En maskinlæringsmetode til at forbinde multipelt myelomkompleksitet med tidligt sygdomstilbagefald
Studieoversigt
Status
Betingelser
Detaljeret beskrivelse
Forbedringer i behandlingen af MM har foranlediget opnåelsen af meget dybe kliniske responser med væsentligt forbedrede resultater og overlevelse [2]. På trods af betydelige terapeutiske fremskridt er MM dog stadig en udfordring på grund af den sammensatte patogenese og indviklede netværk af forskellige interagerende faktorer. Som følge heraf har en relativt høj andel af NDMM-patienter på tværs af de forskellige terapeutiske strategier en højere risiko for sygdomsprogression og dårligere resultater, uafhængigt af den modtagne anti-MM-kur. Disse patienter repræsenterer i øjeblikket uopfyldte kliniske behov, med deraf følgende udfordringer i håndteringen af sygdommen og identificere disse patienter på forhånd er et vigtigt mål i MM.
På nuværende tidspunkt er risikostratificeringsscorer afhængig af et begrænset sæt af kliniske og biologiske variabler, som ikke altid er tilstrækkelige til at identificere patienter med høj risiko for tidlig sygdomsprogression eller tilbagefald (dvs. inden for 12 måneder fra start af førstelinjebehandling). For nylig er AI-værktøjer blevet undersøgt for at forbedre nøjagtigheden af risikoforudsigelse, hvilket viser, at højrisikosygdomme kan genkendes på forhånd, baseret på tumor- og immunbiomarkører [3-4].
Ved at anvende Machine Learning (ML) værktøjer til databehandling, vil kliniske, genomiske og billeddannelsesdata fra MM-patienter blive integreret og anvendt i modeller, der har til formål at forbedre nøjagtigheden af MM-risikoforudsigelse. På denne måde vil ML-modeller aggregere al tumor- og mikromiljørelateret information opnået ved hjælp af high-throughput-teknologier og omics-tilgange til at identificere og beskrive klynger af MM-patienter, der bedst korrelerer med opnåelsen af tidlig progression.
Overordnet set vil denne undersøgelse identificere ny viden til støtte for klinisk forskning og beslutningstagning i MM: Præcis up-front stratificering af patienter, baseret på hele landskabet af MM-relaterede funktioner, kunne forbedre forståelsen af MM individuel risiko. Resultaterne fra denne undersøgelse vil have en indvirkning på muligheden for at få adgang til personlig behandling, med forudsigelige overordnede konsekvenser for effektiv behandling af MM-patienter og besparelser for det nationale sundhedssystem.
Undersøgelsestype
Tilmelding (Anslået)
Kontakter og lokationer
Studiekontakt
- Navn: Elena Zamagni, MD, PhD
- Telefonnummer: +39 051 214 3680
- E-mail: e.zamagni@unibo.it
Studiesteder
-
-
-
Bologna, Italien, 40138
- Rekruttering
- IRCCS Azienda Ospedaliero-Universitaria di Bologna
-
Kontakt:
- Elena Zamagni, MD, PhD
- Telefonnummer: +39 051 214 3680
- E-mail: e.zamagni@unibo.it
-
Kontakt:
- Simona Barbato, Ph.D.
- Telefonnummer: +39 051 214 3827
- E-mail: simona.barbato3@unibo.it
-
Ledende efterforsker:
- Elena Zamagni
-
Underforsker:
- Carolina Terragna
-
Cagliari, Italien, 09134
- Ikke rekrutterer endnu
- ARNAS "G. Brotzu" di Cagliari
-
Kontakt:
- Daniele Derudas
- Telefonnummer: +39 070 52965520
- E-mail: daniele.derudas@aob.it
-
Napoli, Italien, 80131
- Ikke rekrutterer endnu
- Azienda Ospedaliera Universitaria Federico II
-
Kontakt:
- Barbara Izzo
- Telefonnummer: +39 081 3737869
- E-mail: barbara.izzo@unina.it
-
-
Forlì-Cesena
-
Meldola, Forlì-Cesena, Italien, 47014
- Ikke rekrutterer endnu
- Istituto Romagnolo per lo Studio dei Tumori "Dino Amadori" - IRST IRCCS
-
Kontakt:
- Martina Ghetti
- Telefonnummer: +39 0543 739100
- E-mail: martina.ghetti@irst.emr.it
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Alder ≥ 18 år
- Underskrevet Informeret Samtykkeformular til studiedeltagelse og persondatabehandling
- Diagnose af aktivt myelomatose
Ekskluderingskriterier:
- Ingen
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Samlet svarprocent
Tidsramme: 12 måneder efter start af anti-MM-behandling
|
Samlet svarprocent
|
12 måneder efter start af anti-MM-behandling
|
Samarbejdspartnere og efterforskere
Efterforskere
- Ledende efterforsker: Elena Zamagni, MD, PhD, IRCCS Azienda Ospedaliero-Universitaria di Bologna
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
- Karsygdomme
- Hjerte-kar-sygdomme
- Patologiske processer
- Neoplasmer
- Sygdomsegenskaber
- Sygdomme i immunsystemet
- Neoplasmer efter histologisk type
- Hæmatologiske sygdomme
- Lymfoproliferative lidelser
- Immunproliferative lidelser
- Hæmostatiske lidelser
- Paraproteinæmier
- Blodproteinforstyrrelser
- Hæmoragiske lidelser
- Tilbagevenden
- Myelomatose
- Neoplasmer, Plasmacelle
Andre undersøgelses-id-numre
- AIMMer
- PNRR-TR1-2023-12378246 (Andet bevillings-/finansieringsnummer: Italian Ministry of Health)
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 .