AI-baseret Prædiktivt og Interventionelt System til Tidlig Opsporing af Risici for Non-compliance Med Oral Terapi hos Lymfompatienter. (LNH-AI-Tools)
AI-baseret Prædiktivt og Interventionelt System til Tidlig Opdagelse af Risici for Non-compliance med Oral Terapi hos Lymfompatienter, der Integrerer den Komplette Behandlingsvej og en Interoperabel Klinisk Grænseflade med Algoritmer Parret med Forklarlighedsværktøjer.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Undersøgelsestype
Undersøgelsestype
Tilmelding (Anslået)
Tilmelding
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Marie Detrait, MD, PhD
- Telefonnummer: 0032 60 11 20 08
- E-mail: marie.detrait@ghdc.be
Undersøgelse Kontakt Backup
- Navn: Aline Gillain, MedSciences
- Telefonnummer: 0032 60 11 00 89
- E-mail: aline.gillain@ghdc.be
Studiesteder
-
-
Hainaut
-
Charleroi, Hainaut, Belgien, 6060
- Rekruttering
- Grand Hôpital de Charleroi
-
Kontakt:
- Marie Detrait, MD, PhD
- Telefonnummer: 0032 60 11 20 08
- E-mail: marie.detrait@ghdc.be
-
Kontakt:
- Marie Detrait, MedSC
- Telefonnummer: 0032 60 11 00 89
- E-mail: aline.gillain@ghdc.be
-
Ledende efterforsker:
- Delphine Pranger, MD
-
Ledende efterforsker:
- Marie Detrait, MD, PhD
-
Underforsker:
- Stéphanie De Prophetis, Nurse
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Alle patienter på 18 år og derover, der behandles på Hematologiafdelingen på Grand Hôpital de Charleroi fra november 2025 og frem
- Behandlet for lymfom, ikke-Hodgkin
- I stand til at give informeret samtykke
Eksklusionskriterier:
- Alle andre patienter, der ikke opfyldte berettigelseskriterierne
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Retrospektiv kohorte
En retrospektiv kohorte fra 2019 til 2024 bestående af 350 lymfompatienter, som blev overvåget på en empirisk basis.
|
For den retrospektive gruppe på 20 patienter.
|
|
Prospektiv kohorte
En prospektiv kohortestudie, der involverer op til 210 på hinanden følgende patienter, med start i november 2025, med det formål at udvikle et beslutningsstøtteværktøj ved hjælp af maskinlæring.
|
Opfølgning af patienterne i den prospektive gruppe
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
ROC-AUC
Tidsramme: 2027
|
Beskrivelse: ROC-AUC: Receiver Operating Characteristic - Area Under the Curve er en ydeevnemåling for binære klassifikationsprediktionsalgoritmer. ROC-kurve: Plotter den sande positive rate (følsomhed) mod den falske positive rate (1-specificitet) ved forskellige klassifikationstærskler. AUC: Arealet under denne kurve (fra 0 til 1). En højere AUC indikerer bedre modelydelse - 1.0 er perfekt, 0.5 er tilfældig gætning. ROC-AUC evaluerer, hvor godt modellen skelner mellem klasser, uanset klassifikationstærsklen. Tidsramme: Når data vil være tilgængelige, i slutningen af 2027 |
2027
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
F1-score
Tidsramme: Når dataene vil være tilgængelige, i slutningen af 2027
|
F1-Score er en ydeevnemåling for klassifikationsalgoritmer, det harmoniske gennemsnit af Præcision (korrekte positive forudsigelser / samlede positive forudsigelser) og Recall (korrekte positive forudsigelser / faktiske positive). Formel: F1 = 2 × (Præcision × Recall) / (Præcision + Recall) Område: 0 til 1, hvor 1 er perfekt præcision og recall, og 0 er den værste. F1-Score afbalancerer præcision og recall, hvilket gør den ideel, når du skal undgå både falske positive og falske negative. |
Når dataene vil være tilgængelige, i slutningen af 2027
|
Andre resultatmål
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Genkald for den positive klasse
Tidsramme: 2027
|
Recall for the positive Class er en metrik for binær klassifikation, der besvarer: "Hvilken andel af faktiske positive blev korrekt identifieret af modellen?" Formel: Recall = Sande Positive / (Sande Positive + Falske Negative) Interval: 0 til 1, hvor 1 betyder, at alle positive blev korrekt forudsagt, og 0 betyder, at ingen blev det. Høj recall betyder, at modellen er god til at fange de fleste positive tilfælde, men den kan også inkludere flere falske positive. Det er afgørende, når det er dyrt at gå glip af en positiv (falsk negativ). |
2027
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Efterforskere
Efterforskere
- Ledende efterforsker: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Anslået)
Primær færdiggørelse
Studieafslutning (Anslået)
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
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- LNH-AI-Tools
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
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 .