Troværdig kunstig intelligens til forbedring af slagtilfælde (TRUSTroke)
Troværdig kunstig intelligens til forbedring af slagtilfælde. Fase II Prospektiv undersøgelse for AI-modeller optimering
Slagtilfælde er en førende årsag til dødsfald og handicap på verdensplan. Den kliniske validering af forklarlige og fortolkbare kunstig intelligens (AI)-løsninger til at assistere en rettidig, personlig håndtering af den akutte fase af slagtilfælde vil have en stor indvirkning, da det i høj grad kan reducere patienters handicapniveauer. Forudsigelsen af langsigtede resultater er også en afgørende faktor, da den kan bestemme kritiske beslutninger, såsom udskrivelsesdestinationen for patienten. Ydermere har overholdelse af retningslinjebaseret sekundær slagtilfældeforebyggelse vist sig at reducere tilbagefald af slagtilfælde, men i øjeblikket er kun 40 % af patienterne adhærente til forebyggende behandlinger 3 måneder efter slagtilfælde. Derfor kan patienternes resultater forbedres med ordentlige patientkommunikations- og engagementspakker. AI kan have en dramatisk indvirkning på apopleksipatientens rejse, forbedre forudsigelser, hvilket resulterer i et bedre valg af sekundære slagtilfældestrategier samt brug af evidensbaseret information til at fremme bedre overholdelse af behandling og reduktion af vaskulære risikofaktorer.
Målet med denne multicenter observationelle prospektive undersøgelse er at udvikle og validere AI-baserede værktøjer til at forudsige kort- og langsigtede resultater hos iskæmiske apopleksipatienter. Specifikt sigter denne undersøgelse på at demonstrere nøjagtigheden af AI-modeller til at forudsige det funktionelle resultat af iskæmiske apopleksipatienter målt ved NIHSS (0-42) og mRS (0-6) score ved hospitalsudskrivning og ved 3, 6 og 12 måneder efter udskrivelsen. Potentielle iskæmiske apopleksipatienter fra 3 store europæiske centre vil blive rekrutteret. Træning og afprøvning af lokale AI-modeller vil blive udført ved hjælp af hospitalsindlæggelsesdata, indsamlet under standardbehandlingsprocedurer for apopleksipatienter, og ambulant overvågede data fra et fjerntliggende hjemmeplejesystem (NORA-app) under opfølgningen efter udskrivelsen. Disse lokale modeller vil derefter blive integreret i et fødereret læringssystem, hvor kun en global AI-model, afledt af kombineret indsigt fra alle lokale modeller, deles på tværs af deltagende hospitaler. De enkelte lokale modeller og de originale data deles ikke, hvilket sikrer databeskyttelse og sikkerhed. Nøjagtigheden og ydeevnen af prospektivt optimerede AI-modeller til at forudsige kliniske resultater over en 12-måneders opfølgningsperiode vil blive evalueret og sammenlignet med patienternes faktiske resultater.
Studieoversigt
Status
Betingelser
Intervention / Behandling
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: Pietro Caliandro
- Telefonnummer: +390630154338
- E-mail: pietro.caliandro@policlinicogemelli.it
Studiesteder
-
-
-
Leuven, Belgien, 3000
- Ikke rekrutterer endnu
- KATHOLIEKE UNIVERSITEIT LEUVEN (KU Leuven)
-
Ledende efterforsker:
- Robin Lemmens
-
Kontakt:
- Robin Lemmens
- E-mail: robin.lemmens@uzleuven.be
-
-
-
-
Lazio
-
Roma, Lazio, Italien, 00168
- Rekruttering
- Fondazione Policlinico Universitario A. Gemelli IRCCS, UOC Neurologia
-
Kontakt:
- Pietro Caliandro
- Telefonnummer: +390630151
- E-mail: pietro.caliandro@policlinicogemelli.it
-
Ledende efterforsker:
- Pietro Caliandro
-
-
-
-
-
Barcelona, Spanien, 08035
- Rekruttering
- Hospital Vall D'Hebron- Institut de Recerca (Vhir)
-
Kontakt:
- Carlos Molina
- E-mail: carlosav.molina@vallhebron.cat
-
Ledende efterforsker:
- Carlos Molina
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Forsøgspersonen er 18 år eller ældre
- Diagnose af akut iskæmisk slagtilfælde
- Underskrift af den informerede samtykkeerklæring af patienten eller en pårørende
Ekskluderingskriterier:
- Der er ingen udelukkelseskriterier påtænkt for denne undersøgelse.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
AI-modellens nøjagtighed ved at forudsige kortvarige funktionelle slagtilfælde resultater
Tidsramme: 24 måneder
|
For at evaluere nøjagtigheden af de udviklede AI-modeller til at forudsige funktionelle resultater af slagtilfældepatienter, såsom National Institute of Health Stroke Scale (NIHSS, 0-42) og Modified Rankin Scale (MRS, 0-6) i udskrivning på hospitalet (kortvarigt resultat). Specifikt evalueres målinger såsom område under ROC -kurven (AUROC) til klassificeringsopgaver og R² til regressionsopgaver, både til maskinlæringsmetoder såsom tilfældig skov og XGBOOST og dyb læringsmetoder, såsom neurale netværk. |
24 måneder
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
AI-modellens nøjagtighed ved at forudsige langsigtede funktionelle resultater
Tidsramme: 24 måneder
|
For at evaluere nøjagtigheden af de udviklede AI-modeller til at forudsige National Institute of Health Stroke Scale (NIHSS, 0-42) og Modified Rankin Scale (MRS, 0-6) på 3, 6 og 12 måneder efter udskrivning. Desuden vil andre funktionelle resultater evalueres, såsom patientrapporterede resultatmål (PROMS) og patient rapporterede erfaringsmål (PREMS). Specifikt evalueres målinger såsom område under ROC -kurven (AUROC) til klassificeringsopgaver og R² til regressionsopgaver, både til maskinlæringsmetoder såsom tilfældig skov og XGBOOST og dyb læringsmetoder, såsom neurale netværk. |
24 måneder
|
|
AI -modellens nøjagtighed ved at forudsige slagtilfælde associerede risici
Tidsramme: 24 måneder
|
For at evaluere nøjagtigheden af AI -modeller til at forudsige sandsynligheden for tidlig understøttet decharge (1 uge efter begivenheden), sandsynligheden for ikke -planlagt tilbagetagelse af hospitalet (ved 30 dage) og den personlige risiko for gentagelse af slagtilfælde efter 3 og 12 måneder. Specifikt evalueres målinger såsom område under ROC -kurven (AUROC) til klassificeringsopgaver og R² til regressionsopgaver, både til maskinlæringsmetoder såsom tilfældig skov og XGBOOST og dyb læringsmetoder, såsom neurale netværk. |
24 måneder
|
Samarbejdspartnere og efterforskere
Efterforskere
- Ledende efterforsker: Pietro Caliandro, MD, Fondazione Policlinico Universitario A. Gemelli, IRCCS
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
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
- 7067
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 .