- ICH GCP
- US-Register für klinische Studien
- Klinische Studie NCT04983316
TPF-Algorithmen für maschinelles Lernen
Operatives oder nichtoperatives Management von Tibiaplateaufrakturen? Anwendung maschineller Lernalgorithmen zur Unterstützung der Behandlungsentscheidung
Studienübersicht
Status
Bedingungen
Detaillierte Beschreibung
Das übergeordnete Ziel besteht darin, eine maschinelle Lerntechnik anzuwenden, um zu entscheiden, ob eine operative oder nicht-operative Behandlung zum besten Patientenergebnis führt.
Die Hauptziele bestehen darin, den am besten geeigneten maschinellen Lernalgorithmus zu identifizieren, um die beste Behandlung für zukünftige Patienten vorherzusagen. Ob eine konservative oder operative Behandlung zum besten Patientenergebnis führt, entscheidet der prognostizierte KOOS-Score. Als Trainingsdaten für den Algorithmus werden mehrere Eingabefaktoren, wie Behandlung (konservativ oder operativ), Anzahl der Frakturfragmente, Ort der Fraktur, Weichteilbeteiligung, … für jeden Patienten verwendet. Einige dieser Eingabedaten werden von CT-Scans abgeleitet. Daher werden die CT-Scans in Mimics segmentiert, wofür das UZ Leuven kürzlich Lizenzen erworben hat. Die Ausgabevariable der Trainingsdaten ist der KOOS-Score jedes Patienten. Basierend auf der Eingabe- und Ausgabevariable bestimmt der Algorithmus eine Beziehung zwischen diesen. Für zukünftige Patienten, deren Eingangsgröße bekannt ist, wird die Ausgangsgröße (=KOOS-Score) sowohl bei operativer als auch bei konservativer Behandlung vorhergesagt. Wir gehen davon aus, dass die Vorhersage verbessert wird, indem im Laufe der Zeit mehr Eingabedaten hinzugefügt werden.
Ein sekundäres Ziel ist es, klinische und radiologische Faktoren zu identifizieren, die helfen, die beste Behandlung für zukünftige Patienten vorherzusagen.
Als Ausblick könnte die Technik des maschinellen Lernens in Zukunft in der klinischen Praxis implementiert und als patientenspezifisches Planungsinstrument für die Behandlung von Tibiaplateaufrakturen eingesetzt werden, indem der Chirurg bei der Auswahl der besten Behandlung für einen bestimmten Fall unterstützt wird. Die gesammelten Daten in diesem Register werden verwendet, um das maschinelle Lernmodell zu validieren. Patienten werden noch nicht auf der Grundlage der Ergebnisse des entwickelten Modells behandelt, der Unfallchirurg ist dafür verantwortlich, zu entscheiden, welche Behandlungsoption für den Patienten am besten ist.
Studientyp
Einschreibung (Tatsächlich)
Kontakte und Standorte
Studienorte
-
-
Vlaams-Brabant
-
Leuven, Vlaams-Brabant, Belgien, 3000
- UZ Leuven
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Alter > 18 Jahre
- Fraktur des proximalen Tibiaplateaus
- Der Patient kann an Nachsorgeuntersuchungen teilnehmen
Ausschlusskriterien:
- Alter < 18 Jahre
- Bilaterale Frakturen
- Neurologische Erkrankungen (z. B. Querschnittslähmung, CVA, Demenz etc.)
- Verstehe kein Holländisch oder Englisch
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
- Beobachtungsmodelle: Kohorte
- Zeitperspektiven: Interessent
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Algorithmus für maschinelles Lernen
Zeitfenster: 1 Jahr
|
Den am besten geeigneten maschinellen Lernalgorithmus zu identifizieren, der die beste Behandlung für zukünftige Patienten vorhersagt.
Die Vorhersage wird im Laufe der Zeit durch zusätzliche Eingaben verbessert.
|
1 Jahr
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Klinische Faktoren
Zeitfenster: 1 Jahr
|
Um klinische Faktoren zu identifizieren, die helfen, die beste Behandlung für zukünftige Patienten vorherzusagen
|
1 Jahr
|
|
Radiologische Faktoren
Zeitfenster: 1 Jahr
|
Um radiologische Faktoren zu identifizieren, die helfen, die beste Behandlung für zukünftige Patienten vorherzusagen
|
1 Jahr
|
Mitarbeiter und Ermittler
Ermittler
- Hauptermittler: Harm Hoekstra, Prof. MD, UZ Leuven
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Tatsächlich)
Studienabschluss (Tatsächlich)
Studienanmeldedaten
Zuerst eingereicht
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
Zuerst gepostet (Tatsächlich)
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
Zuletzt verifiziert
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- S64352
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 .