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

AI-baseret Prædiktivt og Interventionelt System til Tidlig Opsporing af Risici for Non-compliance Med Oral Terapi hos Lymfompatienter. (LNH-AI-Tools)

20. april 2026 opdateret af: Grand Hôpital de Charleroi

AI-baseret Prædiktivt og Interventionelt System til Tidlig Opdagelse af Risici for Non-compliance med Oral Terapi hos Lymfompatienter, der Integrerer den Komplette Behandlingsvej og en Interoperabel Klinisk Grænseflade med Algoritmer Parret med Forklarlighedsværktøjer.

Denne forskning er en del af en kontinuerlig kvalitetsforbedringsindsats. Den har til formål at vurdere patienternes overholdelse af orale behandlinger ved hjælp af kunstig intelligens. Den kan overvinde begrænsningerne i nuværende praksis og forbedre responsiviteten og nøjagtigheden af kliniske indgreb.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Non-Hodgkin-lymfomer kræver strenge behandlingsprotokoller, herunder intensiv intravenøs kemoterapi eller målrettede orale terapier. Sekundær immunsuppression nødvendiggør oral anti-infektionsprofylakse (såsom valacyclovir eller Bactrim forte) for at forebygge opportunistiske komplikationer. Litteraturen rapporterer dog tal på op til 50% af patienter, der oplever overholdelsesvanskeligheder med orale terapier, hvilket kompromitterer behandlingseffektiviteten, øger risikoen for alvorlige infektioner, forlængede indlæggelser og dermed yderligere omkostninger for sundhedsvæsenet. Dette projekt foreslår at udvikle et innovativt kunstig intelligens (AI)-værktøj baseret på virkelighedsdata for at opdage tidlige tegn på manglende overholdelse og muliggøre målrettet intervention af sundhedsteamer. Vores tilgang kombinerer analyse af kliniske data (patient, sygdom, udleveringshistorik, laboratorieresultater, lægemiddelinteraktioner) og maskinlæringsalgoritmer (overvåget maskinlæring og neurale netværk) for at identificere risikoprofiler. Værktøjet vil generere en realtidsadvarsel og tilbyde patientens henvisende læge og koordinerende sygeplejerske skræddersyede anbefalinger, såsom en automatiseret påmindelse, en dedikeret sygeplejekonsultation osv. En intuitiv grænseflade vil gøre det muligt for klinikere og sygeplejersker at visualisere overholdelsestendenser og handle hurtigt. Dette projekt er baseret på et tværfagligt team (hæmatologer, avancerede kliniske sygeplejersker (APNs), datavidenskabsfolk, AI-eksperter) og patientpartnere for at validere værktøjet under virkelige forhold.

Undersøgelsestype

Observationel

Tilmelding (Anslået)

210

Kontakter og lokationer

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

Studiekontakt

Undersøgelse Kontakt Backup

Studiesteder

  • Belgien
    • Hainaut
      • Charleroi, Hainaut, Belgien, 6060
        • Rekruttering
        • Grand Hôpital de Charleroi
        • Kontakt:
        • Kontakt:
        • Ledende efterforsker:
          • Delphine Pranger, MD
        • Ledende efterforsker:
          • Marie Detrait, MD, PhD
        • Underforsker:
          • Stéphanie De Prophetis, Nurse

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

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

Patienter behandlet på Hematologiafdelingen på Charleroi General Hospital for Non-Hodgkin-lymfom.

Beskrivelse

Inklusionskriterier:

  • Alle patienter på 18 år og derover, der behandles på Hematologiafdelingen på Grand Hôpital de Charleroi fra november 2025 og frem
  • Behandlet for lymfom, ikke-Hodgkin
  • I stand til at give informeret samtykke

Eksklusionskriterier:

  • Alle andre patienter, der ikke opfyldte berettigelseskriterierne

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
Retrospektiv kohorte
En retrospektiv kohorte fra 2019 til 2024 bestående af 350 lymfompatienter, som blev overvåget på en empirisk basis.
Andet: Retrospektiv Gruppe
For den retrospektive gruppe på 20 patienter.
Prospektiv kohorte
En prospektiv kohortestudie, der involverer op til 210 på hinanden følgende patienter, med start i november 2025, med det formål at udvikle et beslutningsstøtteværktøj ved hjælp af maskinlæring.
Andet: Prospektiv Gruppe
Opfølgning af patienterne i den prospektive gruppe

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
ROC-AUC
Tidsramme: 2027

Beskrivelse: ROC-AUC: Receiver Operating Characteristic - Area Under the Curve er en ydeevnemåling for binære klassifikationsprediktionsalgoritmer. ROC-kurve: Plotter den sande positive rate (følsomhed) mod den falske positive rate (1-specificitet) ved forskellige klassifikationstærskler. AUC: Arealet under denne kurve (fra 0 til 1). En højere AUC indikerer bedre modelydelse - 1.0 er perfekt, 0.5 er tilfældig gætning. ROC-AUC evaluerer, hvor godt modellen skelner mellem klasser, uanset klassifikationstærsklen.

Tidsramme: Når data vil være tilgængelige, i slutningen af 2027
2027

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
F1-score
Tidsramme: Når dataene vil være tilgængelige, i slutningen af 2027

F1-Score er en ydeevnemåling for klassifikationsalgoritmer, det harmoniske gennemsnit af Præcision (korrekte positive forudsigelser / samlede positive forudsigelser) og Recall (korrekte positive forudsigelser / faktiske positive).

Formel: F1 = 2 × (Præcision × Recall) / (Præcision + Recall) Område: 0 til 1, hvor 1 er perfekt præcision og recall, og 0 er den værste.

F1-Score afbalancerer præcision og recall, hvilket gør den ideel, når du skal undgå både falske positive og falske negative.
Når dataene vil være tilgængelige, i slutningen af 2027

Andre resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Genkald for den positive klasse
Tidsramme: 2027

Recall for the positive Class er en metrik for binær klassifikation, der besvarer:

"Hvilken andel af faktiske positive blev korrekt identifieret af modellen?"

Formel: Recall = Sande Positive / (Sande Positive + Falske Negative)

Interval: 0 til 1, hvor 1 betyder, at alle positive blev korrekt forudsagt, og 0 betyder, at ingen blev det.

Høj recall betyder, at modellen er god til at fange de fleste positive tilfælde, men den kan også inkludere flere falske positive. Det er afgørende, når det er dyrt at gå glip af en positiv (falsk negativ).
2027

Samarbejdspartnere og efterforskere

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

Sponsor

Grand Hôpital de Charleroi

Efterforskere

  • Ledende efterforsker: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi

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)

15. februar 2026

Primær færdiggørelse (Anslået)

31. december 2027

Studieafslutning (Anslået)

15. februar 2029

Datoer for studieregistrering

Først indsendt

8. april 2026

Først indsendt, der opfyldte QC-kriterier

20. april 2026

Først opslået (Faktiske)

22. april 2026

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

22. april 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

20. april 2026

Sidst verificeret

1. april 2026

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • LNH-AI-Tools

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

På nuværende tidspunkt udføres denne forskning internt; efter analyse kan denne mulighed overvejes, hvis modellen kan tilpasses til brug andre steder.

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 Lymfom, Non-Hodgkin

Kliniske forsøg med Retrospektiv Gruppe

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Burkina Faso

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner