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

Generativ AI:s påverkan på diagnos av komplikationer vid reumatoid artrit

22 december 2025 uppdaterad av: Quan Jiang, Guang'anmen Hospital of China Academy of Chinese Medical Sciences

Effekten av generativ artificiell intelligens på diagnostisering av reumatoid artrit-komplikationer

Generativ AI (GenAI) baserad på stora språkmodeller (LLMs) förväntas förbättra diagnos och behandling av autoimmuna sjukdomar. Vi studerar hur GenAI kan påverka diagnosen av olika komplikationer vid reumatoid artrit (RA). I en retrospektiv studie som använder RA-patienters EHR-poster kommer vi att kvantifiera läkares användning av GenAI-förutsägelser för RA-komplikationer och samsjukligheter. I en prospektiv observationsstudie kommer vi att utvärdera genomförbarheten av att använda GenAI-förutsägelser som ytterligare klinisk information för att hjälpa läkare att ställa mer kompletta diagnoser av RA-komplikationer och samsjukligheter, inklusive komplexa, ovanliga eller sällsynta tillstånd.

Studieöversikt

Status

Rekrytering

Betingelser

Intervention / Behandling

Studietyp

Observationell

Inskrivning (Beräknad)

100

Kontakter och platser

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

Studiekontakt

  • Namn: Quan Jiang Guang'anmen Hospital, China Academy of Chinese Medical Science
  • Telefonnummer: 010-88001942
  • E-post: doctorjq@126.com

Studieorter

  • Kina
    • Beijing Municipality
      • Beijing, Beijing Municipality, Kina, 100053
        • Rekrytering
        • Guang'anmen Hospital of China Academy of Chinese Medical Sciences
        • Kontakt:
        • Huvudutredare:
          • Quan Jiang, MD

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

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Vuxna manliga och kvinnliga RA-inpatienter som har vårdats på vår reumatologiska avdelning och som uppfyller 2010 års American College of Rheumatology (ACR)/European League Against Rheumatism (EULAR) klassificerings- och diagnostikkriterier för reumatoid artrit.

Beskrivning

Inklusionskriterier:

  • Patienter med en initial diagnos av reumatoid artrit (RA).
  • Alla verklighetsbaserade RA-inlagda patienter som vårdats på vår avdelning.
  • Inlagdning som skett inom den verklighetsbaserade datastudieperioden.

Exklusionskriterier:

  • Patienter som senare bekräftats inte ha RA under studiens gång.

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
RA-patientgrupp som använder generativa AI-prediktionsrapporter
Inläggna patienter med ny diagnos av reumatoid artrit på vår reumatologiska avdelning mellan 1 oktober 2025 och juni 2026 kommer att rekryteras för studien. Läkare kommer att använda GenAI-förutsägelser av potentiella RA-komplikationer och samsjukligheter, tillsammans med bekräftande diagnostiska tester, som ytterligare inmatningar i differentialdiagnosprocessen.
Övrig: Generativ AI prediktionsrapport för RA-komplikationer

Generativ AI baserad på flera stora språkmodeller (LLM) används för att förutsäga potentiella komplikationer och samtidiga sjukdomar hos patienter med reumatoid artrit med hjälp av EHR-data som finns tillgängliga vid inläggning. Läkare använder dessa AI-förutsägelser som ytterligare information för att justera sina diagnostiska planer under differentialdiagnos. Påverkan av denna intervention på de slutliga diagnoserna vid utskrivning kommer att mätas.

Innan den prospektiva studien kommer användbarheten av de generativa AI-förutsägningsrapporterna att valideras med hjälp av EHR-uppgifter från retrospektiva RA-patienter.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Kommer läkare att anamma GenAI-prognoser vid diagnostisering av RA-komplikationer?
Tidsram: Omedelbart efter att ha granskat patientens AI-rapport på inskrivningsdagen.
I den rutinmässiga vårdarbetsflödet används stora språkmodeller (LLMs) för att förutsäga potentiella RA-komplikationer för varje avidentifierat patientfall och generera en AI-rapport som listar möjliga komplikationer och samsjukdomar. Ytterligare diagnostiska tester föreslås för att verifiera de förutsedda tillstånden. Efter att ha granskat AI-rapporten utvärderar läkare omedelbart varje sjukdomsförutsägelse med hjälp av en 5-gradig Likertskala (1 = fullständig oenighet; 2 = oenighet; 3 = neutral; 4 = enighet; 5 = fullständig enighet). Medelvärdet beräknas som ett mått på upplevd förutsägelseexakthet. Läkare anger också om varje specifik sjukdomsförutsägelse potentiellt skulle kunna antas eller användas för att assistera differentialdiagnos (binärt: 0 eller 1). Andelen positiva antagningssvar beräknas som ett mått på potentiell antagningsgrad eller antagningsbarhet.
Omedelbart efter att ha granskat patientens AI-rapport på inskrivningsdagen.

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
I vilken utsträckning påverkas RA-komplikationsdiagnoser faktiskt av GenAI-förutsägelser?
Tidsram: Omedelbart efter att den slutliga diagnosen har ställts vid utskrivning.
Innan patienten skrivs ut gör läkarna slutliga diagnoser och registrerar vilka diagnosticerade komplikationer eller samsjukdomar som påverkades av GenAI-prediktionsinformation för varje patient. Procentandelen fall där GenAI-prediktioner påverkade den slutliga diagnosen beräknas som ett mått på AI:s faktiska inverkan på rutinmässig diagnostisk praxis.
Omedelbart efter att den slutliga diagnosen har ställts vid utskrivning.

Samarbetspartners och utredare

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

Sponsor

Guang'anmen Hospital of China Academy of Chinese Medical Sciences

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Användbara länkar

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 oktober 2025

Primärt slutförande (Beräknad)

1 februari 2026

Avslutad studie (Beräknad)

1 juni 2026

Studieregistreringsdatum

Först inskickad

28 september 2025

Först inskickad som uppfyllde QC-kriterierna

22 december 2025

Första postat (Faktisk)

24 december 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

24 december 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

22 december 2025

Senast verifierad

1 december 2025

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • 2025-201-KY

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

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