Искусственный интеллект в детской поликлинике
Применение искусственного интеллекта в детской поликлинике
В Китае количество детских медицинских услуг по-прежнему сильно отстает от растущего спроса на детское здоровье. Феномен ночных очередей родителей детей на регистрацию уже не удивляет. Это связано с увеличением числа детей и нехваткой педиатрических талантов. В отделении педиатрии количество пациентов увеличивается из года в год, а педиатров не хватает от начала до конца. Помимо амбулаторного обслуживания педиатры в крупных больницах также выполняют операции, научные исследования и другие задачи. В результате многим врачам приходится отказываться от отпуска, что делает их несчастными и снижает их энтузиазм в работе. Длительное время ожидания в очереди также снижало удовлетворенность пациентов, что приводило к обострению конфликта между детскими врачами и пациентами.
Этот исследовательский проект направлен на создание интегрированной системы человек-компьютер и разработку нового процесса диагностики, встроенного в искусственный интеллект (ИИ). Функция системы ИИ в основном включает 3 аспекта. (1) Пациент использует приложение для мобильного телефона со встроенным ИИ, которое позволяет ему пройти обследование перед визитом к врачу. Программа задаст пациенту ряд вопросов. Затем, основываясь на ответах пациента, ИИ порекомендует серию обследований, все из которых будут предварительно рассмотрены врачом. После того, как пациент заплатит за это, он может сразу пойти на обследование. Итак, затем он может пойти к врачу с отчетом об обследовании, что избавит пациента от необходимости стоять в очередях. (2) В то же время система ИИ может также автоматизировать историю болезни. В свободное время пациент собирал анамнез самостоятельно. Система ИИ собирает историю болезни и автоматически импортирует ее на компьютер врача. Основная задача врачей — модифицировать историю болезни, сгенерированную ИИ. В какой-то степени это облегчает работу врачей. (3) Во время визита система искусственного интеллекта автоматически фиксирует информацию в электронной медицинской карте пациента и генерирует возможный диагноз. Этот процесс очень помогает младшим врачам и может служить подсказкой.
Короче говоря, это исследование помогает эффективно сократить время ожидания пациентов и значительно увеличить их медицинский опыт. Несмотря на снижение интенсивности работы врачей, амбулаторные процедуры нашей больницы были эффективно оптимизированы, чтобы в некоторой степени уменьшить нехватку педиатров.
Обзор исследования
Статус
Условия
Подробное описание
Опираясь на мобильное приложение и компьютерное программное обеспечение, он достигнет:
- Интеллектуальное руководство и соответствие отдела;
- Интеллектуальный сбор истории болезни и создание медицинских карт с помощью ИИ;
- Автоматически рекомендовать предметы обследования;
- Помогите в клинической диагностике и сделайте разумное предложение диагноза.
Тип исследования
Регистрация (Действительный)
Фаза
- Непригодный
Контакты и местонахождение
Места учебы
-
-
-
Shanghai, Китай
- Shanghai Children's Medical Center
-
-
Shanghai
-
Shanghai, Shanghai, Китай, 200127
- Shanghai Children's Medical Center, Shanghai Jiao Tong University School of Medicine
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
Принимает здоровых добровольцев
Полы, имеющие право на обучение
Описание
Критерии включения:
Пациенты в возрасте от 2 месяцев до 18 лет отправятся на лечение в Шанхайский детский медицинский центр.
Критерий исключения:
- Люди, которые не согласны участвовать.
- Люди, которые не могут сотрудничать.
- Люди, за которыми трудно следить.
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Исследования в области здравоохранения
- Распределение: Рандомизированный
- Интервенционная модель: Параллельное назначение
- Маскировка: Нет (открытая этикетка)
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
|---|---|
|
Экспериментальный: Пациенты с обычным процессом амбулаторного обслуживания
После регистрации пациент стоит в очереди у дверей кабинета врача.
Его врач использует традиционные методы для ввода медицинских карт от руки и самостоятельной постановки диагноза.
Затем пациент ждет своей очереди, чтобы оплатить счет и становится в очередь на обследование.
Наконец, пациент относил отчет об обследовании к врачу.
|
Пациенты соблюдают процедуры регистрации, ожидания, явки, ожидания, осмотра, ожидания, явки.
|
|
Экспериментальный: Процесс амбулаторного обслуживания пациентов с искусственным интеллектом
После регистрации пациент привязывает свои данные к приложению мобильного телефона через номер амбулаторного больного.
Сначала система ИИ задавала пациенту ряд вопросов.
Затем он вынес бы суждение, основанное на ответе пациента.
Система передает элементы обследования на компьютер врача и, с одобрения врача, отправляет их обратно пациенту.
Таким образом, пациент может сразу идти на обследование.
В ожидании своей очереди пациент снова входит в программу телефона, и система ИИ собирает его историю болезни.
Информация возвращается к врачу.
Когда пациент идет в кабинет врача с отчетом об обследовании, в компьютере врача уже есть его медицинские карты.
Врачу нужно только скорректировать анамнез в соответствии с реальной ситуацией.
После написания истории болезни система ИИ могла автоматически поставить диагноз.
Доктор использует результаты ИИ и собственное суждение, чтобы поставить комплексный диагноз.
|
Пациенты следуют процедурам регистрации, рекомендуемым ИИ пунктам обследования, самостоятельному сбору истории болезни, осмотру, ожиданию, посещаемости с помощью ИИ.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Оцените эффективность двух процессов
Временное ограничение: до 1 месяца
|
Сравните среднее время ожидания для одного пациента и среднее время посещения для одного пациента.
|
до 1 месяца
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Оценить уровень удовлетворенности пациентов медицинскими процессами
Временное ограничение: до 1 месяца
|
Анкета удовлетворенности будет использоваться для сравнения уровня удовлетворенности между двумя процессами.
|
до 1 месяца
|
|
Экономические измерения
Временное ограничение: до 1 месяца
|
Тратить деньги на амбулаторное лечение, тратить деньги на обследование и др.
|
до 1 месяца
|
|
Эффективность работы врачей
Временное ограничение: до 1 месяца
|
Использование исторических данных для сравнения до и после, чтобы сравнить влияние интеллектуального сбора истории болезни на время посещения каждого пациента.
|
до 1 месяца
|
Соавторы и исследователи
Публикации и полезные ссылки
Общие публикации
- Keel S, Lee PY, Scheetz J, Li Z, Kotowicz MA, MacIsaac RJ, He M. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep. 2018 Mar 12;8(1):4330. doi: 10.1038/s41598-018-22612-2.
- Shen TL, Fu XL. [Application and prospect of artificial intelligence in cancer diagnosis and treatment]. Zhonghua Zhong Liu Za Zhi. 2018 Dec 23;40(12):881-884. doi: 10.3760/cma.j.issn.0253-3766.2018.12.001. Chinese.
- Kantarjian H, Yu PP. Artificial Intelligence, Big Data, and Cancer. JAMA Oncol. 2015 Aug;1(5):573-4. doi: 10.1001/jamaoncol.2015.1203. No abstract available.
- Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017 Apr;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011. Epub 2017 Jan 11.
- Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988 Jan;108(1):80-7. doi: 10.7326/0003-4819-108-1-80.
- Kreps GL, Neuhauser L. Artificial intelligence and immediacy: designing health communication to personally engage consumers and providers. Patient Educ Couns. 2013 Aug;92(2):205-10. doi: 10.1016/j.pec.2013.04.014. Epub 2013 May 15.
- Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Curr Opin Pulm Med. 2018 Mar;24(2):117-123. doi: 10.1097/MCP.0000000000000459.
- Kapoor R, Walters SP, Al-Aswad LA. The current state of artificial intelligence in ophthalmology. Surv Ophthalmol. 2019 Mar-Apr;64(2):233-240. doi: 10.1016/j.survophthal.2018.09.002. Epub 2018 Sep 22.
- Goldhahn J, Rampton V, Spinas GA. Could artificial intelligence make doctors obsolete? BMJ. 2018 Nov 7;363:k4563. doi: 10.1136/bmj.k4563. No abstract available.
- Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014 Jan;16(1):441. doi: 10.1007/s11886-013-0441-8.
- Singh G, Al'Aref SJ, Van Assen M, Kim TS, van Rosendael A, Kolli KK, Dwivedi A, Maliakal G, Pandey M, Wang J, Do V, Gummalla M, De Cecco CN, Min JK. Machine learning in cardiac CT: Basic concepts and contemporary data. J Cardiovasc Comput Tomogr. 2018 May-Jun;12(3):192-201. doi: 10.1016/j.jcct.2018.04.010. Epub 2018 Apr 30.
- Huang Q, Zhang F, Li X. Machine Learning in Ultrasound Computer-Aided Diagnostic Systems: A Survey. Biomed Res Int. 2018 Mar 4;2018:5137904. doi: 10.1155/2018/5137904. eCollection 2018.
- Huang S, Yang J, Fong S, Zhao Q. Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges. Cancer Lett. 2020 Feb 28;471:61-71. doi: 10.1016/j.canlet.2019.12.007. Epub 2019 Dec 10.
- Wall J, Krummel T. The digital surgeon: How big data, automation, and artificial intelligence will change surgical practice. J Pediatr Surg. 2020 Jan;55S:47-50. doi: 10.1016/j.jpedsurg.2019.09.008. Epub 2019 Nov 16.
- Adamson AS, Welch HG. Machine Learning and the Cancer-Diagnosis Problem - No Gold Standard. N Engl J Med. 2019 Dec 12;381(24):2285-2287. doi: 10.1056/NEJMp1907407. No abstract available.
- Wulsin DF, Gupta JR, Mani R, Blanco JA, Litt B. Modeling electroencephalography waveforms with semi-supervised deep belief nets: fast classification and anomaly measurement. J Neural Eng. 2011 Jun;8(3):036015. doi: 10.1088/1741-2560/8/3/036015. Epub 2011 Apr 28.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Другие идентификационные номера исследования
- SCMCIRB-K2019020-2
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .