Inteligência Artificial para Exploração Automatizada de Dados Clínicos de Registros Médicos Eletrônicos (CardioMining-AI)
A utilidade da inteligência artificial para extração e processamento automatizado de dados clínicos de registros médicos eletrônicos (CardioMining-AI)
Visão geral do estudo
Status
Descrição detalhada
Apesar do rápido desenvolvimento da medicina e da ciência da computação nos últimos anos, o tratamento médico na prática clínica moderna é frequentemente empírico e baseado em dados retrospectivos. Com o crescente número de pacientes e sua concentração em grandes centros terciários, torna-se atraente coletar sistematicamente dados clínicos e aplicá-los a modelos de estratificação de risco. No entanto, com o aumento do volume de dados, a coleta e processamento manual de dados torna-se um desafio, pois essa abordagem é demorada e onerosa para os sistemas de saúde. Além disso, informações não estruturadas, como notas clínicas, muitas vezes são escritas como texto livre, inadequado para análise direta. O uso da inteligência artificial é muito promissor e vai mudar rapidamente o futuro da medicina nos próximos anos. Devido aos processos automatizados que oferece, é possível extrair dados de forma rápida e confiável para processamento posterior. Os resultados de seu uso podem ser facilmente estendidos a diferentes sistemas de saúde, ampliando o conhecimento produzido e melhorando a precisão diagnóstica e terapêutica, afetando positivamente os serviços de saúde. Coletar a grande quantidade de dados de diferentes fontes sem comprometer os dados pessoais dos pacientes é um grande desafio na ciência moderna.
Serão coletados retrospectivamente os prontuários registrados eletronicamente dos pacientes internados na enfermaria de Cardiologia dos hospitais terciários, bem como os arquivos complementares, como os exames laboratoriais e de imagem referentes a cada internação. Dado o tamanho das clínicas participantes e os anos em que foi aplicado o registro do prontuário eletrônico em formato eletrônico, estima-se que a amostra de prontuários será de cerca de 60.000. Todas as informações que possam potencialmente ser usadas para identificar uma pessoa, como nome, número de identidade, código postal, local de residência, profissão, serão excluídas desses arquivos eletrônicos. Apenas a idade será registrada, não a data exata de nascimento de cada paciente. Serão registrados apenas os dias de internação e não as datas exatas de admissão e alta do hospital. Assim, os dados não poderão ser atribuídos a um sujeito específico, pois nenhuma informação adicional ou identificadores serão coletados para os sujeitos. Após a anonimização dos arquivos, a anotação clínica de cada paciente será vinculada a uma chave específica ("identificador"). O arquivo eletrônico que contém a correlação do "identificador" com a nota clínica do paciente será armazenado em local eletrônico hospitalar seguro. Os arquivos totalmente anônimos serão inicialmente analisados manualmente para extração de informações em um banco de dados contendo todas as informações clínicas dos pacientes, como diagnósticos de alta, medicamentos, protocolos de tratamento, exames laboratoriais e diagnósticos. Ao mesmo tempo, uma amostra (1/3) das notas clínicas será analisada para identificar as palavras-chave ou frases associadas a cada diagnóstico (por exemplo, o diagnóstico de fibrilação atrial provavelmente será registrado como "fibrilação atrial", " FA " , etc). Usando esse dicionário de palavras-chave gerado e integrando métodos de inteligência artificial e mineração de texto, como processamento de linguagem natural (NLP), será tentada uma extração automatizada de dados e diagnósticos dessas notas médicas eletrônicas. A confiabilidade e precisão dos métodos computacionais serão avaliadas internamente, comparando os dados extraídos automaticamente com os registrados manualmente. Além disso, a confiabilidade e precisão desses métodos computacionais serão avaliadas externamente, aplicando-os a 2/3 das notas clínicas em que nenhuma associação entre palavras-chave e diagnósticos específicos foi tentada.
Em relação à Grécia, o presente estudo pretende ser o primeiro a analisar a utilidade da inteligência artificial para a extração e processamento automatizado de dados clínicos não estruturados das notas clínicas dos pacientes. Os resultados deste estudo terão um impacto positivo sobre:
- a automação de procedimentos de processamento e análise de dados em larga escala
- o rápido registro epidemiológico e utilização de dados clínicos
- o diagnóstico precoce de doenças
- o desenvolvimento de perfis fenotípicos de pacientes que poderiam se beneficiar de terapias direcionadas
- o desenvolvimento de sistemas de apoio à decisão clínica que fornecerão informações sobre o possível curso clínico dos pacientes após a alta hospitalar e auxiliarão as decisões médicas
- o desenvolvimento e validação de modelos prognósticos para as principais doenças cardiovasculares
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Contato de estudo
- Nome: George Giannakoulas, MD, PhD
- Número de telefone: +30 2310994830
- E-mail: ggiannakoulas@auth.gr
Estude backup de contato
- Nome: Athanasios Samaras, MD
- Número de telefone: +30 2310994830
- E-mail: ath.samaras.as@gmail.com
Locais de estudo
-
-
-
Alexandroupoli, Grécia
- Ainda não está recrutando
- University Cardiology Clinic, Democritus University of Thrace
-
Contato:
- George Chalikias, MD, PhD
- E-mail: gchaliki@med.duth.gr
-
Contato:
- Dimitrios Tziakas, MD, PhD
-
Athens, Grécia
- Recrutamento
- 1st Department of Cardiology, Hippokration General Hospital
-
Contato:
- George Lazaros, MD, PhD
- E-mail: glaz35@hotmail.com
-
Contato:
- Konstantinos Tsioufis, MD, PhD
-
Heraklion, Grécia
- Ainda não está recrutando
- Department of Cardiology, Heraklion University Hospital
-
Contato:
- Alexandros Patrianakos, MD, PhD
- E-mail: apatrianakos@yahoo.gr
-
Contato:
- Alexandros Patrianakos, MD, PhD
-
Larissa, Grécia
- Recrutamento
- University General Hospital of Larissa, University of Thessaly
-
Contato:
- Gregory Giamouzis, MD, PhD
- E-mail: grgiamouzis@gmail.com
-
Contato:
- Gregory Giamouzis, MD, PhD
-
Patras, Grécia
- Recrutamento
- Department of Cardiology, University of Patras Medical School
-
Contato:
- Periklis Davlouros, MD, PhD
- E-mail: pdav@upatras.gr
-
Contato:
- Periklis Davlouros, MD, PhD
-
Thessaloniki, Grécia
- Ainda não está recrutando
- 3rd Cardiology Department, Hippokration Hospital
-
Contato:
- Vassilios Vassilikos, MD, PhD
- E-mail: vvassil@auth.gr
-
Contato:
- Vassilios Vassilikos, MD, PhD
-
Thessaloniki, Grécia
- Recrutamento
- Cardiology Department, George Papanikolaou General Hospital
-
Contato:
- John Zarifis, MD, PhD
- E-mail: zarifis.john@gmail.com
-
Contato:
- John Zarifis, MD, PhD
-
Thessaloníki, Grécia, 54636
- Recrutamento
- 1st Cardiology Department, AHEPA University Hospital
-
Contato:
- Athanasios Samaras, MD, PhD
- E-mail: ath.samaras.as@gmail.com
-
Contato:
- George Giannakoulas, MD, PhD
-
Thessaloníki, Grécia
- Recrutamento
- Laboratory of Medical Physics, Aristotle University of Thessaloniki
-
Contato:
- Panagiotis Bamidis, Prof
- E-mail: pdbamidis@gmail.com
-
Contato:
- Panagiotis Bamidis, Prof
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Pacientes hospitalizados em departamentos de cardiologia na Grécia
- Pacientes cujos registros médicos são armazenados eletronicamente nos sistemas de computador/informação de cada hospital
Critério de exclusão:
- Pacientes que morreram durante a internação e, portanto, nenhuma carta de alta foi emitida
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Modelos de observação: Coorte
- Perspectivas de Tempo: Retrospectivo
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão da inteligência artificial para extrair automaticamente os dados clínicos dos registros médicos dos pacientes em comparação com os métodos tradicionais de extração manual de dados
Prazo: 1 ano
|
Taxa de extração precisa de dados clínicos (histórico médico, diagnósticos de alta, medicação, etc.) de notas clínicas não estruturadas usando métodos automatizados de inteligência artificial em comparação com métodos tradicionais de extração manual de dados
|
1 ano
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Tempo para todas as causas de mortalidade
Prazo: até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
Período de tempo (meses) até a morte por qualquer causa durante o período de acompanhamento
|
até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
|
Tempo para a ocorrência de doenças cardiovasculares importantes
Prazo: até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
Período de tempo (meses) até o desenvolvimento de insuficiência cardíaca, diabetes mellitus ou doença arterial coronariana durante o período de acompanhamento
|
até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
|
Tempo para reinternação por motivos cardiovasculares
Prazo: até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
Tempo (meses) até a reinternação por motivos cardiovasculares durante o período de acompanhamento
|
até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
|
Tempo para acidente vascular cerebral ou embolia sistêmica
Prazo: até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
Período de tempo (meses) até o AVC ou embolia sistêmica durante o período de acompanhamento
|
até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
|
Tempo para síndrome coronariana aguda
Prazo: até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
Tempo (meses) até a síndrome coronariana aguda durante o período de acompanhamento
|
até 8 anos (desde a alta hospitalar até a data de conclusão primária do estudo)
|
Colaboradores e Investigadores
Publicações e links úteis
Publicações Gerais
- 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.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Outros números de identificação do estudo
- 545/19.11.2021
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
- ANALYTIC_CODE
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
produto fabricado e exportado dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .