Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

En ny maskinlæringsalgoritme til at forudsige Lewy Body-demens (MLDLB)

8. september 2020 opdateret af: Anastasia Bougea, National and Kapodistrian University of Athens

En ny maskinlæringsalgoritme til at forudsige Lewy Body-demens ved hjælp af kliniske og neuropsykologiske resultater

Parkinsons sygdom demens (PDD) og demens med lewy bodies (DLB) er demenssyndromer, der overlapper hinanden i mange kliniske træk, hvilket gør deres diagnose vanskelig i klinisk praksis, især i fremskredne stadier. Vi foreslår en maskinlæringsalgoritme, som kun er baseret på ikke-invasivt og let indsamlede prædiktorer i klinikken, for at identificere disse lidelser med en høj prognostisk ydeevne.

Studieoversigt

Status

Ukendt

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Algoritmen vil blive udviklet ved hjælp af datasæt fra to specialiserede hukommelsescentre, ved at anvende en prøve af PDD- og DLB-personer, hvis diagnostiske opfølgning er tilgængelig i mindst 3 år efter baseline-vurderingen. Et begrænset sæt informationer vedrørende klinisk-demografiske karakteristika, 6 neuropsykologiske tests (minimental, PD kognitiv vurderingsskala, kort visuospatial hukommelsestest, symbolciffer skrevet, Wechsler voksen intelligensskala, spordannelse A og B) blev brugt som prædiktorer. To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), vil blive undersøgt for deres evne til med succes at forudsige, om patienter led af PDD eller DLB.

Undersøgelsestype

Observationel

Tilmelding (Forventet)

200

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

  • Grækenland
    • Attiki
      • Athens, Attiki, Grækenland, 16674
        • Rekruttering
        • Anastasia Bougea
        • Kontakt:
        • Underforsker:
          • Christos Goumas, dr

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

50 år til 90 år (Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

PDD-gruppen består af patienter, der opfylder kriterierne for sandsynlig PDD, og ​​DLB-gruppen. Patienterne vil blive indskrevet fra to klinikkers registerbaserede database. Følgende data blev indsamlet: køn, alder, uddannelse, hånddominans, sygdomsvarighed (år) og levodopa-ækvivalent daglig dosis (LEDD). Sygdomsbyrden vil blive vurderet af Movement Disorders Society-United Parkinsons Disease Rating Scale (MDS-UPDRS) del III i tilstanden Off medicin og følgende seks kognitive/adfærdsmæssige tests: Mini-Mental State Examination (MMSE), PD- Cognitive Rating Scale (PD-CRS), Brief Visuospatial Memory test (BVMT-TR), Symbol digit written (SDMT), Trail making test (TMT A,B), Wechsler adultintelligence scale (WAIS-V). Alle patienter vil gennemgå hjerne-MR og blodprøver for at udelukke sekundære årsager til demens.

Beskrivelse

Inklusionskriterier:

PDD-gruppen bestod af patienter, der opfylder kriterierne for sandsynlig PDD i Movement Disorders Society (b) DLB-gruppen bestod af patienter i henhold til de nyligt reviderede kriterier for sandsynlig DLB.

Ekskluderingskriterier:

  • store psykiatriske lidelser, depression

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Intervention / Behandling
Parkinsons sygdom demens
PDD-gruppen bestod af 58 patienter, der opfyldte kriterierne for sandsynlig PDD i Movement Disorders Society
Diagnostisk test: maskinlæringsmodel
To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), blev undersøgt for deres evne til at forudsige med succes, om patienter led af PDD eller DLB.
Demens med Lewy Bodies
DLB-gruppen bestod af 40 patienter ifølge de nyligt reviderede kriterier for sandsynlig DLB
Diagnostisk test: maskinlæringsmodel
To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), blev undersøgt for deres evne til at forudsige med succes, om patienter led af PDD eller DLB.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
MMSE forudsigelig for dlb eller PDD
Tidsramme: 1 år
To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), vil kombinere disse tests for at undersøge deres evne til med succes at forudsige, om patienter led af PDD eller DLB.
1 år
Parkinsons sygdom - kognitiv vurderingsskala (PD-CRS) prædiktiv for DLB eller PDD
Tidsramme: 1 år
To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), vil kombinere disse tests for at undersøge deres evne til med succes at forudsige, om patienter led af PDD eller DLB.
1 år
Kort Visuospatial Memory Test (BVMT-TR) prædiktiv for DLB eller PDD
Tidsramme: 1 år
To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), vil kombinere disse tests for at undersøge deres evne til med succes at forudsige, om patienter led af PDD eller DLB.
1 år
Symbolciffer skrevet forudsigende for DLB eller PDD
Tidsramme: 1 år
To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), vil kombinere disse tests for at undersøge deres evne til med succes at forudsige, om patienter led af PDD eller DLB.
1 år
Wechsler voksen intelligens skala, forudsigelig for DLB eller PDD
Tidsramme: 1 år
To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), vil kombinere disse tests for at undersøge deres evne til med succes at forudsige, om patienter led af PDD eller DLB.
1 år
spor gør A og B forudsigelige for DLB eller PDD
Tidsramme: 1 år
To klassifikationsalgoritmer, logistisk regression og K-Nearest Neighbors (K-NN'er), vil kombinere disse tests for at undersøge deres evne til med succes at forudsige, om patienter led af PDD eller DLB.
1 år

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

National and Kapodistrian University of Athens

Efterforskere

  • Ledende efterforsker: ANASTASIA BOUGEA, National and Kapodistrian University of Athens

Publikationer og nyttige links

Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.

Generelle publikationer

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

1. september 2019

Primær færdiggørelse (Forventet)

1. oktober 2020

Studieafslutning (Forventet)

1. marts 2021

Datoer for studieregistrering

Først indsendt

21. juni 2020

Først indsendt, der opfyldte QC-kriterier

24. juni 2020

Først opslået (Faktiske)

25. juni 2020

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

10. september 2020

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

8. september 2020

Sidst verificeret

1. september 2020

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 251ATHENS HOSPITAL

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

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 .

Kliniske forsøg med Demens

Kliniske forsøg med maskinlæringsmodel

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Senegal

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner