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

AI-agent för automatiserad diagnos och förutsäga användning av EHR och multimodal data

16 april 2025 uppdaterad av: Kang Zhang, The Eye Hospital of Wenzhou Medical University

AI-agent assisterad automatisering för att diagnostisera och förutsäga patienter som använder elektroniska hälsoregister och multimodal data

Målet med denna kliniska studie är att utvärdera effektiviteten hos ett AI -medel för att diagnostisera och förutsäga sjukdomar med hjälp av Electronic Health Records (EHR) och multimodal avbildningsdata. AI -agenten utnyttjar avancerade maskininlärningsalgoritmer för att bearbeta och analysera olika hälsodatakällor, som syftar till att hjälpa vårdgivare att göra mer exakta diagnoser och förutsägelser.

Studieöversikt

Status

Rekrytering

Betingelser

Detaljerad beskrivning

Denna multicenter, retrospektiva kliniska studie är utformad för att utvärdera tillämpningen och effektiviteten hos en AI-agent i den medicinska beslutsprocessen. AI-agenten integrerar och analyserar multimodala data, inklusive elektroniska hälsoregister (EHR) och olika avbildningsdata (t.ex. röntgenstrålar, MRI, CT-skanningar, ultraljud) för att förutsäga och diagnostisera en rad sjukdomar. Genom att utnyttja kraften i maskininlärning och datafusionstekniker kan AI -agenten identifiera mönster i stora och komplexa datasätt, och erbjuda insikter som kanske inte omedelbart framgår genom traditionella diagnostiska metoder. Studien kommer att jämföra AI -agentens diagnostiska noggrannhet och sjukdomsförutsägelsefunktioner med traditionella diagnostiska metoder för att bedöma dess potentiella fördelar i kliniska miljöer. Viktiga frågor inkluderar om AI -agenten kan hjälpa till med tidig diagnos, förutsäga sjukdomens progression och stödja sjukvårdspersonal i att fatta personliga behandlingsbeslut. Deltagarna kommer inte att behöva genomgå några ytterligare interventioner; De kommer bara att tillhandahålla historiska hälsodata, inklusive EHR och relevanta avbildningsdata, som kommer att analyseras av AI -agenten. AI -systemet kommer sedan att använda dessa data för att hjälpa sjukvårdsleverantörer genom att erbjuda förutsägelser och diagnostiska förslag baserade på analysen av den multimodala informationen. Det ultimata målet är att avgöra om detta AI-driven strategi kan förbättra diagnostisk noggrannhet, optimera behandlingsstrategier och förbättra patientens resultat i klinisk praxis.

Studietyp

Observationell

Inskrivning (Beräknad)

2000000

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
        • Kontakt:
      • Guangzhou, Guangdong, Kina
      • 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

Deltagarna för denna studie kommer att väljas från flera sjukvårdscentra och sjukhus som upprätthåller omfattande elektroniska hälsoregister (EHR) och multimodal avbildning. Studiepopulationen kommer att inkludera patienter som har olika sjukdomar eller hälsotillstånd, med data tillgängliga för diagnos och sjukdomsprogression. Deltagarna kommer att ha bekräftat diagnoser baserade på kliniska register eller avbildningsdata, inklusive men inte begränsat till förhållanden som fångats av röntgenstrålar, CT-skanningar, MRI och ultraljud. Både de med komplexa hälsotillstånd och de med vanligare sjukdomar kommer att inkluderas för att utvärdera AI -systemets diagnostiska och förutsägbara förmågor över ett brett spektrum av fall. Deltagare från dessa centra kommer att tillhandahålla historisk hälsodata, och det kommer inte att finnas någon aktiv intervention utöver Användning av deras befintliga kliniska och avbildningsdata för utbildning och testning av AI -systemet.

Beskrivning

Inklusionskriterier:

  1. Deltagarna måste ha omfattande elektroniska hälsoregister (EHR) tillgängliga, inklusive demografisk information, medicinsk historia och laboratorieresultat.
  2. Deltagarna måste ha tillgängliga multimodala avbildningsdata (t.ex. röntgen, datortomografi, MRI, ultraljud) som är relevanta för deras hälsotillstånd.
  3. Deltagarna måste ha en bekräftad diagnos av en eller flera sjukdomar eller hälsotillstånd baserat på kliniska journaler eller bilddata.
  4. Patienter måste ge samtycke för att använda sina historiska hälsodata för forskningsändamål.

Uteslutningskriterier:

  1. Deltagare med tvetydiga eller icke verifierbara diagnoser som inte kan kategoriseras exakt.
  2. Duplicerade eller redundanta patientdata (t.ex. upprepade registreringar av samma patient utan tydlig differentiering).

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
AI-assisterad sjukdomsprognos med EHR och avbildningsdata
Denna kohort består av patienter vars historiska hälsodata, inklusive elektroniska hälsoregister (EHR) och multimodal avbildningsdata (t.ex. röntgenstrålar, MRI, CT-skanningar, ultraljud), kommer att analyseras med ett AI-medel. AI -systemet hjälper till att diagnostisera och förutsäga sjukdomar genom att bearbeta och integrera dessa olika datakällor. Det primära fokuset är att utvärdera AI -agens förmåga att identifiera mönster och förutsäga sjukdomens progression med hög noggrannhet. Deltagarna kommer inte att behöva vidta några ytterligare åtgärder utöver att tillhandahålla sin medicinska historia och avbildningsdata. Målet är att bedöma hur väl AI-systemet kan stödja kliniskt beslutsfattande och förbättra diagnostiska resultat baserat på de tillhandahållna uppgifterna.

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)

1 juli 2023

Primärt slutförande (Beräknad)

1 juli 2025

Avslutad studie (Beräknad)

1 juli 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)

17 april 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

16 april 2025

Senast verifierad

1 april 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Andra studie-ID-nummer

  • AI-agent

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