- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05176769
Artificiell intelligens för automatiserad klinisk datautforskning från elektroniska journaler (CardioMining-AI)
Användbarheten av artificiell intelligens för automatisk extraktion och bearbetning av kliniska data från elektroniska journaler (CardioMining-AI)
Studieöversikt
Status
Detaljerad beskrivning
Trots den snabba utvecklingen inom medicin och datavetenskap de senaste åren är den medicinska behandlingen i modern klinisk praxis ofta empirisk och baserad på retrospektiva data. Med det växande antalet patienter och deras koncentration till stora tertiära centra, blir det attraktivt att systematiskt samla in kliniska data och tillämpa dem på riskstratifieringsmodeller. Men med den ökande mängden data blir manuell datainsamling och bearbetning en utmaning, eftersom detta tillvägagångssätt är tidskrävande och kostsamt för sjukvårdssystemen. Dessutom skrivs ostrukturerad information, såsom kliniska anteckningar, mycket ofta som fritext som är olämplig för direkt analys. Användningen av artificiell intelligens är mycket lovande och kommer att snabbt förändra medicinens framtid under de kommande åren. Tack vare de automatiserade processer det erbjuder är det möjligt att snabbt och tillförlitligt extrahera data för vidare bearbetning. Resultaten från dess användning kan enkelt utvidgas till olika hälso- och sjukvårdssystem, vilket förstärker den kunskap som produceras och förbättrar diagnostisk och terapeutisk noggrannhet, och i slutändan positivt påverkar hälsovården. Att samla in den stora mängden data från olika källor utan att kompromissa med patienternas personuppgifter är en stor utmaning inom modern vetenskap.
Elektroniskt registrerade kliniska anteckningar om patienter som var inlagda på kardiologiska avdelningen på tertiära sjukhus kommer att samlas in i efterhand, liksom ytterligare filer såsom laboratorie- och bildundersökningar relaterade till varje sjukhusvistelse. Med tanke på storleken på de deltagande klinikerna och de år under vilka registrering av elektroniska sjukhusjournaler i elektronisk form har tillämpats, beräknas urvalet av patientjournaler bli cirka 60 000. All information som potentiellt kan användas för att identifiera en person, såsom namn, ID-nummer, postnummer, bostadsort, yrke, kommer att raderas från dessa elektroniska filer. Endast åldern kommer att registreras, inte det exakta födelsedatumet för varje patient. Endast inläggningsdagarna kommer att registreras och inte de exakta datumen för intagning och utskrivning från sjukhuset. Uppgifterna kommer alltså inte att kunna tilldelas ett specifikt ämne, eftersom ingen ytterligare information eller identifierare kommer att samlas in för försökspersonerna. Efter att filerna har anonymiserats kommer varje patients kliniska anteckning att länkas med en specifik nyckel ("identifierare"). Den elektroniska filen som innehåller korrelationen mellan "identifieraren" och patientens kliniska anteckning kommer att lagras på en säker sjukhus elektronisk plats. De helt anonymiserade filerna kommer initialt att analyseras manuellt för att extrahera information till en databas som innehåller alla patienters kliniska information, såsom utskrivningsdiagnoser, mediciner, behandlingsprotokoll, laboratorietester och diagnostiska tester. Samtidigt kommer ett prov (1/3) av de kliniska anteckningarna att analyseras för att identifiera nyckelord eller fraser som är associerade med varje diagnos (till exempel kommer förmaksflimmerdiagnosen troligen att registreras som "förmaksflimmer", "AF" , etc.). Genom att använda denna genererade ordbok med nyckelord och genom att integrera artificiell intelligensmetoder och textutvinning, såsom naturlig språkbehandling (NLP), kommer en automatiserad extrahering av data och diagnoser från dessa elektroniska medicinska anteckningar att försökas. Tillförlitligheten och noggrannheten hos beräkningsmetoderna kommer att utvärderas internt, och data som extraheras automatiskt jämförs med de som registreras manuellt. Dessutom kommer tillförlitligheten och noggrannheten hos dessa beräkningsmetoder att utvärderas externt, med tillämpning av dessa metoder på 2/3 av de kliniska anteckningarna där ingen koppling mellan nyckelord och specifika diagnoser försöktes.
När det gäller Grekland syftar denna studie till att vara den första som analyserar användbarheten av artificiell intelligens för automatiserad extraktion och bearbetning av ostrukturerade kliniska data från patienters medicinska kliniska anteckningar. Resultaten av denna studie kommer att ha en positiv inverkan på:
- automatisering av storskaliga dataanalys- och bearbetningsförfaranden
- snabb epidemiologisk registrering och användning av kliniska data
- tidig diagnos av sjukdomar
- utveckling av fenotypiska patientprofiler som kan dra nytta av riktade terapier
- utveckling av kliniska beslutsstödssystem som ska ge information om det möjliga kliniska förloppet hos patienter efter sjukhusutskrivning och hjälpa medicinska beslut
- utveckling och validering av prognostiska modeller för stora hjärt-kärlsjukdomar
Studietyp
Inskrivning (Förväntat)
Kontakter och platser
Studiekontakt
- Namn: George Giannakoulas, MD, PhD
- Telefonnummer: +30 2310994830
- E-post: ggiannakoulas@auth.gr
Studera Kontakt Backup
- Namn: Athanasios Samaras, MD
- Telefonnummer: +30 2310994830
- E-post: ath.samaras.as@gmail.com
Studieorter
-
-
-
Alexandroupoli, Grekland
- Har inte rekryterat ännu
- University Cardiology Clinic, Democritus University of Thrace
-
Kontakt:
- George Chalikias, MD, PhD
- E-post: gchaliki@med.duth.gr
-
Huvudutredare:
- Dimitrios Tziakas, MD, PhD
-
Athens, Grekland
- Rekrytering
- 1st Department of Cardiology, Hippokration General Hospital
-
Kontakt:
- George Lazaros, MD, PhD
- E-post: glaz35@hotmail.com
-
Huvudutredare:
- Konstantinos Tsioufis, MD, PhD
-
Heraklion, Grekland
- Har inte rekryterat ännu
- Department of Cardiology, Heraklion University Hospital
-
Kontakt:
- Alexandros Patrianakos, MD, PhD
- E-post: apatrianakos@yahoo.gr
-
Huvudutredare:
- Alexandros Patrianakos, MD, PhD
-
Ioannina, Grekland
- Har inte rekryterat ännu
- University Cardiology Clinic, University of Ioannina
-
Kontakt:
- Aikaterini Naka, MD, PhD
- E-post: drkknaka@gmail.com
-
Huvudutredare:
- Aikaterini Naka, MD, PhD
-
Larissa, Grekland
- Rekrytering
- University General Hospital of Larissa, University of Thessaly
-
Kontakt:
- Gregory Giamouzis, MD, PhD
- E-post: grgiamouzis@gmail.com
-
Huvudutredare:
- Gregory Giamouzis, MD, PhD
-
Patras, Grekland
- Rekrytering
- Department of Cardiology, University of Patras Medical School
-
Kontakt:
- Periklis Davlouros, MD, PhD
- E-post: pdav@upatras.gr
-
Huvudutredare:
- Periklis Davlouros, MD, PhD
-
Thessaloniki, Grekland
- Har inte rekryterat ännu
- 3rd Cardiology Department, Hippokration Hospital
-
Kontakt:
- Vassilios Vassilikos, MD, PhD
- E-post: vvassil@auth.gr
-
Huvudutredare:
- Vassilios Vassilikos, MD, PhD
-
Thessaloniki, Grekland
- Rekrytering
- Cardiology Department, George Papanikolaou General Hospital
-
Kontakt:
- John Zarifis, MD, PhD
- E-post: zarifis.john@gmail.com
-
Huvudutredare:
- John Zarifis, MD, PhD
-
Thessaloníki, Grekland, 54636
- Rekrytering
- 1st Cardiology Department, AHEPA University Hospital
-
Kontakt:
- Athanasios Samaras, MD, PhD
- E-post: ath.samaras.as@gmail.com
-
Huvudutredare:
- George Giannakoulas, MD, PhD
-
Thessaloníki, Grekland
- Rekrytering
- Laboratory of Medical Physics, Aristotle University of Thessaloniki
-
Kontakt:
- Panagiotis Bamidis, Prof
- E-post: pdbamidis@gmail.com
-
Huvudutredare:
- Panagiotis Bamidis, Prof
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Inlagda patienter på kardiologiska avdelningar i Grekland
- Patienter vars journaler lagras elektroniskt i respektive sjukhuss dator/informationssystem
Exklusions kriterier:
- Patienter som dog under sjukhusvistelsen och därmed inget utskrivningsbrev utfärdades
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Kohort
- Tidsperspektiv: Retrospektiv
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Noggrannhet av artificiell intelligens för att automatiskt extrahera kliniska data från patienters journaler jämfört med traditionella manuella dataextraktionsmetoder
Tidsram: 1 år
|
Hastighet för exakt extrahering av kliniska data (medicinsk historia, utskrivningsdiagnoser, medicinering, etc.) från ostrukturerade kliniska anteckningar med hjälp av automatiserade metoder för artificiell intelligens jämfört med traditionella metoder för manuell dataextraktion
|
1 år
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Dags för dödlighet av alla orsaker
Tidsram: upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Längden på tiden (månader) fram till döden av någon orsak under uppföljningsperioden
|
upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Dags att drabbas av allvarliga hjärt-kärlsjukdomar
Tidsram: upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Tidslängd (månader) fram till utveckling av hjärtsvikt, diabetes mellitus eller kranskärlssjukdom under uppföljningsperioden
|
upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Dags för återinläggning av kardiovaskulära skäl
Tidsram: upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Tidslängd (månader) fram till återinläggning av kardiovaskulära skäl under uppföljningsperioden
|
upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Dags för stroke eller systemisk emboli
Tidsram: upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Tidslängd (månader) fram till stroke eller systemisk emboli under uppföljningsperioden
|
upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Dags för akut kranskärlssyndrom
Tidsram: upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Tidslängd (månader) till akut kranskärlssyndrom under uppföljningsperioden
|
upp till 8 år (från sjukhusets utskrivning tills studiens primära slutdatum)
|
Samarbetspartners och utredare
Sponsor
Publikationer och användbara länkar
Allmänna publikationer
- Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi: 10.1038/s41746-017-0013-1. Epub 2018 Mar 21.
- Johnson KW, Torres Soto J, Glicksberg BS, Shameer K, Miotto R, Ali M, Ashley E, Dudley JT. Artificial Intelligence in Cardiology. J Am Coll Cardiol. 2018 Jun 12;71(23):2668-2679. doi: 10.1016/j.jacc.2018.03.521.
- Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T. Artificial Intelligence in Precision Cardiovascular Medicine. J Am Coll Cardiol. 2017 May 30;69(21):2657-2664. doi: 10.1016/j.jacc.2017.03.571.
- Boag W, Doss D, Naumann T, Szolovits P. What's in a Note? Unpacking Predictive Value in Clinical Note Representations. AMIA Jt Summits Transl Sci Proc. 2018 May 18;2017:26-34. eCollection 2018.
- Hashir M, Sawhney R. Towards unstructured mortality prediction with free-text clinical notes. J Biomed Inform. 2020 Aug;108:103489. doi: 10.1016/j.jbi.2020.103489. Epub 2020 Jun 25.
- Diller GP, Kempny A, Babu-Narayan SV, Henrichs M, Brida M, Uebing A, Lammers AE, Baumgartner H, Li W, Wort SJ, Dimopoulos K, Gatzoulis MA. Machine learning algorithms estimating prognosis and guiding therapy in adult congenital heart disease: data from a single tertiary centre including 10 019 patients. Eur Heart J. 2019 Apr 1;40(13):1069-1077. doi: 10.1093/eurheartj/ehy915.
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Förväntat)
Avslutad studie (Förväntat)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- 545/19.11.2021
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
IPD-delning som stöder informationstyp
- Studieprotokoll
- Statistisk analysplan (SAP)
- Analytisk kod
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .
Kliniska prövningar på Artificiell intelligens
-
Al Baraka Fertility HospitalAl-Azhar UniversityRekryteringARTIFICIAL INTELLIGENS (AI) APPLIKATIONER INOM REPRODUKTIV MEDICINEgypten