Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Diagnóstico precoce e previsão de doenças maternas e neonatais: (EDPMND)

16 de abril de 2025 atualizado por: Kang Zhang, The Eye Hospital of Wenzhou Medical University

Previsão precoce e diagnóstico de doenças maternas e neonatais usando dados de saúde multimodais

Este é um estudo clínico retrospectivo multicêntrico projetado para avaliar a aplicação e eficácia de um modelo preditivo assistido por IA para identificar doenças maternas e neonatais, aproveitando dados de saúde multimodais.

Visão geral do estudo

Status

Recrutamento

Condições

Intervenção / Tratamento

Descrição detalhada

A saúde materna e neonatal afeta significativamente o bem-estar de mães e bebês. Triagem precoce, diagnóstico e intervenção são cruciais para impedir o início e a progressão de doenças relacionadas à gravidez e condições neonatais. Na prática clínica, obstetras e pediatras geralmente precisam integrar uma ampla gama de dados de pacientes, incluindo informações demográficas, histórico médico, marcadores bioquímicos, como glicose no sangue e níveis lipídicos, bem como vários dados de imagem, como ultrassons, monitoramento fetal e laboratório Resultados dos testes, para fazer um diagnóstico preciso e desenvolver um plano de atendimento apropriado. Em uma época em que a precisão e a medicina personalizada estão na vanguarda da assistência médica, a detecção e o diagnóstico precoces de doenças maternas e neonatais, bem como a seleção de estratégias diagnósticas e terapêuticas adequadas, tornaram -se desafios significativos em ambientes clínicos. Os recentes avanços nas técnicas de imagem médica e análise de dados aumentaram bastante a precisão e a eficácia do diagnóstico de doenças maternas e neonatais. Este estudo tem como objetivo desenvolver um sistema de tomada de decisão assistido por AA, integrando dados multimodais de registros médicos eletrônicos, imagens e resultados laboratoriais, em combinação com técnicas de aprendizado profundo. O objetivo é melhorar a precisão do diagnóstico, simplificar os fluxos de trabalho clínicos e fornecer opções de atendimento mais personalizadas para mães e bebês. Por fim, esse sistema procura melhorar os resultados da saúde e melhorar a qualidade de vida geral para as mães e seus recém -nascidos.

Tipo de estudo

Observacional

Inscrição (Estimado)

1000000

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

Locais de estudo

  • China
    • Guangdong
      • Guangzhou, Guangdong, China
        • Recrutamento
        • Guangzhou Women and Children's Medical Center
        • Contato:
    • Zhejiang
      • Wenzhou, Zhejiang, China
        • Recrutamento
        • First Affiliated Hospital of Wenzhou Medical University
        • Contato:
      • Wenzhou, Zhejiang, China
        • Recrutamento
        • Second Affiliated Hospital of Wenzhou Medical University
        • Contato:

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

Aceita Voluntários Saudáveis

Sim

Método de amostragem

Amostra Não Probabilística

População do estudo

A população do estudo é composta por gestantes de 18 a 45 anos que receberam atendimento nos centros de estudo participantes. Os participantes devem ter registros eletrônicos de saúde (EHRs) abrangentes disponíveis, incluindo dados de cuidados pré-natais, resultados laboratoriais ou dados de imagem. Tanto as mães saudáveis ​​como aquelas com doenças relacionadas com a gravidez (por exemplo, pré-eclâmpsia, diabetes gestacional) serão incluídas no estudo para avaliar as capacidades de diagnóstico do modelo assistido por IA. O estudo se concentrará em pacientes com registros de cuidados documentados dos centros participantes.

Descrição

Critérios de inclusão:

  1. Mulheres grávidas de 18 a 45 anos.
  2. Mulheres que receberam atendimento pré -natal em centros participantes (por exemplo, hospitais ou clínicas).
  3. Disponibilidade de registros de saúde eletrônicos abrangentes, incluindo dados de atendimento pré -natal, resultados de laboratório e registros de imagem.
  4. Disponibilidade para fornecer consentimento para participação no estudo e uso de dados históricos de saúde para análise.

Critérios de exclusão:

  1. Mulheres menores de 18 anos ou maiores de 45 anos.
  2. Participantes com dados de acompanhamento insuficientes ou informações clínicas críticas necessárias para modelagem preditiva.

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
Coorte materna e neonatal saudável
Este grupo é composto por gestantes sem doenças relacionadas à gravidez e seus recém-nascidos saudáveis. Os participantes desta coorte servirão como grupo de controle para comparação com o grupo experimental. Nenhuma intervenção ou tratamento será administrado a esta coorte, pois representam a linha de base de gestações e recém-nascidos saudáveis.
Teste de diagnostico: Modelo de diagnóstico e prognóstico baseado em IA
Essa intervenção envolve um sistema de IA que integra dados multimodais, incluindo registros de saúde materna, resultados de testes de laboratório e dados de imagem, para prever o risco de doenças maternas e neonatais. O sistema usa algoritmos de aprendizado profundo para fornecer previsões precisas em tempo real, permitindo a identificação precoce das complicações de saúde. Ao analisar dados históricos de saúde, o modelo visa prever riscos potenciais para mães e bebês, melhorando a intervenção e os resultados precoces.
Coorte de doença materna e neonatal
Este grupo consiste em mães grávidas que foram diagnosticadas com doenças relacionadas com a gravidez ou com os seus recém-nascidos afectados. Os participantes desta coorte servirão como grupo experimental para avaliar a eficácia do modelo de previsão precoce na identificação de riscos à saúde materna e neonatal.
Teste de diagnostico: Modelo de diagnóstico e prognóstico baseado em IA
Essa intervenção envolve um sistema de IA que integra dados multimodais, incluindo registros de saúde materna, resultados de testes de laboratório e dados de imagem, para prever o risco de doenças maternas e neonatais. O sistema usa algoritmos de aprendizado profundo para fornecer previsões precisas em tempo real, permitindo a identificação precoce das complicações de saúde. Ao analisar dados históricos de saúde, o modelo visa prever riscos potenciais para mães e bebês, melhorando a intervenção e os resultados precoces.

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
Área sob a curva (AUC)
Prazo: 1 ano
AUC da curva ROC, usada para quantificar a acurácia diagnóstica. Nenhuma unidade (uma proporção ou porcentagem, normalmente expressa como um número entre 0 e 1).
1 ano
Pontuação F1
Prazo: 1 ano
A pontuação de F1 é a média harmônica de precisão e sensibilidade (recall). É uma boa medida da capacidade do modelo de identificar os verdadeiros positivos e minimizar falsos positivos, especialmente nos casos em que as classes são desequilibradas (por exemplo, quando o número de casos saudáveis ​​é muito maior que os casos de doença). A pontuação F1 varia de 0 a 1, com 1 indicando precisão e recordação perfeitas.
1 ano

Medidas de resultados secundários

Medida de resultado
Descrição da medida
Prazo
Sensibilidade (taxa positiva verdadeira)
Prazo: 1 ano
A sensibilidade mede quão bem o modelo de IA identifica casos verdadeiros positivos, como diagnosticar corretamente mulheres grávidas com complicações ou identificar doenças neonatais.
1 ano
Especificidade (taxa negativa verdadeira)
Prazo: 1 ano
A especificidade mede a capacidade do modelo de IA para identificar corretamente casos sem doenças, garantindo que mães e bebés saudáveis ​​sejam corretamente identificados como negativos.
1 ano

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Patrocinador

The Eye Hospital of Wenzhou Medical University

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)

1 de agosto de 2023

Conclusão Primária (Estimado)

1 de maio de 2025

Conclusão do estudo (Estimado)

1 de maio de 2025

Datas de inscrição no estudo

Enviado pela primeira vez

19 de janeiro de 2025

Enviado pela primeira vez que atendeu aos critérios de CQ

19 de janeiro de 2025

Primeira postagem (Real)

24 de janeiro de 2025

Atualizações de registro de estudo

Última Atualização Postada (Real)

17 de abril de 2025

Última atualização enviada que atendeu aos critérios de controle de qualidade

16 de abril de 2025

Última verificação

1 de abril de 2025

Mais Informações

Termos relacionados a este estudo

Palavras-chave

Termos MeSH relevantes adicionais

Outros números de identificação do estudo

  • Maternal and Neonatal Diseases

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

produto fabricado e exportado 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 .

Se inscrever