KI-basiertes prädiktives und interventionelles System zur Früherkennung von Nichteinhaltungsrisiken bei oralen Therapien bei Lymphompatienten. (LNH-AI-Tools)
KI-basiertes prädiktives und interventionelles System zur Früherkennung von Non-Compliance-Risiken bei oralen Therapien bei Lymphompatienten, das den gesamten Versorgungspfad und eine interoperable klinische Schnittstelle mit Algorithmen integriert, die mit Erklärbarkeitstools gekoppelt sind.
Studienübersicht
Status
Status
Bedingungen
Bedingungen
Intervention / Behandlung
Intervention / Behandlung
Detaillierte Beschreibung
Studientyp
Studientyp
Einschreibung (Geschätzt)
Einschreibung
Kontakte und Standorte
Studienkontakt
Studienkontakt
- Name: Marie Detrait, MD, PhD
- Telefonnummer: 0032 60 11 20 08
- E-Mail: marie.detrait@ghdc.be
Studieren Sie die Kontaktsicherung
- Name: Aline Gillain, MedSciences
- Telefonnummer: 0032 60 11 00 89
- E-Mail: aline.gillain@ghdc.be
Studienorte
-
-
Hainaut
-
Charleroi, Hainaut, Belgien, 6060
- Rekrutierung
- Grand Hôpital de Charleroi
-
Kontakt:
- Marie Detrait, MD, PhD
- Telefonnummer: 0032 60 11 20 08
- E-Mail: marie.detrait@ghdc.be
-
Kontakt:
- Marie Detrait, MedSC
- Telefonnummer: 0032 60 11 00 89
- E-Mail: aline.gillain@ghdc.be
-
Hauptermittler:
- Delphine Pranger, MD
-
Hauptermittler:
- Marie Detrait, MD, PhD
-
Unterermittler:
- Stéphanie De Prophetis, Nurse
-
-
Teilnahmekriterien
Zulassungskriterien
Zulassungskriterien
Studienberechtigtes Alter
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Alle Patienten im Alter von 18 Jahren und älter, die ab November 2025 in der Hämatologieabteilung des Grand Hôpital de Charleroi behandelt werden
- Behandelt für ein Lymphom, Non-Hodgkin
- In der Lage, eine informierte Einwilligung zu erteilen
Ausschlusskriterien:
- Alle anderen Patienten, die die Eignungskriterien nicht erfüllten
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Anzahl der Gruppen / Kohorten
Kohorten und Interventionen
Gruppe / KohorteGruppe / Kohorte |
Intervention / BehandlungIntervention / Behandlung |
|---|---|
|
Retrospektive Kohorte
Eine retrospektive Kohorte von 2019 bis 2024, bestehend aus 350 Lymphompatienten, die auf empirischer Basis überwacht wurden.
|
Für die retrospektive Gruppe von 20 Patienten.
|
|
Prospektive Kohorte
Eine prospektive Kohortenstudie mit bis zu 210 aufeinanderfolgenden Patienten, beginnend im November 2025, mit dem Ziel, ein Entscheidungsunterstützungstool unter Verwendung von maschinellem Lernen zu entwickeln.
|
Nachbeobachtung der Patienten für die prospektive Gruppe
|
Was misst die Studie?
Primäre Ergebnismessungen
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
ROC-AUC
Zeitfenster: 2027
|
Beschreibung: ROC-AUC: Receiver Operating Characteristic - Area Under the Curve ist eine Leistungskennzahl für binäre Klassifikationsvorhersagealgorithmen. ROC-Kurve: Zeichnet die True Positive Rate (Sensitivität) gegen die False Positive Rate (1-Spezifität) bei verschiedenen Klassifikationsschwellenwerten auf. AUC: Die Fläche unter dieser Kurve (im Bereich von 0 bis 1). Ein höherer AUC-Wert zeigt eine bessere Modellleistung an - 1,0 ist perfekt, 0,5 ist zufälliges Raten. ROC-AUC bewertet, wie gut das Modell zwischen Klassen unterscheidet, unabhängig vom Klassifikationsschwellenwert. Zeitrahmen: Wann die Daten verfügbar sein werden, Ende 2027 |
2027
|
Sekundäre Ergebnismessungen
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
F1-Score
Zeitfenster: Wenn die Daten verfügbar sind, Ende 2027
|
Der F1-Score ist eine Leistungskennzahl für Klassifikationsalgorithmen, das harmonische Mittel aus Präzision (korrekte positive Vorhersagen / gesamte positive Vorhersagen) und Recall (korrekte positive Vorhersagen / tatsächliche Positive). Formel: F1 = 2 × (Präzision × Recall) / (Präzision + Recall) Bereich: 0 bis 1, wobei 1 perfekte Präzision und Recall bedeutet und 0 den schlechtesten Wert darstellt. Der F1-Score balanciert Präzision und Recall aus, was ihn ideal macht, wenn sowohl falsch positive als auch falsch negative Ergebnisse vermieden werden müssen. |
Wenn die Daten verfügbar sind, Ende 2027
|
Andere Ergebnismessungen
Andere Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Recall für die positive Klasse
Zeitfenster: 2027
|
Recall für die positive Klasse ist eine Metrik für binäre Klassifikation, die folgende Frage beantwortet: "Welcher Anteil der tatsächlichen Positivfälle wurde vom Modell korrekt erkannt?" Formel: Recall = True Positives / (True Positives + False Negatives) Bereich: 0 bis 1, wobei 1 bedeutet, dass alle Positivfälle korrekt vorhergesagt wurden, und 0 bedeutet, dass keiner korrekt vorhergesagt wurde. Hoher Recall bedeutet, dass das Modell gut darin ist, die meisten Positivfälle zu erfassen, aber es kann auch mehr falsch-positive Ergebnisse einschließen. Es ist entscheidend, wenn das Übersehen eines Positivfalls (falsch-negativ) kostspielig ist. |
2027
|
Mitarbeiter und Ermittler
Sponsor
Sponsor
Ermittler
Ermittler
- Hauptermittler: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Studienbeginn
Primärer Abschluss (Geschätzt)
Primärer Abschluss
Studienabschluss (Geschätzt)
Studienabschluss
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Zuerst gepostet
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes Update gepostet
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
Andere Studien-ID-Nummern
- LNH-AI-Tools
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .