此页面是自动翻译的，不保证翻译的准确性。请参阅 英文版 对于源文本。

AI-Agent 使用 EHR 和多模态数据进行自动诊断和预测

2025年4月16日 更新者：Kang Zhang、The Eye Hospital of Wenzhou Medical University

AI Agent辅助自动化，用于使用电子健康记录和多模式数据诊断和预测患者

这项临床研究的目标是评估 AI 代理使用电子健康记录 (EHR) 和多模态成像数据诊断和预测疾病的有效性。 人工智能代理利用先进的机器学习算法来处理和分析不同的健康数据源，旨在帮助医疗保健提供者做出更准确的诊断和预测。

研究概览

地位

招聘中

条件

详细说明

这项多中心的回顾性临床研究旨在评估AI代理在医疗决策过程中的应用和有效性。 AI代理集成和分析多模式数据，包括电子健康记录（EHR）和各种成像数据（例如X射线，MRIS，CT，CT扫描，超声检查），以预测和诊断一系列疾病。 通过利用机器学习和数据融合技术的功能，AI代理可以在大型且复杂的数据集中识别模式，提供可能通过传统诊断方法立即明显的见解。该研究将比较AI代理的诊断准确性和疾病预测能力采用传统的诊断实践来评估其在临床环境中的潜在收益。 关键问题包括AI代理是否可以帮助早期诊断，预测疾病进展并支持医疗保健专业人员做出个性化治疗决策。 不需要参与者接受任何其他干预措施；他们只会提供历史健康数据，包括EHR和相关成像数据，该数据将由AI代理进行分析。 然后，AI系统将使用此数据来通过基于多模式信息的分析提供预测和诊断建议来帮助医疗保健提供者。 最终目标是确定这种AI驱动的方法是否可以提高诊断准确性，优化治疗策略，并在临床实践中提高患者预后。

研究类型

观察性的

注册 (估计的)

2000000

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

学习地点

  • 中国
    • Guangdong
      • Guangzhou、Guangdong、中国
        • 招聘中
        • Sun Yat-sen Memorial Hospital
        • 接触：
      • Guangzhou、Guangdong、中国
      • Guangzhou、Guangdong、中国
        • 招聘中
        • Sun Yat-sen University Cancer Hospital
        • 接触：
    • Sichuan
      • Chengdu、Sichuan、中国
        • 招聘中
        • West China Hospital
        • 接触：
    • Zhejiang
      • Wenzhou、Zhejiang、中国
        • 招聘中
        • First Affiliated Hospital of Wenzhou Medical University
        • 接触：
      • Wenzhou、Zhejiang、中国
        • 招聘中
        • Second Affiliated Hospital of Wenzhou Medical University
        • 接触：

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

这项研究的参与者将从多个医疗中心和医院中选择，这些医院和医院保持全面的电子健康记录（EHR）和多模式成像数据。 研究人群将包括患有多种疾病或健康状况的患者，以及可用于诊断和疾病进展的数据。 参与者将根据临床记录或成像数据确认诊断，包括但不限于X射线，CT扫描，MRIS和Ultrasounds捕获的条件。 患有复杂健康状况的人和患有更常见疾病的人都将包括在广泛案例中评估AI系统的诊断和预测能力。这些中心的参与者将提供历史健康数据，并且将没有超出活动的积极干预措施使用其现有的临床和成像数据来培训和测试AI系统。

描述

纳入标准：

  1. 参与者必须拥有可用的全面电子健康记录（EHR），包括人口统计信息，病史和实验室结果。
  2. 参与者必须具有与其健康状况相关的可用多模式成像数据（例如X射线，CT扫描，MRI，MRI，超声波）。
  3. 参与者必须根据临床记录或影像数据对一种或多种疾病或健康状况进行确诊。
  4. 患者必须同意将其历史健康数据用于研究目的。

排除标准：

  1. 诊断不明确或无法验证且无法准确分类的参与者。
  2. 重复或冗余的患者数据（例如，同一患者的重复记录而没有明显的分化）。

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
使用EHR和成像数据的AI辅助疾病预测
该队列由患者组成，其历史健康数据，包括电子健康记录 (EHR) 和多模态成像数据（例如 X 射线、MRI、CT 扫描、超声波）将由 AI 代理进行分析。 人工智能系统将通过处理和整合这些不同的数据源来协助诊断和预测疾病。 主要重点是评估人工智能代理识别模式和高精度预测疾病进展的能力。 除了提供病史和影像数据外，参与者无需采取任何其他行动。 目的是评估人工智能系统如何更好地支持临床决策并根据提供的数据改善诊断结果。

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。

赞助

The Eye Hospital of Wenzhou Medical University

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)

2023年7月1日

初级完成 (估计的)

2025年7月1日

研究完成 (估计的)

2025年7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4月17日

上次提交的符合 QC 标准的更新

2025年4月16日

最后验证

2025年4月1日

更多信息

与本研究相关的术语

关键字

其他研究编号

  • AI-agent

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)？

不

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

在美国制造并从美国出口的产品

不

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.

订阅