Advanced Data-Aided Medicine Teil Lungenkrebs (ADAMpartlung)
ADAM-Teilstudie Luik 2: Beobachtende retrospektive Single-Center-Kohortenstudie zur Konstruktion und Validierung von KI-Vorhersagemodellen für die Ergebnisse von Lungenkrebspatienten
Studienübersicht
Detaillierte Beschreibung
Das Ziel dieser Studie ist es, isolierte Real-World-Daten (RWD) für die Analyse und künstliche Modellkonstruktion aufzubereiten und zu erschließen, mit dem Ziel, Real-World-Evidence (RWE) abzuleiten. Heutzutage sammeln Ärzte und Pflegekräfte Daten von Patienten und registrieren die Daten im elektronischen Patientenaktensystem. Datenpunkte sind oft nicht in einem strukturierten Format verfügbar, sodass die Datenerfassung und -freigabe auf Anfrage manuell erfolgt. Eine sorgfältige Analyse der gesammelten Daten mithilfe von Tools der künstlichen Intelligenz könnte auch dazu beitragen, vorherzusagen, bei welchen Patienten das höchste Risiko einer außerplanmäßigen Inanspruchnahme von Gesundheitsleistungen, Besuchen in der Notaufnahme und Krankenhauseinweisungen besteht. Daher wäre ein Modell, das in der Lage ist, die relevanten Ergebnisse vorherzusagen, eine erhebliche Hilfe für die tägliche Praxis der Ärzte.
Primäres Ziel Entwicklung und Validierung eines KI-Modells, das Ärzte in ihrem Entscheidungsprozess zur Behandlung von Lungenkrebspatienten unterstützt. Dieses KI-Modell muss die Wahrscheinlichkeit oder Entwicklung der Ergebnisse für die möglichen Lungenkrebsbehandlungen vorhersagen. Modelleingangsdatenquellen sind Krankenhausdaten wie Demografie, Ausgangsgesundheitszustand, frühere Behandlungen, Bildgebungsdaten und physiologische Daten, detaillierte Behandlungsdaten
Sekundäre Ziele
- Automatisches Entsperren, Sammeln und Transformieren von Lungenkrebs-Datenpunkten in das gemeinsame OMOP-Datenmodell, sodass die Daten für weitere Forschung und Analyse leicht verfügbar sind
- Konstruieren eines digitalen Patienten durch Trainieren eines KI-Modells, das mit allen Daten gespeist wird, die im gemeinsamen Datenmodell von OMOP verfügbar sind
- Validierung eines digitalen Patienten und optimale Funktionsauswahl zur Verbesserung der KI-Modellleistung durch unüberwachte Lerntechniken
Das Potenzial der Anwendung von Transformatoren zur Darstellung von Patienten ist wirklich personalisierte und sogar prädiktive Medizin. Der Grund dafür ist, dass Transformatoren ein Instrument sind, das es ermöglicht, mit Millionen von interagierenden und sich nicht linear verhaltenden Parametern umzugehen. Daher können die Datenquellen in der obigen Abbildung um genetische Informationen usw. erweitert werden. um die optimale Merkmalsauswahl von einem digitalen Patienten zu verwenden, um die Leistung von KI-Modellen durch unüberwachte Lerntechniken zu verbessern, um Vorhersagemodelle für die tägliche Praxis weiter zu verfeinern.
Erstellen eines virtuellen Zwillings, um einen Patienten detailliert darzustellen, sodass Populationsanalyse und Modellbildung klinisch relevant sind.
Studientyp
Einschreibung (Voraussichtlich)
Kontakte und Standorte
Studienkontakt
- Name: Peter De Jaeger, PhD
- Telefonnummer: 003251237650
- E-Mail: peter.dejaeger@azdelta.be
Studieren Sie die Kontaktsicherung
- Name: Ingel Demedts, MD
- Telefonnummer: 003251237111
Studienorte
-
-
West-Vlaanderen
-
Roeselare, West-Vlaanderen, Belgien, 8800
- Rekrutierung
- AZ Delta
-
Kontakt:
- Peter De Jaeger, PhD, Prof
- Telefonnummer: 003251237650
- E-Mail: peter.dejaeger@azdelta.be
-
Hauptermittler:
- Ingel Demedts, Prof
-
Unterermittler:
- Hannelore Bode, MD
-
Unterermittler:
- Bernard Bouckaerts, MD
-
Unterermittler:
- Kris Carron, MD
-
Unterermittler:
- Stephanie Dobbelaere, MD
-
Unterermittler:
- Ulrike Himpe, MD
-
Unterermittler:
- Heidi Mariën, MD
-
Unterermittler:
- Peter Van Haecke, MD
-
Unterermittler:
- Wim Verbeke, MD
-
Unterermittler:
- Peter De Jaeger, Prof, PhD
-
Unterermittler:
- Pieter-Jan Lammertyn
-
Unterermittler:
- Louise Berteloot
-
Unterermittler:
- Kim Denturck, Msc ir
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Lungenkrebspatienten, die in den Behandlungspfad für Lungenkrebspatienten aufgenommen wurden
Ausschlusskriterien:
- nicht spezifiziert
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Daten in international gemeinsames Datenmodell bereit für KI-Eingabe
Zeitfenster: 2022
|
Krankenhausdaten zu Lungenkrebs, die in UMLS-Konzepte übersetzt und klinisch validiert und im gemeinsamen Datenmodell von OMOP gespeichert wurden
|
2022
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Digitale Patientenkonstruktion
Zeitfenster: 2023
|
Konstruieren eines digitalen Patienten durch Training eines KI-Modells
|
2023
|
|
Überwachtes maschinelles Lernen
Zeitfenster: 2023
|
Training und Validierung überwachter Modelle für maschinelles Lernen mit einem begrenzten Satz ausgewählter Funktionen als Eingabe zur Vorhersage der Ergebnisse von Lungenkrebspatienten.
|
2023
|
|
Konstruktion und Validierung eines prädiktiven KI-Modells für Lungenkrebspatienten
Zeitfenster: 2024
|
Konstruktion und Validierung eines Machbarkeitsansatzes für prädiktive KI-Modelle; Erstellen von KI-Modellen für vorhergesagte Ergebnisse wie 30-Tage-Mortalität, 30-Tage-Notaufnahmebesuch, Lebensqualitätsentwicklung, akute Behandlungskomplikationen
|
2024
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Ingel Demedts, MD, AZ Delta
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Tatsächlich)
Primärer Abschluss (Voraussichtlich)
Studienabschluss (Voraussichtlich)
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
Schlüsselwörter
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- B1172021000032
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
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 .