- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05622539
Valider: Troværdig AI til at forbedre resultaterne af akut slagtilfælde (VALIDATE)
Validering af et pålideligt AI-baseret klinisk beslutningsstøttesystem til forbedring af patientresultatet ved behandling af akut slagtilfælde
Kunstig intelligens (AI)-drevne prognostiske værktøjer og kliniske beslutningsstøttesystemer kan forudsige udfaldet af visse sygdomme baseret på et væld af patientdata i høj hastighed, hvilket letter beslutninger fra sundhedspersonale. Ved akut iskæmisk slagtilfælde er den overordnede behandlingseffekt og fordelene ved behandlinger, såsom IV-trombolyse og mekanisk trombektomi, veletableret. Hos individuelle patienter er det imidlertid vanskeligt at forudsige prognosen i den akutte fase af slagtilfælde: nogle patienter er kandidater til disse behandlinger, men kan have dårlige kliniske resultater (ingen forbedring af slagtilfælde eller endda forværring) Vores mål i denne undersøgelse er at validere et kunstig intelligens (AI)-baseret prognostisk værktøj til at give nøjagtig resultatforudsigelse i realtid hos patienter med akut iskæmisk slagtilfælde.
I løbet af undersøgelsen vil alle patienter, der er indlagt på skadestuen med et akut iskæmisk slagtilfælde, modtage den sædvanlige behandling ved akut slagtilfælde i henhold til de ansvarlige slagtilfældeneurologer. En "skygge" klinisk forsker, uden interaktion med behandlende læger, vil indsamle de data, der kræves af AI-modellen in vivo. Disse data vil blive indhentet ved at udfylde kliniske data gennem en App på en hospitalsmobil/tablet, og ved en forbindelse til din elektroniske journal.
AI-modellerne vil estimere udfaldet af den akutte apopleksipatient, og denne forudsigelse vil blive sammenlignet med patientens reelle udfald efter 3 måneders opfølgning.
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Kunstig intelligens (AI)-drevne prognostiske værktøjer og kliniske beslutningsstøttesystemer har evnen til at forudsige udfaldet af visse sygdomme baseret på et væld af patientdata i høj hastighed, hvilket letter beslutninger fra sundhedspersonale.
Ved akut iskæmisk slagtilfælde er den overordnede behandlingseffekt og fordelene ved IV-trombolyse og mekanisk trombektomi for hele befolkningen veletableret. Resultatet afviger dog stadig væsentligt for individuelle patienter, hvor nogle er kvalificerede til behandling, men kan have katastrofale udfald. Flere prognostiske variabler og deres kombination i en enkelt patient gør det vanskeligt at forudsige individuelle udfald efter slagtilfældebehandling. Vi sigter mod at validere et AI-prognostisk værktøj til at give nøjagtig resultatforudsigelse hos patienter med akut iskæmisk slagtilfælde i en prospektiv observationel opfølgningsundersøgelse.
Hypotese AI-baserede modeller kan anvendes i realtid hos patienter med akut slagtilfælde og giver en tidlig præcis forudsigelse af deres udfald.
Metode Undersøgelsen består af to faser. Fase 1: retrospektiv undersøgelse. Mens der vil blive opnået teknologisk parathed til det kliniske valideringsstudie, vil yderligere modelforfining på heterogene data blive udført baseret på eksisterende modeller, der er udviklet på omfattende medicinske data af høj kvalitet. VALIDATE vil analysere retrospektive databaser fra de 3 kliniske steder involveret i undersøgelsen for at teste og validere de tidligere genererede AI-modeller. Krypterede data fra alle patienter med akut iskæmisk slagtilfælde, der er indlagt i centrene i perioden 2018-2021, vil fodre AI-modellerne for at validere modellens nøjagtighed ved at sammenligne resultaterne forudsagt af AI-modelleringen med de faktiske patienters resultater. Datasættet omfatter demografi, baseline kliniske karakteristika, risikofaktorer, neuroimaging data, akutte behandlinger, klinisk evaluering (National Institute of Health Stroke Scale (NIHSS)), funktionel evaluering efter 3-6 måneder (mRS), patientrapporterede resultatmål (PROM'er) , etc. Interaktionen mellem disse datasæt og AI-modellerne vil ske gennem en fødereret læringsprocedure, det vil sige, at dataene vil blive analyseret på vores hospitalsservere, og de vil ikke blive overført til noget andet center.
Gradering af bidraget fra de progressivt komplekse diagnostiske procedurer til AI-modellerne og etablering af et sæt af de minimumsrelevante variabler for AI-modellen, der er i stand til nøjagtigt at forudsige funktionelt resultat, vil også blive opnået.
Fase 3: Prospektiv multicenter observationel skyggeundersøgelse. på hinanden følgende akutte apopleksipatienter indlagt på 3 omfattende apopleksicentre vil blive evalueret. Alle patienter vil modtage den sædvanlige slagtilfældeoparbejdning og standardbehandling i henhold til de behandlende læger. En klinisk skyggeforsker uden interaktion med de behandlende læger vil huske in vivo de data, der kræves af AI-modelleringen. Disse data vil blive opnået ved at udfylde kliniske data gennem en app og ved at forbinde med den elektroniske journal for patienten for at opnå yderligere baseline- og neuroimaging-data. Patienternes reelle resultater vil blive målt gennem kliniker og patientrapporterede udfaldsmålinger (CROM'er og PROM'er), og de vil blive sammenlignet med de estimerede resultater i henhold til AI-modellen. PROMS efter 7 dage, 1 og 3 måneder vil blive opnået gennem implementering af en innovativ nudging-baseret digital platform (NORA) for at forbedre patient-kliniker kommunikation og opfølgning. En elektronisk sagsrapportformular (eCRF) vil blive designet til at huske nøgleprocesindikatorer (KPI) og CROM'er, som vil blive integreret i NORA-platformen.
Beregningen af stikprøvestørrelsen er baseret på resultaterne af et klinisk datasæt af på hinanden følgende patienter med kodeslagtilfælde indlagt på Hospital Vall d'Hebron i 2020. Det er blevet brugt som et eksempel på den sædvanlige mRS-fordeling efter 3 måneder i en kohorte af på hinanden følgende akutte apopleksipatienter.
I en test for overensstemmelse mellem to bedømmere, der bruger Kappa-statistikken, opnår en stikprøvestørrelse på 182 forsøgspersoner 95 % kraft til at detektere en sand Kappa-værdi på 0,7 i en test af H0: Kappa = κ0 vs. H1: Kappa ≠ κ0, når der er tre kategorier med frekvenser lig med 0,58, 0,34 og 0,08. Denne effektberegning er baseret på et signifikansniveau på 0,05 og en minimum acceptabel kappa (κ0) på 0,6 (moderat overensstemmelse) og en forventet kappa (κ1) på 0,8 (væsentlig overensstemmelse). Hvis man antager en frafaldsrate på 20 % for den 90-dages opfølgning, ville tallet for dropout-inflated Expected Enrollment (DIEE) være 218 patienter med akut iskæmisk slagtilfælde.
Undersøgelsestype
Tilmelding (Forventet)
Kontakter og lokationer
Studiekontakt
- Navn: Dietmar Frey, MD
- Telefonnummer: +4930450560398
- E-mail: dietmar.frey@charite.de
Undersøgelse Kontakt Backup
- Navn: Malte Von Tottleben
- E-mail: Malte.vonTottleben@empirica.com
Studiesteder
-
-
-
Jerusalem, Israel
- Hadassah Medical Center
-
Kontakt:
- Ronen Lecker, MD
- E-mail: leker@mail.huji.ac.il
-
-
-
-
Catalonia
-
Barcelona, Catalonia, Spanien, 08035
- Hospital Vall d'Hebron - VHIR
-
Kontakt:
- Marta Rubiera, MD
- Telefonnummer: 0034 932744997
- E-mail: martaaurora.rubiera@vallhebron.cat
-
Underforsker:
- Federica Rizzo, MD
-
-
-
-
-
Heidelberg, Tyskland
- Universität Heidelberg
-
Kontakt:
- Susanne Bonekamp, MD
- E-mail: Susanne.Bonekamp@med.uni-heidelberg.de
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
Tager imod sunde frivillige
Køn, der er berettiget til at studere
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Forsøgspersonen er 18 år eller ældre eller myndig for at give informeret samtykke i henhold til stats eller national lovgivning
- Informeret samtykke til brugen af data, indhentet fra patienten eller hans eller hendes lovligt udpegede repræsentant (hvis lokalt påkrævet)
Ekskluderingskriterier:
- Neuroimaging (CT/MRI) med tegn på akut intrakraniel blødning
- Alvorlig, fremskreden eller terminal sygdom med forventet levetid på mindre end 3 måneder
- Usandsynligt tilgængelig for 90-dages opfølgning (f.eks. ingen fast hjemmeadresse, ingen telefon osv.)
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Observationsmodeller: Kun etui
- Tidsperspektiver: Fremadrettet
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Fordeling af funktionelt resultat forudsagt af realtids-AI-modeller målt ved mRS
Tidsramme: 3 måneder
|
Fordeling af funktionelt resultat målt ved den modificerede Rankin-skala (mRS) (trichotomiseret: 0-2, 3-4 og 5-6) forudsagt af realtids-AI-modellerne sammenlignet med den rigtige patients mRS-fordeling
|
3 måneder
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Forudsigelse af yderligere klinikerrapporterede (CRO) og patientrapporterede (PRO) resultater
Tidsramme: 1 uge, 1 måned og 3 måneder
|
Evaluer nøjagtigheden af AI-modeller for at forudsige yderligere foruddefinerede kliniker- og patientrapporterede resultater (CRO'er/PRO'er)
|
1 uge, 1 måned og 3 måneder
|
Demonstrer gennemførligheden af at anvende AI-modeller i det virkelige liv
Tidsramme: 1 dag
|
AI-baseret prognosesynkronisering, problemer med systemintegration, ..
|
1 dag
|
Samarbejdspartnere og efterforskere
Samarbejdspartnere
Datoer for undersøgelser
Studer store datoer
Studiestart (Forventet)
Primær færdiggørelse (Forventet)
Studieafslutning (Forventet)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- PR(AG)310-2022
- 101057263 (Andet bevillings-/finansieringsnummer: HORIZON-HLTH-2021-DISEASE-04-04)
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
IPD-delingstidsramme
IPD-delingsadgangskriterier
IPD-deling Understøttende informationstype
- Studieprotokol
- Formular til informeret samtykke (ICF)
- Analytisk kode
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
produkt fremstillet i og eksporteret fra U.S.A.
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 .