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

Förbättring av artificiell intelligens-drivna algoritmer för att uppskatta längd och vikt hos nyfödda och spädbarn upp till 6 månaders ålder (NEST) (NEST)

8 april 2026 uppdaterad av: Danone Asia Pacific Holdings Pte, Ltd.

Förbättring av artificiell intelligens-drivna algoritmer för att uppskatta längd och vikt hos nyfödda och spädbarn upp till 6 månaders ålder

NEST-studien är en prospektiv, observationsstudie som är utformad för att samla kliniska mätningar och bilddata för att utveckla och utvärdera artificiell intelligens (AI)-baserade algoritmer för att uppskatta antropometriska parametrar hos nyfödda och små spädbarn. Studien fokuserar på spädbarn från födseln upp till 6 månaders ålder och syftar till att bedöma noggrannheten hos AI-baserade uppskattningar av längd, vikt och huvudomkrets med hjälp av fotografier och/eller videoinspelningar som tas under rutinmässig klinisk vård. Dessa AI-baserade mätningar kommer att jämföras med standard kliniska mätningar som utförs av utbildade vårdpersonal inom neonatal- och spädbarnsvård.

Studieöversikt

Status

Rekrytering

Detaljerad beskrivning

NEST-studien är en prospektiv, observationskohortstudie utformad för att samla parade kliniska referensmätningar, bilddata och associerad klinisk information för att stödja utvecklingen och proof-of-concept-utvärderingen av artificiell intelligens (AI)-baserade algoritmer för att uppskatta antropometriska parametrar hos nyfödda och små spädbarn.

Standard kliniska antropometriska mätningar – inklusive spädbarnslängd, vikt och huvudomkrets – utförs av utbildade vårdpersonal i enlighet med platsstandards kliniska procedurer och etablerade neonatala mätningspraxis. Dessa mätningar fungerar som den kliniska referensstandarden för jämförelse med AI-härledda uppskattningar. Alla referensmätningar som samlas in som en del av rutinmässig klinisk vård under studieperioden kan registreras.

Parallellt med kliniska mätningar fångas icke-invasiv bilddata bestående av tvådimensionella fotografier och/eller videoinspelningar av spädbarnet med hjälp av digitala bildenheter. Bildinspelning sker under verkliga kliniska förhållanden och kräver inte ytterligare fysisk kontakt utöver rutinmässig vård. Bild- och videodata kan samlas in vid flera tidpunkter för en given deltagare, inklusive upprepade bedömningar under sjukhusvistelse eller uppföljning, där tillämpligt. Bildbaserade mätningar används inte för kliniska beslut.

AI-härledda uppskattningar jämförs mot standard kliniska referensmätningar med fördefinierade analytiska noggrannhets- och överensstämmelsemått.

Sekundära och explorativa mål inkluderar utvärdering av AI-modeller för ytterligare antropometriska parametrar, såsom vikt och huvudomkrets, samt bedömning av genomförbarheten för bildinspelning i neonatala och spädbarnsvårdsmiljöer. Undersökningsledar- och föräldrarrapporterade uppfattningar relaterade till användbarheten och acceptansen av bildbaserade mätningsmetoder utvärderas också.

För deltagare med laboratorietestresultat erhållna som en del av rutinmässig klinisk vård kan valda laboratorievärden registreras. I en delmängd av deltagare kan ytterligare bilddata samlas in för att stödja explorativ forskning relaterad till AI-baserad uppskattning av järnstatus. Inga ytterligare laboratorietester utförs som en del av studien.

Frågeformulärbaserad feedback samlas in från undersökningsledare och föräldrar eller vårdgivare om bildinspelningsprocessen och för att definiera acceptabla intervall för skillnader mellan AI-härledda uppskattningar och standard kliniska mätningar och/eller erfarenheter och uppfattningar relaterade till användningen av AI-drivna digitala verktyg för övervakning av spädbarnstillväxtparametrar och hälsa.

Alla studiedata kodas före analys. Bilddata och kliniska mätningar länkas med hjälp av studiespecifika deltagaridentifierare. Ingen ansiktsigenkänning eller identitetsverifiering utförs. Data lagras, bearbetas och analyseras i enlighet med godkända dataskydds- och sekretessåtgärder och tillämpliga regelkrav.

Studietyp

Observationell

Inskrivning (Beräknad)

60

Kontakter och platser

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

Studiekontakt

  • Namn: Amilia Sng, Senior Digital Health R&I Study Manager, MSc Pharmacology
  • Telefonnummer: +6594773284
  • E-post: amilia.sng@danone.com

Studera Kontakt Backup

Studieorter

      • Singapore, Singapore
        • Rekrytering
        • KK Women's and Children's Hospital
        • Kontakt:
          • Bin Huey Quek, MBBS

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

Tar emot friska volontärer

N/A

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Studiepopulationen består av nyfödda och spädbarn från födseln upp till 6 månaders ålder som är inlagda på en neonatal intensivvårdsavdelning (NICU) eller en neonatal specialavdelning (SCN). Berättigade deltagare inkluderar mycket för tidigt födda, måttligt till sent för tidigt födda och fullgångna barn som uppfyller studiens inklusionskriterier och vars föräldrar eller lagligt godkända företrädare ger skriftligt informerat samtycke. Deltagarna rekryteras under deras vistelse på NICU/SCN och följs prospektivt under hela deras sjukhusvistelse, upp till maximalt 10 veckor. Studien samlar in antropometriska mätningar samt bild- och videodata i samband med rutinmässig klinisk vård.

Beskrivning

Inklusionskriterier:

  1. Spädbarn från födseln upp till 6 månaders postnatal ålder (inklusive nyfödda) som har intagits på neonatalavdelningen eller specialvårdsavdelningen vid screeningtillfället
  2. Föräldrar bör kunna förstå studieinnehållet och vara villiga att deras barn genomgår video- och fotografering, samt att tillåta åtkomst till deras blodprovsresultat (hemoglobin) som tas som en del av standard klinisk praxis
  3. Skriftligt samtycke från föräldrar och/eller lagligt godkänd företrädare

Exklusionskriterier:

  1. Spädbarn som föddes med en gestationsålder på mindre än 28 veckor
  2. Spädbarn som är intuberade (dvs endotrakealt, nasotrakealt intuberade) vid screeningtillfället
  3. Undersökaren anser av någon anledning att deltagaren inte skulle vara lämplig för studien
  4. Deltagaren har en befintlig medicinsk åkomma som skulle förhindra standardiserad mätning av längd och/eller huvudomkrets, t.ex. strukturell abnormitet i nedre extremiteterna, ortopediska tillstånd, hydrocefalus
  5. Anställda och/eller barn/familjemedlemmar eller släktingar till anställda på Danone Global Research & Innovation Center, Danone Asia Pacific Holdings Pte Ltd, eller den deltagande platsen

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
Mycket för tidigt födda barn, måttligt till sent för tidigt födda barn, och fullgångna barn
Denna kohort inkluderar nyfödda och spädbarn från födseln upp till 6 månaders ålder, vilket omfattar mycket för tidigt födda (28-31 veckors graviditet), måttligt till sent för tidigt födda (32-36 veckors graviditet) och fullgångna spädbarn (≥37 veckors graviditet). Deltagare rekryteras prospektivt under deras vistelse på neonatal- eller spädbarnsvårdsavdelningar. Detta är en observationsstudie; inget undersökningspreparat eller terapeutisk intervention administreras. Studieprocedurer innefattar insamling av rutinmässiga kliniska antropometriska mätningar (längd, vikt och huvudomfång) samt fotografering och/eller videoinspelning för utveckling och utvärdering av artificiell intelligens-drivna algoritmer. All data samlas i samband med standard klinisk vård.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
För att utvärdera algoritmens noggrannhet att uppskatta längd (i cm)
Tidsram: Från inkludering (efter informerat samtycke) till utskrivning från neonatalvård/NICU, upp till maximalt 10 veckor
Det primära utfallet är proof-of-concept-noggrannheten för en artificiell intelligens (AI)-baserad algoritm för att uppskatta barnets längd på en neonatal intensivvårdsavdelning (NICU) eller på en särskild vårdavdelning för nyfödda (SCN). AI-härledda längduppskattningar (i centimeter) från liggande bilder och/eller videor jämförs med standard kliniska längdmätningar som utförs av utbildade forskare med hjälp av Världshälsoorganisationens (WHO) rekommenderade tekniker. Noggrannheten utvärderas med hjälp av ett sammansatt mått som inkluderar bias, medelabsolut fel, medelabsolut procentuellt fel och fördelningen av absoluta procentuella fel vid förutbestämda trösklar.
Från inkludering (efter informerat samtycke) till utskrivning från neonatalvård/NICU, upp till maximalt 10 veckor

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
För att utvärdera medelabsolutfelet hos algoritmen för att uppskatta vikt (i kg)
Tidsram: Från inskrivning (efter informerat samtycke) till utskrivning från NICU/SCN, upp till maximalt 10 veckor
Den sekundära utfallsmåttet är proof-of-concept-riktigheten hos en artificiell intelligens (AI)-baserad algoritm för att uppskatta spädbarnsvikt på en neonatal intensivvårdsavdelning (NICU) eller specialvårdssjukhus (SCN). AI-genererade viktuppskattningar (i kilogram) från supina bilder och/eller videor jämförs med standard kliniska viktmätningar som erhållits av utbildade forskare med hjälp av Världshälsoorganisationens (WHO) rekommenderade tekniker. Riktighet bedöms med ett sammansatt mått som inkluderar bias, medelabsolut fel, medelabsolut procentuellt fel och fördelningen av absoluta procentuella fel vid förutbestämda trösklar.
Från inskrivning (efter informerat samtycke) till utskrivning från NICU/SCN, upp till maximalt 10 veckor

Andra resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
För att utvärdera det genomsnittliga absoluta felet hos algoritmen för att uppskatta huvudomkrets (i cm)
Tidsram: Från inkludering (efter informerat samtycke) till utskrivning från neonatalavdelning/SCN, upp till maximalt 10 veckor
Det explorativa utfallet utvärderar proof-of-concept-accuracyn för en artificiell intelligens (AI)-baserad algoritm för att uppskatta spädbarnshuvudomkrets på en neonatal intensivvårdsavdelning (NICU) eller särskild vårdavdelning för nyfödda (SCN). AI-genererade huvudomkretsuppskattningar från bilder och/eller videor jämförs med standardiserade kliniska huvudomkretsmätningar utförda av utbildade forskare med hjälp av Världshälsoorganisationens (WHO) rekommenderade tekniker. Accuracyn bedöms deskriptivt med lämpliga felmått för att utforska genomförbarheten och den potentiella kliniska nyttan av bildbaserade AI-uppskattningsmetoder.
Från inkludering (efter informerat samtycke) till utskrivning från neonatalavdelning/SCN, upp till maximalt 10 veckor
Enkelhet att samla in bilder av utredaren för varje deltagare (Mycket lätt, Lätt, Normal, Svår, Mycket svår)
Tidsram: En gång per deltagare, före utskrivning från neonatalavdelning/spädbarnsvårdsavdelning (vid studieavslut) [1 dag]
Undersökningsledarens bedömning av hur enkelt det är att samla in bilderna
En gång per deltagare, före utskrivning från neonatalavdelning/spädbarnsvårdsavdelning (vid studieavslut) [1 dag]
Förväntad noggrannhetsnivå från undersökaren för längd [Mindre än eller lika med 1 cm, mindre än eller lika med 2 cm, mindre än eller lika med 3 cm, mindre än eller lika med 4 cm, mindre än eller lika med 5 cm, mer än 5 cm]
Tidsram: Per deltagare, vid studiens avslut (före utskrivning från neonatalavdelning/spädbarnsavdelning) [1 dag]
Den förväntade noggrannhetsnivån för de antropometriska mätningarna för längd
Per deltagare, vid studiens avslut (före utskrivning från neonatalavdelning/spädbarnsavdelning) [1 dag]
För att bedöma medelabsolutfelet för Iron-algoritmen för att uppskatta hemoglobinhalter (mg/dl) med hjälp av bildigenkänningsteknik
Tidsram: Vid inskrivning eller när rutinmässiga kliniska hemoglobinresultat blir tillgängliga under vistelsen på neonatalavdelning/SCN (enda tidpunkten) [1 dag]
Detta utforskande utfall utvärderar proof-of-concept (POC)-noggrannheten för en artificiell intelligens (AI)-baserad algoritm för att uppskatta hemoglobinhalter (Iron AI) på en neonatal intensivvårdsavdelning (NICU) eller en särskild vårdavdelning för nyfödda (SCN). AI-genererade hemoglobinuppskattningar (g/dL), som genereras från bilder och/eller videor som samlats in som en del av studien, jämförs med hemoglobinvärden som erhållits från standard venös blodprovstagning som utförs som en del av rutinmässig klinisk vård. Noggrannheten bedöms med hjälp av ett sammansatt mått som inkluderar bias, medelabsolut fel, medelabsolut procentuellt fel och fördefinierade percentiler av absolut procentuellt fel. Detta utfall är utforskande och beskrivande till sin natur.
Vid inskrivning eller när rutinmässiga kliniska hemoglobinresultat blir tillgängliga under vistelsen på neonatalavdelning/SCN (enda tidpunkten) [1 dag]

Samarbetspartners och utredare

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

Utredare

  • Huvudutredare: Bin Huey Quek, MBBS, KK Women's and Children's Hospital, Singapore

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)

26 mars 2026

Primärt slutförande (Beräknad)

1 oktober 2026

Avslutad studie (Beräknad)

1 oktober 2026

Studieregistreringsdatum

Först inskickad

26 mars 2026

Först inskickad som uppfyllde QC-kriterierna

1 april 2026

Första postat (Faktisk)

7 april 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

13 april 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

8 april 2026

Senast verifierad

1 april 2026

Mer information

Termer relaterade till denna studie

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

IPD-planbeskrivning

Individuella deltagardata kommer inte att delas. Data som samlas in i denna studie kommer endast att användas för de ändamål som beskrivs i protokollet och hanteras i enlighet med tillämpliga dataskyddsförordningar och databehandlingsavtal.

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