AI prediktivní a intervenční systém pro včasnou detekci rizik nedodržování léčby u pacientů s lymfomy. (LNH-AI-Tools)
AI-bazovaný prediktivní a intervenční systém pro včasnou detekci rizik nedodržování léčby u pacientů s lymfomem, integrující kompletní cestu péče a interoperabilní klinické rozhraní s algoritmy spojenými s nástroji pro vysvětlitelnost.
Přehled studie
Postavení
Podmínky
Intervence / Léčba
Detailní popis
Typ studie
Zápis (Odhadovaný)
Kontakty a umístění
Studijní kontakt
- Jméno: Marie Detrait, MD, PhD
- Telefonní číslo: 0032 60 11 20 08
- E-mail: marie.detrait@ghdc.be
Studijní záloha kontaktů
- Jméno: Aline Gillain, MedSciences
- Telefonní číslo: 0032 60 11 00 89
- E-mail: aline.gillain@ghdc.be
Studijní místa
-
-
Hainaut
-
Charleroi, Hainaut, Belgie, 6060
- Nábor
- Grand Hôpital de Charleroi
-
Kontakt:
- Marie Detrait, MD, PhD
- Telefonní číslo: 0032 60 11 20 08
- E-mail: marie.detrait@ghdc.be
-
Kontakt:
- Marie Detrait, MedSC
- Telefonní číslo: 0032 60 11 00 89
- E-mail: aline.gillain@ghdc.be
-
Vrchní vyšetřovatel:
- Delphine Pranger, MD
-
Vrchní vyšetřovatel:
- Marie Detrait, MD, PhD
-
Dílčí vyšetřovatel:
- Stéphanie De Prophetis, Nurse
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Inkluzní kritéria:
- Všichni pacienti ve věku 18 let a starší, kteří jsou léčeni na oddělení hematologie ve Velké nemocnici Charleroi od listopadu 2025
- Léčeni na lymfom, non-Hodgkinův
- Schopni poskytnout informovaný souhlas
Vylučovací kritéria:
- Všichni ostatní pacienti, kteří nesplnili kritéria způsobilosti
Studijní plán
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
|---|---|
|
Retrospektivní kohorta
Retrospektivní kohorta z let 2019 až 2024 zahrnující 350 pacientů s lymfomem, kteří byli monitorováni na empirickém základě.
|
Pro retrospektivní skupinu 20 pacientů.
|
|
Prospektivní kohorta
Prospektivní kohortní studie zahrnující až 210 po sobě jdoucích pacientů, začínající v listopadu 2025, s cílem vyvinout rozhodovací nástroj využívající strojové učení.
|
Následné sledování pacientů pro prospektivní skupinu
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
ROC-AUC
Časové okno: 2027
|
Popis: ROC-AUC : Receiver Operating Characteristic - Area Under the Curve je metrika výkonu pro binární klasifikační prediktivní algoritmy. ROC křivka: Zobrazuje True Positive Rate (senzitivitu) proti False Positive Rate (1-specificita) při různých klasifikačních prahových hodnotách. AUC: Plocha pod touto křivkou (v rozmezí od 0 do 1). Vyšší AUC znamená lepší výkon modelu - 1,0 je perfektní, 0,5 je náhodné hádání. ROC-AUC hodnotí, jak dobře model rozlišuje mezi třídami, bez ohledu na klasifikační prahovou hodnotu. Časový rámec: Kdy budou data k dispozici, na konci roku 2027 |
2027
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
F1-skóre
Časové okno: Až budou data k dispozici, koncem roku 2027
|
F1-Score je metrika výkonnosti pro klasifikační algoritmy, harmonický průměr přesnosti (správné pozitivní predikce / celkové pozitivní predikce) a úplnosti (správné pozitivní predikce / skutečné pozitivní případy). Vzorec: F1 = 2 × (Přesnost × Úplnost) / (Přesnost + Úplnost) Rozsah: 0 až 1, kde 1 znamená dokonalou přesnost a úplnost a 0 nejhorší možný výsledek. F1-Score vyvažuje přesnost a úplnost, což ho činí ideálním, když potřebujete vyhnout se jak falešně pozitivním, tak falešně negativním výsledkům. |
Až budou data k dispozici, koncem roku 2027
|
Další výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Připomínka pro pozitivní třídu
Časové okno: 2027
|
Citlivost (Recall) pro pozitivní třídu je metrika pro binární klasifikaci, která odpovídá na otázku: „Jaký podíl skutečných pozitivních případů byl modelem správně identifikován?“ Vzorec: Citlivost = Pravdivé pozitivní případy / (Pravdivé pozitivní případy + Nepravdivé negativní případy) Rozsah: 0 až 1, kde 1 znamená, že všechny pozitivní případy byly správně predikovány, a 0 znamená, že žádný nebyl. Vysoká citlivost znamená, že model je dobrý v zachycení většiny pozitivních případů, ale může také zahrnovat více falešně pozitivních případů. Je klíčová, když je vynechání pozitivního případu (nepravdivý negativní) nákladné. |
2027
|
Spolupracovníci a vyšetřovatelé
Sponzor
Vyšetřovatelé
- Vrchní vyšetřovatel: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Odhadovaný)
Dokončení studie (Odhadovaný)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
Další identifikační čísla studie
- LNH-AI-Tools
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Popis plánu IPD
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .