Прогнозирование внутрибольничных инфекций на основе искусственного интеллекта с помощью EHR
16 апреля 2025 г. обновлено: Kang Zhang, The Eye Hospital of Wenzhou Medical University
Прогнозирование инфекций с приобретенными в больницах с использованием электронных медицинских карт: подход с помощью ASISTED
Это многоцентровое, ретроспективное клиническое исследование, предназначенное для оценки применения и эффективности предсказательной модели A-A-Actisted для выявления и диагностики инфекции, используя данные мультимодального здоровья.
Обзор исследования
Статус
Рекрутинг
Условия
Подробное описание
Приобретенные в больнице инфекции (HAI) являются важной причиной заболеваемости и смертности в медицинских учреждениях.
Ранняя идентификация и профилактика HAI имеют решающее значение для улучшения результатов пациентов, снижения затрат на здравоохранение и предотвращения распространения инфекций.
В клинической практике поставщикам медицинских услуг часто необходимо интегрировать широкий спектр данных пациентов, включая историю болезни, результаты лабораторных испытаний, использование лекарств, хирургические процедуры и клинические наблюдения, для оценки рисков инфекции и предотвращения HAI.
Поскольку контроль инфекции и точная медицина становятся все более важными, эта задача остается в предсказании и предотвращении инфекций, особенно у пациентов с тонкими или бессимптомными факторами риска.
Недавние достижения в области искусственного интеллекта и методов анализа данных показали большие перспективы в повышении точности и эффективности прогнозирования и профилактики инфекции.
Это исследование направлено на разработку системы принятия решений, а также интеграция мультимодальных данных из электронных медицинских карт, результатов лаборатории, клинических наблюдений и демографии пациента.
Цель состоит в том, чтобы улучшить раннюю идентификацию пациентов, подверженных риску HAI, оптимизировать клинические рабочие процессы и оптимизировать меры по контролю за инфекцией.
В конечном счете, эта система направлена на снижение заболеваемости инфекциями, приобретенными в больнице, повысить безопасность пациентов и повысить общее качество здравоохранения.
Тип исследования
Наблюдательный
Регистрация (Оцененный)
1000000
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Контакты исследования
- Имя: Fei Liu, MD
- Номер телефона: +86 13810512704
- Электронная почта: liufei_2359@163.com
Места учебы
-
-
Zhejiang
-
Wenzhou, Zhejiang, Китай
- Рекрутинг
- First Affiliated Hospital of Wenzhou Medical University
-
Контакт:
- Cheng Tang
- Электронная почта: c249325687@163.com
-
Wenzhou, Zhejiang, Китай
- Рекрутинг
- Second Affiliated Hospital of Wenzhou Medical University
-
Контакт:
- Sian Liu
- Номер телефона: +86-0577-88002888
- Электронная почта: liusan@mail3.sysu.edu.cn
-
-
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
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Да
Метод выборки
Невероятностная выборка
Исследуемая популяция
Исследуемая популяция состоит из лиц, получивших помощь в участвующих исследовательских центрах.
Участники должны иметь полные электронные медицинские записи (ЭМК), включая историю болезни, результаты лабораторных исследований, данные лечения и клинические наблюдения.
В исследование будут включены как люди, у которых развились внутрибольничные инфекции (ВБИ), так и те, у кого их не было, чтобы оценить прогностические возможности модели с помощью ИИ в отношении риска заражения.
Исследование будет сосредоточено на пациентах с полными и документально подтвержденными медицинскими картами из участвующих центров, что обеспечит разнообразную когорту для анализа в разных возрастных группах и типах инфекций.
Описание
Критерии включения:
- Пациенты с полными и доступными данными ЭМК, включая историю болезни, результаты лабораторных исследований, схемы лечения, клинические наблюдения и историю инфекций.
- Пациенты, поступившие в участвующую больницу или медицинское учреждение в течение периода исследования.
- Все участники должны предоставить информированное согласие на использование данных о своем здоровье в исследовательских целях.
Критерии исключения:
- Пациенты с неполными или отсутствующими критическими данными EHR, такие как результаты лаборатории, история болезни или детали лечения, которые необходимы для прогнозирования инфекции.
- Пациенты с тяжелыми когнитивными расстройствами, деменцией или состояниями, которые мешают им предоставить информированное согласие или участвовать в исследовании.
- Пациенты, которые не были помещены в больницу в течение периода исследования или которые получают только амбулаторную помощь.
- Пациенты с терминальными состояниями, когда прогнозирование инфекции может оказаться неприменимым для клинических целей исследования.
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 |
|---|---|
|
Когорта внутрибольничных инфекций
В эту группу входят пациенты, у которых во время пребывания в больнице развилась внутрибольничная инфекция (ВГА).
Участники этой группы будут использоваться для оценки эффективности прогностической модели с использованием искусственного интеллекта в выявлении факторов риска, приводящих к внутрибольничным инфекциям.
Модель будет оцениваться на основе точности прогнозирования рисков заражения у госпитализированных пациентов.
В рамках этой когорты не будет проводиться никаких конкретных мероприятий, помимо существующих методов больничного инфекционного контроля.
|
Это вмешательство включает в себя систему искусственного интеллекта, которая объединяет мультимодальные данные, включая историю болезни пациента, результаты лабораторных исследований, клинические наблюдения и данные лечения, для прогнозирования риска внутрибольничных инфекций (ВБИ).
Система использует алгоритмы глубокого обучения для предоставления точных прогнозов в режиме реального времени, что позволяет рано выявлять пациентов, подверженных риску заражения.
Анализируя исторические данные о состоянии здоровья, модель направлена на прогнозирование потенциального развития инфекции, улучшение раннего выявления, стратегий профилактики и результатов лечения пациентов в больницах.
|
|
Здоровая когорта (без HAI)
Эта группа состоит из пациентов, у которых не развились инфекции с приобретенными в больнице во время пребывания в больнице.
Участники этой когорты будут служить контрольной группой для сравнения с экспериментальной группой.
Модель A-Actisted будет оценена на предмет его способности различать пациентов, которые подвергаются риску развития инфекций, и тех, кто остается без инфекции во время госпитализации.
В рамках этой когорты не будет предоставлено никаких вмешательств, поскольку они представляют пациентов без осложнений, связанных с инфекцией.
|
Это вмешательство включает в себя систему искусственного интеллекта, которая объединяет мультимодальные данные, включая историю болезни пациента, результаты лабораторных исследований, клинические наблюдения и данные лечения, для прогнозирования риска внутрибольничных инфекций (ВБИ).
Система использует алгоритмы глубокого обучения для предоставления точных прогнозов в режиме реального времени, что позволяет рано выявлять пациентов, подверженных риску заражения.
Анализируя исторические данные о состоянии здоровья, модель направлена на прогнозирование потенциального развития инфекции, улучшение раннего выявления, стратегий профилактики и результатов лечения пациентов в больницах.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Область под кривой (AUC)
Временное ограничение: 1 год
|
AUC кривой ROC, используемой для количественной оценки диагностической точности.
Нет единицы (соотношение или процент, обычно выражается как число от 0 до 1).
|
1 год
|
|
F1 Оценка
Временное ограничение: 1 год
|
Оценка F1 - это гармоническое среднее точности и чувствительности (напоминание).
Это хорошая мера способности модели идентифицировать как истинные позитивы, так и минимизировать ложные срабатывания, особенно в тех случаях, когда классы несбалансированы (например, когда число здоровых случаев намного выше, чем случаи заболевания).
Оценка F1 колеблется от 0 до 1, с 1, указывающим идеальную точность и отзыв.
|
1 год
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Чувствительность (истинно положительный показатель)
Временное ограничение: 1 год
|
Чувствительность измеряет, насколько хорошо модель ИИ идентифицирует истинные положительные случаи, такие как правильно диагностировать беременных женщин с осложнениями или выявление расстройств новорожденных.
|
1 год
|
|
Специфичность (истинно отрицательный показатель)
Временное ограничение: 1 год
|
Специфичность измеряет способность модели ИИ правильно идентифицировать случаи отсутствия заболеваний, гарантируя, что здоровые матери и младенцы будут правильно идентифицированы как отрицательные.
|
1 год
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
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)
1 февраля 2023 г.
Первичное завершение (Оцененный)
1 мая 2025 г.
Завершение исследования (Оцененный)
1 мая 2025 г.
Даты регистрации исследования
Первый отправленный
19 января 2025 г.
Впервые представлено, что соответствует критериям контроля качества
19 января 2025 г.
Первый опубликованный (Действительный)
24 января 2025 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
17 апреля 2025 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
16 апреля 2025 г.
Последняя проверка
1 апреля 2025 г.
Дополнительная информация
Термины, связанные с этим исследованием
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- Hospital-Acquired Infections
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
продукт, произведенный в США и экспортированный из 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. .