Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

Применение мультимодальной модели большого языка в HFpEF (MeG-HFpEF)

27 июня 2024 г. обновлено: Tang Yida, Peking University Third Hospital

Применение мультимодальной модели большого языка для диагностики сердечной недостаточности с сохранной фракцией выброса

Это исследование подтвердит эффективность мультимодальной модели большого языка для скрининга сердечной недостаточности с сохраненной фракцией выброса (HFpEF), сравнивая ее с традиционным клиническим стандартизированным процессом оценки.

Обзор исследования

Статус

Рекрутинг

Условия

Вмешательство/лечение

Подробное описание

Сердечная недостаточность является серьезным осложнением различных заболеваний сердца и ведущей причиной смертности от сердечно-сосудистых заболеваний во всем мире. В зависимости от фракции выброса левого желудочка (ФВЛЖ) сердечную недостаточность можно разделить на сердечную недостаточность со сниженной фракцией выброса (СНнФВ), сердечную недостаточность с сохраненной фракцией выброса (СНсФВ) и сердечную недостаточность с умеренно сниженной фракцией выброса (СНмрФВ). Частота повторных госпитализаций с сердечной недостаточностью и количество внутрибольничных осложнений не различались между HFrEF и HFpEF. Однако за последние два десятилетия выживаемость при HFrEF значительно улучшилась, тогда как HFpEF осталась на прежнем уровне. Одной из основных причин этого является то, что процесс диагностики СНСФВ сложен, и в клинике легко поставить неверный диагноз, что приведет к задержке лечения.

Мультимодальные модели большого языка способны интегрировать и анализировать медицинские данные из разных источников, включая текстовые данные (например, медицинские записи, медицинскую литературу), данные изображений (например, электрокардиограммы, изображения компьютерной томографии) и аудиоданные (например, симптомы, рассказанные пациенты). Эта возможность мультимодальной интеграции данных имеет решающее значение для понимания сложных медицинских сценариев, поскольку она обеспечивает более полное представление о состоянии, чем один источник данных.

Диагностика HFpEF сталкивается со многими проблемами и требует от клиницистов вынесения суждений на основе многомерных данных, что может легко привести к недостаточной диагностике и неправильной диагностике заболевания. Являясь инструментом генеративного искусственного интеллекта, большая языковая модель способна интегрировать и анализировать данные из разных источников, а также обучаться и развиваться на основе существующих клинических данных. Основываясь на этом, данное исследование призвано оценить эффективность мультимодальной модели большого языка для скрининга сердечной недостаточности с сохраненной фракцией выброса (HFpEF), сравнивая ее с традиционным клиническим стандартным процессом оценки.

Тип исследования

Наблюдательный

Регистрация (Оцененный)

80

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Контакты исследования

  • Имя: Xiangbin Meng
  • Номер телефона: 17600220171
  • Электронная почта: 15896850171@163.com

Места учебы

  • Китай
    • Beijing
      • Beijing, Beijing, Китай
        • Рекрутинг
        • Peking UniversityThird Hospital

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

  • Взрослый
  • Пожилой взрослый

Принимает здоровых добровольцев

Нет

Метод выборки

Невероятностная выборка

Исследуемая популяция

Субъекты будут набраны из числа пациентов, регулярно госпитализируемых в отделение кардиологии, которые также отвечали потребностям этого исследования и не набираются отдельно.

Описание

Критерии включения:

  1. Возраст 18-80 лет, мужчина или женщина;
  2. Кардиологические стационарные пациенты с подозрением на сердечную недостаточность с сохраненной фракцией выброса (УЗИ сердца, указывающие на ФВЛЖ ≥50%, по крайней мере, с 1 из следующих признаков: 1, гипертрофия левого желудочка и/или увеличение левого предсердия; и 2, аномальная диастолическая функция сердца);
  3. Текущий или предыдущий хотя бы один симптом сердечной недостаточности, включая одышку (включая одышку при физической нагрузке, ночную пароксизмальную одышку и телеангиэктазии), недомогание, тошноту и двусторонние отеки нижних конечностей;
  4. Добровольное участие и подписанное информированное согласие.

Критерий исключения:

  1. Острая сердечная недостаточность или острое ухудшение хронической сердечной недостаточности;
  2. Тяжелый коронарный стеноз (стеноз ≥75%) без реваскуляризации;
  3. Пациенты, которые не могут выполнить стресс-эхокардиографию с нагрузкой или имеют противопоказания к проведению исследования;
  4. участвуют в других клинических исследованиях;
  5. Лицам с тяжелыми органическими патологиями печени, почек, системы кроветворения, а также лицам с хроническими заболеваниями;
  6. Те, кто не может следовать процедурам судебного разбирательства;
  7. Те, кто отказывается подписывать информированное согласие.

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

Когорты и вмешательства

Группа / когорта
Вмешательство/лечение
отдельная группа

Сначала был проведен обычный процесс консультации: в соответствии с процессом, рекомендованным в издании Китайского экспертного консенсуса по диагностике и лечению сердечной недостаточности с сохранной фракцией выброса 2023 года, лечащий кардиолог завершил оценку клинических критериев субъекта и поставил диагноз СНсФВ ( да нет).

Во время контрольного визита лечащего врача мультимодальная система скрининга большой языковой модели (MedGuide-72B) собирала данные планового посещения, записывала соответствующие данные и показатели во время общения пациента с MedGuide-72B и ставила диагноз.
Диагностический тест: Диагностика мультимодальной модели большого языка
Диагностика сердечной недостаточности с сохраненной фракцией выброса (HFpEF) с использованием мультимодальной большой языковой модели MedGuide-72B.
Диагностический тест: Рутинная диагностическая и лечебная процедура
Рутинная диагностическая и лечебная процедура

Что измеряет исследование?

Первичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
диагностическая специфичность
Временное ограничение: после завершения обучения, в среднем 8 месяцев
сравнение дианостической специфичности между рутинной диагностикой и терапией и диагностикой на основе большой языковой модели
после завершения обучения, в среднем 8 месяцев
диагностическая чувствительность
Временное ограничение: после завершения обучения, в среднем 8 месяцев
сравнение дианостической чувствительности между рутинной диагностикой и терапией и диагностикой на основе большой языковой модели
после завершения обучения, в среднем 8 месяцев

Вторичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
коэффициент согласованности
Временное ограничение: после завершения обучения, в среднем 8 месяцев
степень согласованности между рутинной диагностикой и терапией и диагностикой на основе большой языковой модели
после завершения обучения, в среднем 8 месяцев
время, потраченное на диагностику
Временное ограничение: после завершения обучения, в среднем 8 месяцев
сравнение времени, затраченного на диагностику между рутинной диагностикой и терапией и диагностикой на основе большой языковой модели
после завершения обучения, в среднем 8 месяцев
удовлетворенность пациентов
Временное ограничение: после завершения обучения, в среднем 8 месяцев
сравнение удовлетворенности пациентов рутинной диагностикой и терапией и диагностикой на основе расширенной языковой модели с помощью анкеты
после завершения обучения, в среднем 8 месяцев
экономический анализ затрат
Временное ограничение: после завершения обучения, в среднем 8 месяцев
сравнение экономических затрат между рутинной диагностикой и терапией и диагностикой с использованием большой языковой модели по общей стоимости лечения
после завершения обучения, в среднем 8 месяцев
уровень ложного обнаружения
Временное ограничение: после завершения обучения, в среднем 8 месяцев
сравнение частоты ложных открытий между рутинной диагностикой и терапией и диагностикой на основе большой языковой модели
после завершения обучения, в среднем 8 месяцев
оценка нагрузки врача
Временное ограничение: после завершения обучения, в среднем 8 месяцев
сравнение нагрузки врача между рутинной диагностикой и терапией и диагностикой на основе большой языковой модели согласно подсчету числа участников с заболеваниями, связанными с лечением.
после завершения обучения, в среднем 8 месяцев
эффективность диагностики
Временное ограничение: после завершения обучения, в среднем 8 месяцев
Вероятность точности по сравнению с окончательным диагнозом на визите пациента
после завершения обучения, в среднем 8 месяцев

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Peking University Third Hospital

Соавторы

Qingdao Municipal Hospital
Tianjin Medical University General Hospital
The First Hospital of Hebei Medical University
Central hospital Affiliated to Shandong First Medical University

Публикации и полезные ссылки

Лицо, ответственное за внесение сведений об исследовании, добровольно предоставляет эти публикации. Это может быть что угодно, связанное с исследованием.

Общие публикации

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

20 декабря 2023 г.

Первичное завершение (Оцененный)

20 декабря 2024 г.

Завершение исследования (Оцененный)

20 декабря 2024 г.

Даты регистрации исследования

Первый отправленный

22 декабря 2023 г.

Впервые представлено, что соответствует критериям контроля качества

27 июня 2024 г.

Первый опубликованный (Действительный)

3 июля 2024 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

3 июля 2024 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

27 июня 2024 г.

Последняя проверка

1 июня 2024 г.

Дополнительная информация

Термины, связанные с этим исследованием

Ключевые слова

Дополнительные соответствующие термины MeSH

Другие идентификационные номера исследования

  • M2023830

Планирование данных отдельных участников (IPD)

Планируете делиться данными об отдельных участниках (IPD)?

НЕТ

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

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. .

Подписаться