IA segura e explicável
23 de fevereiro de 2026 atualizado por: Abramson Cancer Center at Penn Medicine
TOMADA DE DECISÕES SEGURA E EXPLICÁVEL COM IA PARA APOIO ÀS DECISÕES CLÍNICAS PERSONALIZADO
Embora a atual tecnologia de IA seja adequada para automatizar algumas tarefas clínicas repetitivas, permanecem desafios técnicos na resolução de problemas críticos e lucrativos nos domínios da gestão de pacientes e doenças.
A investigação proposta procura abordar questões de IA médica, tais como a integração eficaz do conhecimento médico, tornando as recomendações de IA explicáveis aos médicos e estabelecendo garantias de segurança.
Visão geral do estudo
Status
Recrutamento
Intervenção / Tratamento
Tipo de estudo
Observacional
Inscrição (Estimado)
300000
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Contato de estudo
- Nome: Haideliza Soto Calderon
- Número de telefone: 215-220-9425
- E-mail: Haideliza.Soto-Calderon@pennmedicine.upenn.edu
Estude backup de contato
- Nome: Nicholas Bishop
- E-mail: nicholas.bishop@pennmedicine.upenn.edu
Locais de estudo
-
-
Pennsylvania
-
Philadelphia, Pennsylvania, Estados Unidos, 19104
- Recrutamento
- Hospital of the University of Pennsylvania
-
Contato:
- Haideliza Soto Calderon
- Número de telefone: 215-237-4509
- E-mail: haideliza.soto-calderon@pennmedicine.upenn.edu
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Não
Método de amostragem
Amostra Não Probabilística
População do estudo
O estudo analisará dados de EMR de pacientes cardíacos, oncológicos e com risco de adquirir sepse.
Cada grupo tem critérios de inclusão-exclusão claramente definidos. Para que o modelo de aprendizado de máquina preveja arritmias ventriculares e parada cardíaca intra-hospitalar, construiremos coortes de pacientes consistindo de pacientes adultos (ou seja, 18 anos de idade ou mais) internados em leitos acessíveis à enfermaria em um hospital da Penn Medicine de 2020 até o presentes, bem como pacientes identificados como tendo sofrido parada cardíaca usando registros EHR.
Descrição
Critérios de inclusão:
Cardiologia maiores de 18 anos, internados em qualquer um dos hospitais da Penn Medicine de 2017 até o presente. Sepse 18 anos de idade no momento da apresentação a um departamento de emergência ou admissão em qualquer hospital da Penn Medicine a partir de 1º de julho de 2017 serão elegíveis, pois representa a população em risco de adquirir sepse Oncologia 18 anos de idade ou mais com um diagnóstico de câncer de mama invasivo (estágio 1-4) no registro Penn Cancer
Critérios de exclusão Todos os modelos de previsão excluirão pacientes menores de 18 anos de seus conjuntos de dados de pacientes.
Cardiologia Pacientes cujo diagnóstico primário de admissão foi parada cardíaca Sepse Aqueles com limitações pré-existentes na terapia de manutenção da vida serão excluídos porque sua elegibilidade para definições de sepse, cuidados recebidos e resultados podem ser afetados de forma significativa e variável por limitações pré-existentes no tratamento . Oncologia Não há outras exclusões.
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Cardiologia
O objetivo principal neste cenário de caso clínico é avaliar um modelo de ML utilizando telemetria cardíaca em tempo real, bem como outras fontes de dados estruturados clínicos, demográficos e de imagem, entre pacientes hospitalizados em unidades de terapia intensiva (UTI) para prever problemas cardíacos intra-hospitalares iminentes. parada cardíaca, identificar causas potencialmente reversíveis de parada cardíaca e prever quais pacientes podem ter parada cardíaca iminente devido a ritmos chocáveis, ou seja, taquicardia ventricular (TV) ou fibrilação ventricular (FV).
|
TOMADA DE DECISÕES HABILITADA POR IA PARA APOIO ÀS DECISÕES CLÍNICAS PERSONALIZADO
|
|
Oncologia - Câncer de Mama
O objetivo principal neste cenário de caso clínico é avaliar um modelo de ML utilizando dados estruturados e não estruturados de sequenciamento clínico, demográfico e molecular e de linha germinativa tumoral, entre pacientes ambulatoriais com câncer, para prever mortalidade em curto prazo e/ou declínio de sintomas.
O modelo para previsão da resposta ao tratamento em pacientes com câncer de mama será comparado com duas ferramentas de prognóstico: 1) Conversation Connect, uma ferramenta de previsão de mortalidade por aprendizado de máquina previamente validada que tem sido usada na Universidade da Pensilvânia para suporte à decisão clínica de rotina, e 2) o Índice de Comorbidade Elixhauser, um índice prognóstico baseado em comorbidade comumente usado em pesquisas e ajuste de risco.
|
TOMADA DE DECISÕES HABILITADA POR IA PARA APOIO ÀS DECISÕES CLÍNICAS PERSONALIZADO
|
|
Sepse
O objetivo principal neste cenário de caso clínico é desenvolver e avaliar um modelo de ML que utiliza dados clínicos multimodais (por exemplo, dados estruturados de EHR, como dados demográficos, resultados de testes laboratoriais e sinais vitais; dados não estruturados de EHR, incluindo o texto de notas de encontros clínicos e , quando disponíveis, formas de onda de dispositivos de monitoramento cardíaco, hemodinâmico e respiratório em tempo real) para prever a necessidade de início de terapia antimicrobiana de amplo espectro para pacientes hospitalizados com sepse.
Com foco na IA implementável e explicável, produziremos previsões bem calibradas que também são clinicamente significativas à beira do leito para auxiliar na tomada de decisões em tempo real sobre o diagnóstico e o início do tratamento.
O modelo para diagnóstico e intervenção oportunos na sepse será comparado com modelos de previsão de sepse comerciais e de código aberto amplamente utilizados.
|
TOMADA DE DECISÕES HABILITADA POR IA PARA APOIO ÀS DECISÕES CLÍNICAS PERSONALIZADO
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Algoritmos de Aprendizagem Neurossimbólica
Prazo: Prototipar e desenvolver novos algoritmos de aprendizagem; 18 meses. Benchmark e avaliação dos algoritmos de aprendizagem; 24 meses. Publicar resultados de pesquisas; 24 meses
|
Desenvolver e avaliar novos algoritmos para treinar modelos neurossimbólicos.
Desenvolveremos algoritmos eficientes em termos de dados e computação para treinamento ponta a ponta de modelos neurossimbólicos.
Esta tarefa reduzirá a carga dos especialistas clínicos em fornecer rótulos detalhados em dados volumosos de EHR.
|
Prototipar e desenvolver novos algoritmos de aprendizagem; 18 meses. Benchmark e avaliação dos algoritmos de aprendizagem; 24 meses. Publicar resultados de pesquisas; 24 meses
|
|
Métodos de explicação
Prazo: Prototipar e desenvolver novos algoritmos de explicação; 18 meses. Obtenha garantias certificadas para explicações; 18 meses. Benchmark e avaliação dos algoritmos de explicação; 24 meses. Estender certificados para novas propriedades e tarefas; 30 meses. Publicar
|
Desenvolveremos novas técnicas de IA explicáveis que venham com garantias verificáveis.
Estas garantias permitirão a confiança e a transparência na IA a um nível fundamental.
|
Prototipar e desenvolver novos algoritmos de explicação; 18 meses. Obtenha garantias certificadas para explicações; 18 meses. Benchmark e avaliação dos algoritmos de explicação; 24 meses. Estender certificados para novas propriedades e tarefas; 30 meses. Publicar
|
|
Métodos para garantias de segurança
Prazo: Prototipar e desenvolver novos algoritmos de aprendizagem de regras; 30 meses. Dimensione algoritmos de aprendizagem de regras para configurações de dados maiores; 36 meses. Incorporar novas primitivas para expressar regras complexas; 36 meses. Implementar algoritmos de aprendizagem de regras em tarefas básicas
|
Desenvolveremos novos algoritmos que possam extrair de forma escalonável regras lógicas complexas que regem a segurança dos dados que possuem garantias estatísticas.
Estas técnicas serão baseadas na análise estatística e ajudarão os utilizadores a identificar dados fora de distribuição e a detectar anomalias.
|
Prototipar e desenvolver novos algoritmos de aprendizagem de regras; 30 meses. Dimensione algoritmos de aprendizagem de regras para configurações de dados maiores; 36 meses. Incorporar novas primitivas para expressar regras complexas; 36 meses. Implementar algoritmos de aprendizagem de regras em tarefas básicas
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
29 de novembro de 2025
Conclusão Primária (Estimado)
1 de novembro de 2028
Conclusão do estudo (Estimado)
1 de novembro de 2028
Datas de inscrição no estudo
Enviado pela primeira vez
15 de novembro de 2024
Enviado pela primeira vez que atendeu aos critérios de CQ
15 de novembro de 2024
Primeira postagem (Real)
19 de novembro de 2024
Atualizações de registro de estudo
Última Atualização Postada (Real)
25 de fevereiro de 2026
Última atualização enviada que atendeu aos critérios de controle de qualidade
23 de fevereiro de 2026
Última verificação
1 de fevereiro de 2026
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 34124
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
NÃO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
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 .