利用 EHR 进行人工智能驱动的癌症诊断和预测
2025年7月25日 更新者:Kang Zhang、The Eye Hospital of Wenzhou Medical University
使用电子健康记录进行基于人工智能的癌症诊断和预测
这是一项多中心的回顾性临床研究,旨在评估AI辅助预测模型在识别和诊断癌症的应用和有效性,利用多模式健康数据。
研究概览
详细说明
癌症诊断和早期检测对于改善患者的治疗结果和生存率至关重要。
癌症的早期识别和适当的干预可以显着影响治疗的成功和预后。
在临床实践中,肿瘤科医生经常需要整合各种患者数据,包括病史、实验室检查结果、CT扫描和MRI等影像数据以及遗传标记,以做出准确的诊断并制定个性化的治疗计划。
随着精准医学变得越来越重要,在早期阶段识别癌症仍然是一个挑战,特别是当症状轻微或不存在时。
人工智能和数据分析技术的最新进展在提高癌症检测的诊断准确性和速度方面显示出了巨大的希望。
本研究旨在通过整合电子健康记录、影像、实验室结果和遗传数据的多模态数据来开发人工智能辅助决策系统。
目标是提高诊断准确性,优化临床工作流程,并为癌症患者提供更个性化的治疗选择。
最终,该系统旨在改善早期检测、指导有效的治疗策略并提高患者的生存率。
研究类型
观察性的
注册 (估计的)
1000000
联系人和位置
本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。
学习联系方式
- 姓名:Fei Liu, MD
- 电话号码:+86 13810512704
- 邮箱:liufei_2359@163.com
学习地点
-
-
Guangdong
-
Guangzhou、Guangdong、中国
- 招聘中
- Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University
-
接触:
- Yunfang Yu, MD
- 电话号码:+86 020-81332199
- 邮箱:yuyf9@mail.sysu.edu.cn
-
Guangzhou、Guangdong、中国
- 招聘中
- Guangzhou Women and Children's Medical Center
-
接触:
- Bingzhou Li, MD
- 电话号码:+86-0756-2222569
- 邮箱:mr_jerry_99@163.com
-
Guangzhou、Guangdong、中国
- 招聘中
- Nanfang Hospital
-
接触:
- Zhuomin Li, MD
- 电话号码:+86-0577-85397527
- 邮箱:chetneyli.1001@gmail.com
-
Guangzhou、Guangdong、中国
- 招聘中
- Sun Yat-sen University Cancer Hospital
-
接触:
- Yuxing Lu, MD
- 电话号码:+86 13161233730
- 邮箱:yxlu0613@gmail.com
-
-
Sichuan
-
Chengdu、Sichuan、中国
- 招聘中
- West China Hospital
-
接触:
- Kai Wang, MD
- 电话号码:+86 028-85422114
- 邮箱:wkai@stu.pku.edu.cn
-
-
Zhejiang
-
Wenzhou、Zhejiang、中国
- 招聘中
- First Affiliated Hospital of Wenzhou Medical University
-
接触:
- Cheng Tang, MD
- 邮箱:c249325687@163.com
-
Wenzhou、Zhejiang、中国
- 招聘中
- Second Affiliated Hospital of Wenzhou Medical University
-
接触:
- Sian Liu, MD
- 电话号码:+86-0577-88002888
- 邮箱:liusan@mail3.sysu.edu.cn
-
-
参与标准
研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
是的
取样方法
非概率样本
研究人群
研究人群由在参与研究中心接受过护理的 0 至 90 岁个体组成。
参与者必须拥有全面的电子健康记录 (EHR),包括病史、实验室测试结果、影像数据和遗传信息(如果有)。
被诊断患有癌症(包括儿童和成人癌症)的个体和没有癌症病史的健康个体都将被纳入研究中,以评估人工智能辅助模型的诊断和预测能力。
该研究将重点关注参与中心拥有完整且记录在案的护理记录的患者,确保对不同年龄组和癌症类型进行分析的多样化队列。
描述
纳入标准:
1,具有全面电子健康记录(EHR)的患者,包括病史,实验室测试结果,成像数据和遗传数据(如果有)。
2. 没有严重认知障碍或妨碍其提供知情同意或参与研究的状况的个人。
3。父母或监护人必须为未成年人提供知情同意,而成年参与者必须为自己提供知情同意。
排除标准:
- 没有关键电子健康记录数据或随访数据不完全或缺失的患者。
- 患有严重认知障碍或其他最终疾病的人会阻止有意义的参与。
- 孕妇(虽然正在考虑小儿癌症,但出于安全原因,孕妇将被排除在外)。
学习计划
本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。
研究是如何设计的?
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
健康队列
该小组由没有任何诊断癌症的个体组成。
该队列的参与者将作为对照组与实验组进行比较。
该队列的干预措施或治疗将不给予干预措施,因为它们代表了健康个体的基准。
|
这种干预涉及一个人工智能系统,该系统集成了多模式数据,包括患者病史、实验室测试结果、成像数据和遗传信息,以预测癌症风险。
该系统利用深度学习算法提供实时、准确的预测,从而能够及早识别癌症风险。
通过分析历史健康数据,该模型旨在预测潜在的癌症发展,改善早期检测和治疗结果。
|
|
肿瘤队列
该群体由被诊断患有癌症的个体组成,包括各种类型的癌症。
该队列的参与者将作为实验组,评估早期预测模型在识别癌症风险和提高诊断准确性方面的有效性。
|
这种干预涉及一个人工智能系统,该系统集成了多模式数据,包括患者病史、实验室测试结果、成像数据和遗传信息,以预测癌症风险。
该系统利用深度学习算法提供实时、准确的预测,从而能够及早识别癌症风险。
通过分析历史健康数据,该模型旨在预测潜在的癌症发展,改善早期检测和治疗结果。
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
曲线下面积 (AUC)
大体时间:1年
|
ROC曲线的AUC,用于量化诊断精度。
没有单位(比率或百分比,通常表示为0到1之间的数字)。
|
1年
|
|
F1得分
大体时间:1年
|
F1得分是精度和灵敏度的谐波平均值(回忆)。
它可以很好地衡量该模型识别真正阳性并最大程度地减少误报的能力,尤其是在班级不平衡的情况下(例如,当健康病例的数量远高于疾病病例时)。
F1得分范围从0到1,1表示完美的精度和回忆。
|
1年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
灵敏度(真正的正速率)
大体时间:1年
|
灵敏度衡量了AI模型对真实阳性病例的识别程度,例如正确诊断并发症或鉴定新生儿疾病的孕妇。
|
1年
|
|
特异性(真正的负率)
大体时间:1年
|
特异性衡量AI模型正确识别没有疾病的病例的能力,以确保健康的母亲和婴儿正确地识别为阴性。
|
1年
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2025年1月19日
初级完成 (估计的)
2025年10月1日
研究完成 (估计的)
2025年10月1日
研究注册日期
首次提交
2025年1月19日
首先提交符合 QC 标准的
2025年1月19日
首次发布 (实际的)
2025年1月24日
研究记录更新
最后更新发布 (实际的)
2025年7月30日
上次提交的符合 QC 标准的更新
2025年7月25日
最后验证
2025年7月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.