Forudsigelse af STN DBS motorisk respons i PD (DBS-PREDICT)
Maskinlæringsforudsigelse af motorisk respons efter STN DBS hos Parkinson-patienter, en retrospektiv multicentervalideringsundersøgelse
På trods af omhyggelig patientudvælgelse til subthalamisk nucleus deep brain stimulation (STN DBS), viser nogle patienter med Parkinsons sygdom (PD) begrænset forbedring af motorisk handicap. Ikke-afsluttende resultater og manglen på en praktisk implanterbar forudsigelsesalgoritme fra tidligere forudsigelsesstudier fastholder behovet for et simpelt værktøj til neurologer, der giver en pålidelig forudsigelse om postoperativ motorisk forbedring for individuelle patienter.
I denne undersøgelse er en tidligere udviklet forudsigelsesmodel for motorisk respons efter STN DBS hos PD-patienter valideret. Modellen genererer individuelle sandsynligheder for at blive en svag responder et år efter operationen. Modellen vil blive valideret i en valideringskohorte indsamlet fra flere internationale centre.
Den prædiktive model er gjort offentlig tilgængelig før dataindsamling på: https://github.com/jgvhabets/DBSPREDICT
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Forudsigelse af motorisk udfald efter STN DBS ved Parkinsons sygdom kan være udfordrende for klinikeren. Aktuelle forudsigelsesstudier rapporterer ikke-afsluttende resultater på de vigtigste prædiktorer og er begrænset af brugte beregningsmetoder. Traditionelle statistiske analyser, der fokuserer på korrelationer, er forudindtaget af efterforskernes prædiktor- og konfounderudvælgelse. Moderne beregningsmetoder som maskinlæringsforudsigelsesmodeller er mindre begrænset af stikprøvestørrelsen og kan overveje en bredere vifte af forudsigere, hvilket fører til mindre selektionsbias.
Retrospektive patientdata indsamles fra flere internationale centre. Denne retrospektive, multicenter kohorte bruges til at validere modellen, som er udviklet baseret på en enkelt-center retrospektiv kohorte.
Målet er at udvikle et forudsigelsesværktøj, der giver klinikeren en sandsynlighed for svag respons i den præoperative fase. Dette kunne støtte klinikeren i at inkludere eller informere patienten under præoperativ rådgivning.
Den prædiktive model er gjort offentlig tilgængelig før dataindsamling på: https://github.com/jgvhabets/DBSPREDICT.
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Limburg
-
Maastricht, Limburg, Holland, 6229 AZ
- MaastrichtUMC
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- gennemgik STN DBS for Parkinsons sygdom
- afsluttet et års opfølgning efter operationen
Ekskluderingskriterier:
- manglende data i postoperativ UPDRS II, III, IV
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Kohorte
- Tidsperspektiver: Tilbagevirkende kraft
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
multicenter valideringskohorte
Vi indsamler retrospektive data fra flere internationale centre, der indeholder præoperative variabler (demografiske og kliniske) og postoperative udfald (UPDRS II, III, IV) et år postoperativt, og fusionerer disse data til én valideringskohorte.
|
Generering af individuelle sandsynligheder for motorisk respons baseret på præoperative variable
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
areal under kurven for modtagerens operatørkurve
Tidsramme: et år efter operationen
|
Motorisk udfald er kategoriseret i en binær udfaldsvariabel. Modellen vil forudsige, hvilken udfaldsgruppe patienten vil tilhøre et år postoperativt. Det primære resultatmål er præstationen af de forudsagte udfaldskategorier med de faktiske udfaldskategorier. Forudsigelsesmodellers ydeevne udtrykkes som areal under kurven for modtageroperatørkurven, forudsigelsesnøjagtighed, sand positiv forudsigelsesrate og falsk positiv forudsigelsesrate. |
et år efter operationen
|
|
forudsigelig nøjagtighed
Tidsramme: et år efter operationen
|
Se beskrivelse primært resultat 1.
|
et år efter operationen
|
|
sand positiv forudsigelsesrate
Tidsramme: et år efter operationen
|
Se beskrivelse primært resultat 1.
|
et år efter operationen
|
|
falsk positive forudsigelsesrate
Tidsramme: et år efter operationen
|
Se beskrivelse primært resultat 1.
|
et år efter operationen
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- 2019-0739-A9
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
IPD-delingstidsramme
IPD-delingsadgangskriterier
IPD-deling Understøttende informationstype
- Studieprotokol
- Analytisk kode
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .