historię medyczną i elektroniczne dokumentacje zdrowotne.
Badanie będzie śledzić uczestników, aby ocenić wydajność modelu AI w stosunku do standardowej praktyki.
Naszym celem jest poprawa dokładności i szybkości diagnoz i zabiegów, zwiększenie opieki nad pacjentem.
To prospektywne badanie testuje model w rzeczywistych warunkach szpitalnych.
Typ studiów
Obserwacyjny
Zapisy (Szacowany)
50000000
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Kontakt w sprawie studiów
- Nazwa: Fei Liu, MD
- Numer telefonu: +86 13810512704
- E-mail: liufei_2359@163.com
Lokalizacje studiów
-
-
Zhejiang
-
Wenzhou, Zhejiang, Chiny
- Rekrutacyjny
- First Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Cheng Tang
- Numer telefonu: +86-0577-88002888
- E-mail: c249325687@163.com
-
Wenzhou, Zhejiang, Chiny
- Rekrutacyjny
- Second Affiliated Hospital of Wenzhou Medical University
-
Kontakt:
- Linfeng Liu
- E-mail: llfwfe@163.com
-
-
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
Badanie to obejmuje wszystkich pacjentów przyjętych do dowolnego oddziału szpitala, z elektronicznym danymi o dokumentacji zdrowia w czasie rzeczywistym (np. Laboratoria, znaki życiowe, historia, obrazowanie).
Uczestnicy muszą wyrazić zgodę na gromadzenie danych.
Opis
Kryteria włączenia:
- Pacjenci przyjęci do dowolnego oddziału szpitala (np. OIOM, Ogólne oddziały, awaryjne usługi ambulatoryjne) w okresie badania.
- Pacjenci z dostępnymi danymi elektronicznej dokumentacji zdrowia w czasie rzeczywistym (EHR), w tym co najmniej dwóch z następujących: wyniki laboratoryjne, znaki życiowe, historia medyczna i dane obrazowe.
Kryteria wykluczenia:
Pacjenci obecnie włączyli się do kolejnego badania klinicznego, które mogło zakłócać gromadzenie danych lub wyniki tego 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 pacjentów w szpitalu
|
Interwencja w tym badaniu obejmuje system AI, który wykorzystuje multimodalną fuzję danych w celu wsparcia klinicznego podejmowania decyzji i oceny chorób.
Pacjenci w tej kohorcie zostaną poddane standardowym badaniom, a decyzje kliniczne kierowane przez zalecenia wygenerowane przez system AI.
|
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
|
|
Ogólna poprawa wykorzystania zasobów szpitalnych
Ramy czasowe: 1 rok
|
Procentowe zmniejszenie ogólnego wykorzystania zasobów szpitalnych (np. Dni łóżka, przyjęcia na OIOM, testy diagnostyczne) przypisane do podejmowania decyzji wspomaganych przez AI, wyrażone jako procent.
|
1 rok
|
|
Zwiększenie dokładności diagnostycznej na poziomie populacji
Ramy czasowe: 1 rok
|
Ogólna poprawa dokładności diagnostycznej u wszystkich pacjentów szpitalnych (np. Procent prawidłowych diagnoz lub zmniejszenie błędów) ułatwione przez model AI, wyrażony jako procent lub stosunek.
|
1 rok
|
|
Zmniejszenie systemu niepożądanych wskaźników zdarzeń
Ramy czasowe: 1 rok
|
Procentowe zmniejszenie głównych zdarzeń niepożądanych (np. Śmiertelność, poważne powikłania lub przedłużone pobyty) u wszystkich pacjentów szpitalnych z powodu podejmowania decyzji wspomaganych przez AI, wyrażonych jako procent.
|
1 rok
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Ogólna poprawa wyników pacjentów szpitalnych
Ramy czasowe: 1 rok
|
Łączna poprawa kluczowych wyników pacjentów (np. Śmiertelność, zachorowalność, wskaźniki odzyskiwania) w całej populacji szpitala z powodu podejmowania decyzji wspomaganych przez AI, wyrażoną jako wynik złożony lub procent.
|
1 rok
|
|
Zwiększenie wydajności systemu opieki zdrowotnej
Ramy czasowe: 1 rok
|
Ogólna poprawa wydajności operacyjnej szpitala (np. Zmniejszony czas oczekiwania, zoptymalizowany alokacja zasobów, zmniejszone obciążenie pracownikami) przypisane modelowi AI, wyrażonej jako procent lub jakościowa.
|
1 rok
|
|
Wynik wpływu na zdrowie populacji
Ramy czasowe: 1 rok
|
Złożony wynik odzwierciedlający wpływ modelu AI na zdrowie populacji w obszarze zlewni szpitala (np. Zmniejszone obciążenie choroby, poprawa przewlekłego leczenia choroby), wyrażona jako standaryzowana zmiana wskaźnika lub procentowej.
|
1 rok
|
|
Długoterminowy wskaźnik świadczeń zdrowia publicznego
Ramy czasowe: 1 rok
|
Złożony wskaźnik mierzący długoterminowy wkład modelu AI w zdrowie publiczne (np. Zmniejszona częstość występowania choroby, poprawa oczekiwanej długości życia), wyrażony jako standardowy wynik lub procentową poprawę.
|
1 rok
|
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 (Rzeczywisty)
24 lutego 2025
Zakończenie podstawowe (Szacowany)
1 czerwca 2026
Ukończenie studiów (Szacowany)
1 czerwca 2026
Daty rejestracji na studia
Pierwszy przesłany
24 lutego 2025
Pierwszy przesłany, który spełnia kryteria kontroli jakości
24 lutego 2025
Pierwszy wysłany (Rzeczywisty)
25 marca 2025
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
25 marca 2025
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
27 lutego 2025
Ostatnia weryfikacja
1 lutego 2025
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Inne numery identyfikacyjne badania
- AI Prediction
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 .