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

AI-assisterat medicinskt beslutsfattande

27 februari 2025 uppdaterad av: Kang Zhang, The Eye Hospital of Wenzhou Medical University

En kohortstudie för att utvärdera en artificiell intelligensmodell för att hjälpa medicinskt beslut med hjälp av realtidssjukhusomfattande elektroniska hälsorekorddata

Denna studie bygger och tillämpar en AI -modell för att hjälpa läkare att förutsäga patientdiagnoser och resultat, som överlevnad eller sjukhusvistelse. Vi kommer att använda realtid, multimodal data (labb, vitala tecken, historia, avbildning) från sjukhusregister. Patienter kommer att spåras för att jämföra AI: s prestanda med standardvård. Målet är att förbättra diagnosen och behandlingsnoggrannheten i en verklig, prospektiv studie.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Denna studie syftar till att bygga och tillämpa en konstgjord intelligensmodell (AI) för att hjälpa läkare att förutsäga patientdiagnoser och resultat, såsom överlevnad eller sjukhusvistelse. Vi kommer att registrera patienter över hela sjukhuset och använda realtid, multimodal hälsodata inklusive labbresultat, vitala tecken, medicinsk historia och avbildning från elektroniska hälsoregister. Studien kommer att följa deltagarna för att utvärdera AI -modellens prestanda mot standardpraxis. Vårt mål är att förbättra diagnosens och behandlingarnas noggrannhet och hastighet, förbättra patientvård. Denna prospektiva studie testar modellen i verkliga sjukhusinställningar.

Studietyp

Observationell

Inskrivning (Beräknad)

50000000

Kontakter och platser

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

Studiekontakt

Studieorter

  • Kina
    • 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

Denna studie inkluderar alla patienter som är inlagda på någon sjukhusavdelning, med realtids elektroniska hälsoredata (t.ex. laboratorier, vitala tecken, historia, avbildning). Deltagarna måste samtycka till datainsamling.

Beskrivning

Inkluderingskriterier:

  1. Patienter som antogs på alla avdelningar på sjukhuset (t.ex. ICU, allmänna avdelningar, nödsituationer, polikliniska tjänster) under studieperioden.
  2. Patienter med tillgänglig realtids elektroniska hälsorekord (EHR), inklusive minst två av följande: laboratorieresultat, vitala tecken, medicinsk historia och avbildningsdata.

Uteslutningskriterier:

Patienter registrerade sig för närvarande i en annan klinisk prövning som kan störa datainsamling eller resultat i denna studie.

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
Sjukhuskohort
Övrig: AI-associerad strategi
Interventionen i denna studie involverar ett AI-system som utnyttjar multimodal datafusion för att stödja det kliniska beslutsfattandet och utvärderingen av sjukdomar. Patienter i denna kohort kommer att genomgå standardundersökningar, med kliniska beslut som styrs av de rekommendationer som genereras av AI -systemet.

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
Övergripande förbättring av sjukhusresurser
Tidsram: 1 år
Den procentuella minskningen av den totala användning av sjukhusresurser (t.ex. sängdagar, ICU-antagningar, diagnostiska tester) tillskrivs AI-assisterat beslutsfattande, uttryckt i procent.
1 år
Diagnostisk noggrannhetsförbättring
Tidsram: 1 år
Den övergripande förbättringen av diagnostisk noggrannhet mellan alla sjukhuspatienter (t.ex. procentandel av korrekta diagnoser eller minskning av feldiagnoser) underlättade av AI -modellen, uttryckt i procent eller förhållande.
1 år
Systemomfattande minskning av biverkningarna
Tidsram: 1 år
Den procentuella minskningen av stora biverkningar (t.ex. dödlighet, allvarliga komplikationer eller långvariga vistelser) över alla sjukhuspatienter på grund av AI-assisterat beslutsfattande, uttryckt i procent.
1 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Övergripande förbättring av sjukhuspatientens resultat
Tidsram: 1 år
Den sammanlagda förbättringen av viktiga patientresultat (t.ex. dödlighet, sjuklighet, återhämtningsgrader) över hela sjukhuspopulationen på grund av AI-assisterat beslutsfattande, uttryckt som en sammansatt poäng eller procent.
1 år
Förbättring av sjukvårdssystemets effektivitet
Tidsram: 1 år
Den totala förbättringen av operationell effektivitet i sjukhuset (t.ex. minskade väntetider, optimerad resursallokering, minskad personalarbetsbelastning) tillskrivs AI -modellen, uttryckt som en procentuell eller kvalitativ betyg.
1 år
Befolkningshälsoeffekt poäng
Tidsram: 1 år
En sammansatt poäng som återspeglar AI -modellens effekt på befolkningshälsa inom sjukhusets avrinningsområde (t.ex. minskad sjukdomsbörda, förbättrad hantering av kronisk sjukdom), uttryckt som ett standardiserat index eller procentuell förändring.
1 år
Långsiktig folkhälsoförmånsindex
Tidsram: 1 år
Ett sammansatt index som mäter AI-modellens långsiktiga bidrag till folkhälsan (t.ex. minskad sjukdomsprevalens, förbättrad livslängd), uttryckt som en standardiserad poäng eller procentuell förbättring.
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)

24 februari 2025

Primärt slutförande (Beräknad)

1 juni 2026

Avslutad studie (Beräknad)

1 juni 2026

Studieregistreringsdatum

Först inskickad

24 februari 2025

Först inskickad som uppfyllde QC-kriterierna

24 februari 2025

Första postat (Faktisk)

25 mars 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

25 mars 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

27 februari 2025

Senast verifierad

1 februari 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Andra studie-ID-nummer

  • AI Prediction

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