Раннее прогнозирование бронхолегочной дисплазии у недоношенных детей с использованием клинических данных
Раннее прогнозирование бронхолегочной дисплазии с использованием клинических данных первых трех постнатальных недель у недоношенных детей: Ретроспективное исследование с использованием больших языковых моделей
Раннее прогнозирование бронхолегочной дисплазии у недоношенных детей с использованием клинических данных первых трех постнатальных недель с помощью больших языковых моделей: ретроспективное исследование. Это ретроспективное обсервационное исследование направлено на оценку раннего прогнозирования бронхолегочной дисплазии (БЛД) у недоношенных детей с использованием клинических данных первой, второй и третьей постнатальных недель. В исследование включены дети, рожденные до 32 недель гестации или с массой тела менее 1500 граммов, находящиеся под наблюдением в отделении интенсивной терапии новорожденных Городской больницы Конья.
Исследование сравнит эффективность различных больших языковых моделей (LLM), включая ChatGPT, Gemini и Claude, в прогнозировании развития БЛД. Будут использоваться клинические переменные, такие как гестационный возраст, масса тела при рождении, респираторная поддержка, потребность в кислороде, продолжительность искусственной вентиляции легких и статус инфекции.
Первичный исход: точность прогнозирования риска БЛД каждой моделью ИИ по сравнению с фактическими клиническими исходами. Вторичные исходы: чувствительность и специфичность прогнозов, эффективность еженедельного прогнозирования и сравнительная эффективность моделей ИИ.
Результаты дадут представление о потенциальной клинической полезности подходов на основе ИИ для ранней оценки риска БЛД у недоношенных детей.
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
Введение:
Преждевременные роды являются основной причиной неонатальной заболеваемости и смертности. Бронхолёгочная дисплазия (БЛД) — одно из наиболее распространённых хронических заболеваний лёгких у недоношенных детей, особенно у детей с очень низким гестационным возрастом или массой тела при рождении. БЛД увеличивает длительность зависимости от кислорода, продолжительность пребывания в стационаре и риск респираторных осложнений. Раннее прогнозирование БЛД имеет решающее значение для оптимизации клинического ведения.
Гестационный возраст, масса тела при рождении, продолжительность искусственной вентиляции лёгких, кислородная терапия, инфекции и гемодинамические факторы являются известными факторами риска БЛД. Было разработано несколько клинических моделей риска для раннего прогнозирования БЛД, но их клиническая применимость ограничена.
Недавние достижения в области искусственного интеллекта (ИИ) и машинного обучения продемонстрировали потенциал в анализе клинических данных и прогнозировании риска заболеваний. Большие языковые модели (LLM), такие как ChatGPT, Gemini и Claude, могут интерпретировать сложные клинические наборы данных и генерировать прогнозы риска. Однако исследования, оценивающие их эффективность в прогнозировании БЛД у недоношенных детей, ограничены.
Цель:
Ретроспективно оценить эффективность различных LLM в прогнозировании БЛД у недоношенных детей (<32 недель гестации или <1500 граммов) с использованием клинических данных 1-й, 2-й и 3-й недель жизни. Исследование направлено на сравнение прогнозов, сгенерированных ИИ, с фактическими клиническими исходами.
Дизайн исследования:
Ретроспективное, обсервационное, одноцентровое исследование. Клинические данные из ОРИТН городской больницы Коньи будут извлечены из медицинских записей и анонимизированы. Модели ИИ (ChatGPT, Gemini, Claude) получат стандартизированные наборы данных, включая гестационный возраст, массу тела при рождении, пол, респираторную поддержку, потребность в кислороде, продолжительность искусственной вентиляции лёгких, статус инфекции и другие соответствующие параметры. Прогнозы ИИ будут классифицировать риск БЛД как низкий, средний или высокий с указанием вероятности в процентах.
Участники:
Включение: недоношенные дети <32 недель гестации или <1500 граммов, с полными клиническими данными, наблюдавшиеся в ОРИТН в течение периода исследования. Исключение: дети с серьёзными врождёнными аномалиями, неполными клиническими данными или ранней постнатальной смертью.
Исходы:
Первичный: точность моделей ИИ в прогнозировании БЛД по сравнению с фактическими клиническими исходами. Вторичные: чувствительность и специфичность прогнозов ИИ, сравнение еженедельных прогнозов, сравнение эффективности моделей ИИ.
Статистический анализ:
Описательная статистика (среднее, стандартное отклонение, количество, проценты). Метрики эффективности прогнозирования: точность, чувствительность, специфичность, ROC-анализ. Сравнение моделей и еженедельных прогнозов с использованием теста Делонга. Статистическая значимость: p < 0,05.
Место проведения:
Одноцентровое, на базе больницы, ОРИТН городской больницы Коньи. Ретроспективный сбор клинических данных.
Выборка:
Целевая популяция: недоношенные дети с высоким риском БЛД (<32 недель или <1500 граммов). Размер выборки: минимум 108 детей, рассчитанный с использованием программного обеспечения G-power (мощность 80%, значимость 5%, средний размер эффекта = 0,3).
Протокол моделей ИИ:
Стандартизированные запросы для каждой недели жизни:
Клинические данные недоношенного ребёнка на [1-й/2-й/3-й] неделе жизни:
- Гестационный возраст: [недели + дни]
- Масса тела при рождении: [граммы]
- Пол: [мужской/женский]
- Антенатальные стероиды: [Да/Нет]
- Терапия сурфактантом: [количество доз]
- Респираторная поддержка: [ИВЛ/CPAP/HFNC]
- Потребность в FiO2: [%]
- Статус сепсиса/ОАП: [Да/Нет]
Спрогнозируйте риск БЛД (Низкий/Средний/Высокий) и укажите вероятность (%) для каждой категории.
Этика:
Исследование одобрено институциональным этическим комитетом. Данные анонимизированы и конфиденциальность обеспечена.
Тип исследования
Регистрация (Оцененный)
Контакты и местонахождение
Контакты исследования
- Имя: Melek Büyükeren, Assoc. Prof. Dr.
- Номер телефона: +90532-780-30-78
- Электронная почта: melekbuyukeren@gmail.com
Места учебы
-
-
-
Konya, Турция (Туркие), 42020
- Konya City Hospital, İstiklal, Adana Çevre Yolu Cd. No:135/1
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
Принимает здоровых добровольцев
Метод выборки
Исследуемая популяция
Описание
Критерии включения:
Недоношенные младенцы, рождённые до 32 недель беременности или с массой тела менее 1500 граммов Наблюдаемые в отделении реанимации и интенсивной терапии новорождённых Городской больницы Конья Полные клинические данные, доступные в больничных записях Документированный статус бронхолёгочной дисплазии (БЛД)
Критерии исключения:
Крупные врождённые аномалии Отсутствующие или неполные клинические данные Смерть вскоре после рождения с недостаточными данными наблюдения
Учебный план
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
Когорта недоношенных младенцев (<32 недель или <1500 г)
Эта когорта включает недоношенных детей, родившихся до 32 недель гестации или с массой тела менее 1500 граммов, наблюдаемых в отделении интенсивной терапии новорожденных городской больницы Конья.
Клинические данные за первую, вторую и третью недели постнатального периода ретроспективно собираются для анализа.
Никаких вмешательств не применяется; модели искусственного интеллекта используются для прогнозирования риска БЛД на основе имеющихся клинических данных.
|
Различные большие языковые модели (ChatGPT, Gemini, Claude) проанализируют ретроспективные клинические данные для прогнозирования риска развития бронхолегочной дисплазии (БЛД).
Это наблюдательная оценка; никакое экспериментальное лечение или терапия не проводится.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Точность прогнозирования риска бронхолёгочной дисплазии (БЛД) с помощью моделей искусственного интеллекта (ИИ) у недоношенных младенцев.
Временное ограничение: Постнатальные недели 1, 2 и 3
|
Основным результатом является точность различных больших языковых моделей (ChatGPT, Gemini, Claude) в прогнозировании развития БЛР.
Сгенерированные ИИ прогнозы риска будут сравниваться с фактическими клиническими исходами для оценки правильности прогнозирования.
|
Постнатальные недели 1, 2 и 3
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Чувствительность и специфичность прогнозов ИИ
Временное ограничение: Послеродовые недели 1, 2 и 3
|
Оцените истинно положительную частоту (чувствительность) и истинно отрицательную частоту (специфичность) прогнозов риска БЛД каждой модели ИИ по сравнению с фактическими исходами.
|
Послеродовые недели 1, 2 и 3
|
|
Сравнение точности прогнозирования по постнатальным неделям
Временное ограничение: Постнатальные недели 1, 2 и 3
|
Сравните производительность модели искусственного интеллекта на разных неделях после родов, чтобы определить, улучшается ли точность прогнозирования по мере появления большего количества клинических данных.
|
Постнатальные недели 1, 2 и 3
|
|
Сравнительная производительность различных моделей ИИ
Временное ограничение: Постнатальные недели 1, 2 и 3
|
Сравните производительность модели ИИ на разных послеродовых неделях, чтобы определить, улучшается ли точность прогнозирования по мере поступления большего количества клинических данных.
|
Постнатальные недели 1, 2 и 3
|
Соавторы и исследователи
Спонсор
Публикации и полезные ссылки
Общие публикации
- 1. Dai D, Chen H, Dong X, Chen J, Mei M, Lu Y, et al. Bronchopulmonary dysplasia predicted by developing a machine learning model of genetic and clinical information. Front Genet. 2021;12:689071. 2. Choi HJ, Lee G, Shin SH, Lee SM, Lee HC, Sohn JA, et al. Development and external validation of a machine learning model to predict bronchopulmonary dysplasia using dynamic factors. Sci Rep. 2025;15:13620. 3. Chen Y, Ma H, Liu X. Clinical and imaging data-based machine learning for early diagnosis of bronchopulmonary dysplasia: A meta-analysis. Curr Med Imaging. 2025;21:e15734056421036. 4. Özçelik G, Erol S, Korkut S, Köse Çetinkaya A, Özçelik H. Prediction of bronchopulmonary dysplasia using machine learning from chest X-rays of premature infants in the neonatal intensive care unit. Medicine (Baltimore).2025;104:e44322. 5. Akila K, Aravind Babu LR. Deep learning-driven early prediction of bronchopulmonary dysplasia using chest X-rays and clinical data. Electronics Communications and Computing Summit. 2025;3(3):90-97. 6. Zhang X, Wang Y, Li J, et al. Development and validation of machine learning models for predicting bronchopulmonary dysplasia risk in preterm neonates based on antenatal determinants. BMC Pediatr. 2025. 7. Li Y, Wang L, Chen Z, et al. Machine learning models combining oversampling techniques for prediction of bronchopulmonary dysplasia-associated pulmonary hypertension in very preterm infants. Respir Res. 2024;25:199.
Даты записи исследования
Изучение основных дат
Начало исследования (Оцененный)
Первичное завершение (Оцененный)
Завершение исследования (Оцененный)
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
Дополнительные соответствующие термины MeSH
- Урогенитальные заболевания
- Женские мочеполовые заболевания и осложнения беременности
- Акушерские роды, преждевременные роды
- Осложнения акушерских родов
- Осложнения беременности
- Заболевания дыхательных путей
- Легочные заболевания
- Младенец, Преждевременно, Заболевания
- Младенец, Новорожденный, Болезни
- Травма легких
- Повреждение легких, вызванное вентилятором
- Врожденные, наследственные и неонатальные заболевания и аномалии
- Преждевременные роды
- Бронхолегочная дисплазия
Другие идентификационные номера исследования
- KSH_MB_2026_1
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана 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. .