Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

AI-driven cancerdiagnos och förutsägelse med EPJ

25 juli 2025 uppdaterad av: Kang Zhang, The Eye Hospital of Wenzhou Medical University

AI-baserad cancerdiagnos och förutsägelse med elektroniska hälsoregister

Detta är en multicenter, retrospektiv klinisk studie utformad för att utvärdera tillämpningen och effektiviteten av en AI-assisterad prediktiv modell för att identifiera och diagnostisera cancer, utnyttja multimodal hälsodata.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Cancerdiagnos och tidig upptäckt är avgörande för att förbättra patientens resultat och överlevnad. Tidig identifiering av cancer och lämplig intervention kan påverka framgång och prognos för behandling avsevärt. I klinisk praxis behöver onkologer ofta integrera en mängd olika patientdata, inklusive medicinsk historia, laboratorietestresultat, avbildning av data som CT -skanningar och MRI och genetiska markörer, för att göra en exakt diagnos och utveckla en personlig behandlingsplan. När precisionsmedicinen blir allt viktigare återstår utmaningen att identifiera cancer i tidiga stadier, särskilt när symtomen är subtila eller frånvarande. Nya framsteg inom konstgjord intelligens och dataanalysstekniker har visat stort löfte om att förbättra diagnostisk noggrannhet och hastighet för cancerupptäckt. Denna studie syftar till att utveckla ett AI-assisterat beslutssystem genom att integrera multimodala data från elektroniska hälsoregister, avbildning, laboratorieresultat och genetiska data. Målet är att förbättra diagnostisk noggrannhet, optimera kliniska arbetsflöden och ge mer personliga behandlingsalternativ för cancerpatienter. I slutändan försöker detta system förbättra tidig upptäckt, vägleda effektiva behandlingsstrategier och förbättra patientens överlevnad.

Studietyp

Observationell

Inskrivning (Beräknad)

1000000

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studieorter

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
        • Kontakt:
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Guangzhou Women and Children's Medical Center
        • Kontakt:
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Nanfang Hospital
        • Kontakt:
      • Guangzhou, Guangdong, Kina
        • Rekrytering
        • Sun Yat-sen University Cancer Hospital
        • Kontakt:
    • Sichuan
      • Chengdu, Sichuan, Kina
        • Rekrytering
        • West China Hospital
        • Kontakt:
    • Zhejiang
      • Wenzhou, Zhejiang, Kina
        • Rekrytering
        • First Affiliated Hospital of Wenzhou Medical University
        • Kontakt:
      • Wenzhou, Zhejiang, Kina
        • Rekrytering
        • Second Affiliated Hospital of Wenzhou Medical University
        • Kontakt:

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Ja

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Studiepopulationen består av individer i åldrarna 0 till 90 år som har fått vård på deltagande studiecentra. Deltagarna måste ha omfattande elektroniska hälsojournaler (EHR) tillgängliga, inklusive medicinsk historia, laboratorietestresultat, bilddata och genetisk information (om tillgänglig). Både individer som diagnostiserats med cancer (inklusive pediatriska och vuxna cancerformer) och friska individer utan cancerhistoria kommer att inkluderas i studien för att utvärdera den AI-assisterade modellens diagnostiska och prediktiva förmåga. Studien kommer att fokusera på patienter med fullständiga och dokumenterade vårdjournaler från de deltagande centra, vilket säkerställer en mångsidig kohort för analys över olika åldersgrupper och cancertyper.

Beskrivning

Inkluderingskriterier:

1 、 Patienter med omfattande elektroniska hälsoregister (EHR), inklusive medicinsk historia, laboratorietestresultat, avbildningsdata och genetiska data (om tillgängliga).

2. Individer utan allvarliga kognitiva funktionsnedsättningar eller tillstånd som skulle hindra dem från att ge informerat samtycke eller delta i studien.

3. Föräldrar eller vårdnadshavare måste ge informerat samtycke för minderåriga, medan vuxna deltagare måste ge informerat samtycke för sig själva.

Uteslutningskriterier:

  1. Patienter med ofullständiga eller saknade viktiga elektroniska journaldata eller otillräckliga uppföljningsdata.
  2. Individer med allvarliga kognitiva störningar eller andra terminala sjukdomar som skulle förhindra meningsfullt deltagande.
  3. Gravida kvinnor (även om pediatriska cancerformer övervägs skulle gravida kvinnor uteslutas av säkerhetsskäl).

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
Frisk kohort
Denna grupp består av individer utan någon diagnostiserad cancer. Deltagare i denna kohort kommer att fungera som kontrollgrupp för jämförelse med experimentgruppen. Inga ingripanden eller behandlingar kommer att administreras till denna kohort, eftersom de representerar en baslinje av friska individer.
Diagnostiskt test: AI-baserad diagnostisk och prognostisk modell
Denna intervention involverar ett AI-system som integrerar multimodala data, inklusive patientens medicinska historia, laboratorietestresultat, bilddata och genetisk information, för att förutsäga risken för cancer. Systemet använder algoritmer för djupinlärning för att ge korrekta förutsägelser i realtid, vilket möjliggör tidig identifiering av cancerrisker. Genom att analysera historiska hälsodata syftar modellen till att förutsäga potentiell cancerutveckling, förbättra tidig upptäckt och behandlingsresultat.
Tumörkohort
Denna grupp består av individer som diagnostiserats med cancer, inklusive olika typer. Deltagare i denna kohort kommer att fungera som den experimentella gruppen för att utvärdera effektiviteten hos den tidiga förutsägelsemodellen för att identifiera cancerrisker och förbättra diagnostisk noggrannhet.
Diagnostiskt test: AI-baserad diagnostisk och prognostisk modell
Denna intervention involverar ett AI-system som integrerar multimodala data, inklusive patientens medicinska historia, laboratorietestresultat, bilddata och genetisk information, för att förutsäga risken för cancer. Systemet använder algoritmer för djupinlärning för att ge korrekta förutsägelser i realtid, vilket möjliggör tidig identifiering av cancerrisker. Genom att analysera historiska hälsodata syftar modellen till att förutsäga potentiell cancerutveckling, förbättra tidig upptäckt och behandlingsresultat.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Area Under the Curve (AUC)
Tidsram: 1 år
AUC för ROC -kurvan, som används för att kvantifiera diagnostisk noggrannhet. Ingen enhet (ett förhållande eller procentandel, vanligtvis uttryckt som ett nummer mellan 0 och 1).
1 år
F1 -poäng
Tidsram: 1 år
F1-poängen är det harmoniska medelvärdet av precision och känslighet (återkallelse). Det är ett bra mått på modellens förmåga att identifiera både sanna positiva och minimera falska positiva, särskilt i fall där klasserna är obalanserade (t.ex. när antalet friska fall är mycket högre än sjukdomsfall). F1-poängen sträcker sig från 0 till 1, där 1 indikerar perfekt precision och återkallelse.
1 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Känslighet (True Positive Rate)
Tidsram: 1 år
Känslighet mäter hur väl AI -modellen identifierar verkliga positiva fall, såsom att korrekt diagnostisera gravida kvinnor med komplikationer eller identifiera neonatala störningar.
1 år
Specificitet (sann negativ hastighet)
Tidsram: 1 år
Specificitet mäter förmågan hos AI -modellen att korrekt identifiera fall utan sjukdomar, vilket säkerställer att friska mödrar och spädbarn är korrekt identifierade som negativa.
1 år

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

The Eye Hospital of Wenzhou Medical University

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

19 januari 2025

Primärt slutförande (Beräknad)

1 oktober 2025

Avslutad studie (Beräknad)

1 oktober 2025

Studieregistreringsdatum

Först inskickad

19 januari 2025

Först inskickad som uppfyllde QC-kriterierna

19 januari 2025

Första postat (Faktisk)

24 januari 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

30 juli 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

25 juli 2025

Senast verifierad

1 juli 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • Cancer

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

produkt tillverkad i och exporterad från U.S.A.

Nej

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 .

Prenumerera