Avanceret datastøttet medicin del lungekræft (ADAMpartlung)
ADAM-delstudie Luik 2: Observationsretrospektiv enkeltcenterkohorteundersøgelse om konstruktion og validering af AI-forudsigelsesmodeller for udfald af lungekræftpatienter
Studieoversigt
Detaljeret beskrivelse
Formålet med denne undersøgelse er at forberede og oplåse siled real-world-data (RWD) til analyse og kunstig modelkonstruktion med det mål at udlede real-world-evidence (RWE). I dag samler læger og sygeplejersker data fra patienter og registrerer dataene i det elektroniske journalsystem. Datapunkter er ofte ikke tilgængelige i et struktureret format, så dataindsamling og oplåsning sker manuelt efter anmodning. Omhyggelig analyse af de indsamlede data ved hjælp af kunstig intelligens-værktøjer kan også hjælpe med at forudsige, hvilke patienter der har den højeste risiko for ikke-planlagt brug af sundhedspleje, skadestuebesøg og hospitalsindlæggelser. Derfor vil en model, der er i stand til at forudsige de relevante resultater, være til væsentlig hjælp for lægernes daglige praksis.
Primært mål Udvikling og validering af en AI-model, der understøtter læger i deres beslutningsproces for behandling af lungekræftpatienter. Denne AI-model skal forudsige sandsynligheden eller udviklingen af resultaterne for de mulige lungekræftbehandlinger. Modelinputdatakilder er hospitalsdata som demografi, baseline sundhedsstatus, tidligere behandlinger, billeddata og fysiologiske data, detaljerede behandlingsdata
Sekundære mål
- Automatisk oplåsning, indsamling og transformation af lungekræftdatapunkter til OMOP fælles datamodel, så data er let tilgængelige for yderligere forskning og analyse
- Konstruktion af en digital patient ved at træne en AI-model fodret med alle tilgængelige data i OMOP fælles datamodel
- Validering af en digital patient og optimal funktionsvalg for at forbedre AI-modellens ydeevne via uovervågede læringsteknikker
Potentialet ved at anvende transformatorer til at repræsentere patienter er virkelig personlig og endda prædiktiv medicin. Årsagen er, at transformatorer er et instrument, der gør det muligt at håndtere millioner af interagerende og ikke-lineært opførende parametre. Derfor kan datakilderne i figuren ovenfor udvides til at omfatte genetisk information og så videre. at bruge Optimal funktionsvalg fra en digital patient til at forbedre AI-modellens ydeevne via uovervågede læringsteknikker, for yderligere at finjustere forudsigelsesmodeller til daglig praksis.
At bygge en virtuel tvilling til at repræsentere en patient i detaljer, så befolkningsanalyse og modelbygning er klinisk relevant.
Undersøgelsestype
Tilmelding (Forventet)
Kontakter og lokationer
Studiekontakt
- Navn: Peter De Jaeger, PhD
- Telefonnummer: 003251237650
- E-mail: peter.dejaeger@azdelta.be
Undersøgelse Kontakt Backup
- Navn: Ingel Demedts, MD
- Telefonnummer: 003251237111
Studiesteder
-
-
West-Vlaanderen
-
Roeselare, West-Vlaanderen, Belgien, 8800
- Rekruttering
- AZ Delta
-
Kontakt:
- Peter De Jaeger, PhD, Prof
- Telefonnummer: 003251237650
- E-mail: peter.dejaeger@azdelta.be
-
Ledende efterforsker:
- Ingel Demedts, Prof
-
Underforsker:
- Hannelore Bode, MD
-
Underforsker:
- Bernard Bouckaerts, MD
-
Underforsker:
- Kris Carron, MD
-
Underforsker:
- Stephanie Dobbelaere, MD
-
Underforsker:
- Ulrike Himpe, MD
-
Underforsker:
- Heidi Mariën, MD
-
Underforsker:
- Peter Van Haecke, MD
-
Underforsker:
- Wim Verbeke, MD
-
Underforsker:
- Peter De Jaeger, Prof, PhD
-
Underforsker:
- Pieter-Jan Lammertyn
-
Underforsker:
- Louise Berteloot
-
Underforsker:
- Kim Denturck, Msc ir
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Lungekræftpatienter inkluderet i lungekræftpatientforløbet
Ekskluderingskriterier:
- Ingen angivet
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Data ind i international fælles datamodel klar til AI-input
Tidsramme: 2022
|
Lungekræft hospitalsdata oversat og klinisk valideret i UMLS-koncepter og gemt i OMOP's fælles datamodel
|
2022
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Digital patientkonstruktion
Tidsramme: 2023
|
Konstruktion af en digital patient ved at træne en AI-model
|
2023
|
|
Overvåget maskinlæring
Tidsramme: 2023
|
Træning og validering af overvågede maskinlæringsmodeller med et begrænset sæt udvalgte funktioner som input til at forudsige lungekræftpatienter.
|
2023
|
|
Konstruktion og validering af prædiktiv AI-model for lungekræftpatienter
Tidsramme: 2024
|
Konstruktion og validering af prædiktiv AI-model gennemførlighedstilgang; Konstruktion af AI-modeller med forudsagt udfald som 30 dages dødelighed, 30 dages skadestuebesøg, udvikling af QoL, akutte behandlingskomplikationer
|
2024
|
Samarbejdspartnere og efterforskere
Sponsor
Efterforskere
- Ledende efterforsker: Ingel Demedts, MD, AZ Delta
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
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
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- B1172021000032
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
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 .