Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

TPF-Algorithmen für maschinelles Lernen

25. Juli 2025 aktualisiert von: Harm Hoekstra, prof. dr., Universitaire Ziekenhuizen KU Leuven

Operatives oder nichtoperatives Management von Tibiaplateaufrakturen? Anwendung maschineller Lernalgorithmen zur Unterstützung der Behandlungsentscheidung

Anwenden einer maschinellen Lerntechnik, um zu entscheiden, ob eine operative oder nicht-operative Behandlung zum besten Patientenergebnis führt.

Studienübersicht

Status

Beendet

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

Beobachtungs

Einschreibung (Tatsächlich)

70

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

    • Vlaams-Brabant
      • Leuven, Vlaams-Brabant, Belgien, 3000
        • UZ Leuven

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

18 Jahre und älter (Erwachsene, Älterer Erwachsener)

Akzeptiert gesunde Freiwillige

N/A

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Patienten des UZ Leuven

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

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

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

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Ermittler

  • Hauptermittler: Harm Hoekstra, Prof. MD, UZ Leuven

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

5. Oktober 2020

Primärer Abschluss (Tatsächlich)

27. Juni 2023

Studienabschluss (Tatsächlich)

6. Dezember 2024

Studienanmeldedaten

Zuerst eingereicht

16. Juli 2021

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

27. Juli 2021

Zuerst gepostet (Tatsächlich)

30. Juli 2021

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

29. Juli 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

25. Juli 2025

Zuletzt verifiziert

1. Juli 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

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 .

Abonnieren