Predição baseada em IA de infecções adquiridas em hospitais com EHR
16 de abril de 2025 atualizado por: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Prevendo infecções adquiridas no hospital usando registros eletrônicos de saúde: uma abordagem assistida pela AI
Este é um estudo clínico retrospectivo multicêntrico projetado para avaliar a aplicação e eficácia de um modelo preditivo assistido por IA para identificar e diagnosticar infecções, aproveitando dados de saúde multimodais.
Visão geral do estudo
Status
Recrutamento
Condições
Intervenção / Tratamento
Descrição detalhada
As infecções hospitalares (IRAS) são uma causa significativa de morbidade e mortalidade em ambientes de saúde.
A identificação e prevenção precoces de IRAS são cruciais para melhorar os resultados dos pacientes, reduzir os custos de saúde e prevenir a propagação de infecções.
Na prática clínica, os prestadores de cuidados de saúde necessitam muitas vezes de integrar uma vasta gama de dados dos pacientes, incluindo história médica, resultados de testes laboratoriais, utilização de medicamentos, procedimentos cirúrgicos e observações clínicas, para avaliar os riscos de infecção e prevenir IACS.
À medida que o controlo de infecções e a medicina de precisão se tornam cada vez mais importantes, permanece o desafio de prever e prevenir infecções, especialmente em pacientes com factores de risco subtis ou assintomáticos.
Avanços recentes em inteligência artificial e técnicas de análise de dados têm se mostrado muito promissores na melhoria da precisão e eficiência da previsão e prevenção de infecções.
Este estudo tem como objetivo desenvolver um sistema de tomada de decisão assistido por IA, integrando dados multimodais de registros eletrônicos de saúde, resultados de laboratório, observações clínicas e dados demográficos dos pacientes.
O objetivo é melhorar a identificação precoce de pacientes em risco de IRAS, agilizar os fluxos de trabalho clínicos e otimizar as medidas de controle de infecção.
Em última análise, este sistema procura reduzir a incidência de infecções adquiridas em hospitais, melhorar a segurança dos pacientes e melhorar a qualidade geral dos cuidados de saúde.
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
- Nome: Fei Liu, MD
- Número de telefone: +86 13810512704
- E-mail: liufei_2359@163.com
Locais de estudo
-
-
Zhejiang
-
Wenzhou, Zhejiang, China
- Recrutamento
- First Affiliated Hospital of Wenzhou Medical University
-
Contato:
- Cheng Tang
- E-mail: c249325687@163.com
-
Wenzhou, Zhejiang, China
- Recrutamento
- Second Affiliated Hospital of Wenzhou Medical University
-
Contato:
- Sian Liu
- Número de telefone: +86-0577-88002888
- E-mail: liusan@mail3.sysu.edu.cn
-
-
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
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Sim
Método de amostragem
Amostra Não Probabilística
População do estudo
A população do estudo consiste em indivíduos que receberam atendimento nos centros de estudo participantes.
Os participantes devem ter registros eletrônicos de saúde (EHRs) abrangentes disponíveis, incluindo histórico médico, resultados de exames laboratoriais, dados de tratamento e observações clínicas.
Tanto os indivíduos que desenvolveram infecções adquiridas em hospitais (IRAS) quanto aqueles que não o fizeram serão incluídos no estudo para avaliar as capacidades preditivas do modelo assistido por IA para o risco de infecção.
O estudo se concentrará em pacientes com registros de atendimento completos e documentados dos centros participantes, garantindo uma coorte diversificada para análise em diferentes faixas etárias e tipos de infecção.
Descrição
Critérios de inclusão:
- Pacientes com dados EHR completos e acessíveis, incluindo histórico médico, resultados de exames laboratoriais, regimes de tratamento, observações clínicas e histórico de infecção.
- Pacientes que foram internados no hospital ou unidade de saúde participante durante o período do estudo.
- Todos os participantes devem fornecer consentimento informado para usar seus dados de saúde para fins de pesquisa.
Critérios de exclusão:
- Pacientes com dados de EHR críticos incompletos ou ausentes, como resultados de laboratório, histórico médico ou detalhes do tratamento, necessários para a previsão de infecções.
- Pacientes que apresentam distúrbios cognitivos graves, demência ou condições que os impedem de fornecer consentimento informado ou participar do estudo.
- Pacientes que não foram internados no hospital durante o período do estudo ou que estão recebendo apenas atendimento ambulatorial.
- Pacientes com condições terminais onde a previsão de infecção pode não ser aplicável aos objetivos clínicos do estudo.
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 de infecções adquiridas em hospitais
Este grupo é composto por pacientes que desenvolveram infecção hospitalar (IRAS) durante a internação.
Os participantes desta coorte serão usados para avaliar a eficácia do modelo preditivo assistido por IA na identificação dos fatores de risco que levam a infecções adquiridas em hospitais.
O modelo será avaliado com base na precisão da previsão de riscos de infecção em pacientes hospitalizados.
Nenhuma intervenção específica será fornecida como parte desta coorte além das práticas existentes de controle de infecção hospitalar.
|
Esta intervenção envolve um sistema de IA que integra dados multimodais, incluindo histórico médico do paciente, resultados de exames laboratoriais, observações clínicas e dados de tratamento, para prever o risco de infecções hospitalares (IRAS).
O sistema utiliza algoritmos de aprendizagem profunda para fornecer previsões precisas e em tempo real, permitindo a identificação precoce de pacientes em risco de infecções.
Ao analisar dados históricos de saúde, o modelo visa prever o desenvolvimento potencial de infecções, melhorando a detecção precoce, as estratégias de prevenção e os resultados dos pacientes em ambientes hospitalares.
|
|
Coorte Saudável (sem HAI)
Este grupo é composto por pacientes que não desenvolveram infecções adquiridas em hospital durante a internação.
Os participantes desta coorte servirão como grupo controle para comparação com o grupo experimental.
O modelo assistido pela AA será avaliado quanto à sua capacidade de distinguir entre pacientes que correm risco de desenvolver infecções e aqueles que permanecem livres de infecções durante a hospitalização.
Nenhuma intervenção será fornecida como parte desta coorte, pois representam pacientes sem complicações relacionadas à infecção.
|
Esta intervenção envolve um sistema de IA que integra dados multimodais, incluindo histórico médico do paciente, resultados de exames laboratoriais, observações clínicas e dados de tratamento, para prever o risco de infecções hospitalares (IRAS).
O sistema utiliza algoritmos de aprendizagem profunda para fornecer previsões precisas e em tempo real, permitindo a identificação precoce de pacientes em risco de infecções.
Ao analisar dados históricos de saúde, o modelo visa prever o desenvolvimento potencial de infecções, melhorando a detecção precoce, as estratégias de prevenção e os resultados dos pacientes em ambientes hospitalares.
|
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
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 fevereiro 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
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- Hospital-Acquired Infections
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 .