Vorhersagemodelle für LDLT-Ergebnisse (PREDICTLDLT)
Ein klinisch anwendbares Prognosemodell für die Ergebnisse der Lebendspender-Lebertransplantation unter Verwendung des internationalen LDLT-Registers
Begründung:
Die Leberlebendspendertransplantation (LDLT) hat sich als wichtige Option für Patienten mit Lebererkrankungen im Endstadium etabliert. Um internationale und aussagekräftige Vergleiche zu ermöglichen, beteiligt sich unsere Einrichtung am Internationalen LDLT-Register. Mehrere Modelle zur Vorhersage der Ergebnisse nach LDLT wurden entwickelt, um die lebenden Leber-spender über die große Operation zu beraten und diese zu rechtfertigen. Die meisten vorgeschlagenen Modelle weisen jedoch ein hohes Verzerrungsrisiko auf und zeigen eine suboptimale Diskriminationsfähigkeit.
Diese Studie zielt darauf ab, die vielversprechendsten Vorhersagemodelle extern zu validieren und anschließend unter Verwendung des Internationalen LDLT-Registers ein neues, klinisch anwendbares Vorhersagemodell für LDLT-Ergebnisse zu entwickeln.
Ziel(e):
Das Hauptziel dieser Studie ist die Entwicklung eines neuen, klinisch anwendbaren Vorhersagemodells für LDLT-Ergebnisse unter Verwendung des Internationalen LDLT-Registers.
Das sekundäre Ziel ist die externe Validierung der vielversprechendsten bestehenden Vorhersagemodelle für LDLT-Ergebnisse unter Verwendung des Internationalen LDLT-Registers.
Studientyp:
Dies ist eine Beobachtungs-, multizentrische Kohortenstudie, die prospektiv erhobene Daten aus dem Internationalen LDLT-Register verwendet. Registerdaten werden retrospektiv für die Zwecke der externen Modellvalidierung und der Entwicklung von Vorhersagemodellen analysiert.
Studienpopulation:
Die Studienpopulation besteht aus lebenden Leber-spendern und ihren entsprechenden Empfängern, die im Internationalen LDLT-Register erfasst sind.
Methoden:
Für die externe Validierung werden Parameter in die bestehenden Vorhersagemodelle eingegeben, was zu den vorhergesagten Risiken führt. Die Modellunterscheidung wird unter Verwendung der Fläche unter der Kurve (AUC) und durch die Diskriminationssteigung gemessen. Der DeLong-Test wird verwendet, um den Unterschied zwischen der AUC der verschiedenen Vorhersagemodelle zu testen. Die Kalibrierung wird durch den Vergleich der beobachteten mit der vorhergesagten Ereignisrate bewertet und grafisch durch Kalibrierungsdiagramme dargestellt.
Für die Entwicklung eines neuen Vorhersagemodells ist das interessierende Ergebnis das frühe Transplantatversagen, definiert als Transplantatverlust innerhalb von 90 Tagen nach der Transplantation. Ein multivariables logistisches Regressionsmodell wird entwickelt, um das individuelle Risiko eines frühen Transplantatversagens abzuschätzen. Die interne Validierung wird unter Verwendung von Bootstrapping durchgeführt, und die Modellleistung wird hinsichtlich Diskrimination und Kalibrierung bewertet. Die Modellleistung wird auch in Untergruppen getestet.
Studienübersicht
Status
Bedingungen
Intervention / Behandlung
Detaillierte Beschreibung
Forschungsfragen:
- Kann ein neues präoperatives Vorhersagemodell auf Basis von Spender- und Empfängervariablen unter Verwendung des Internationalen LDLT-Registers entwickelt werden, um LDLT-Ergebnisse zuverlässig vorherzusagen?
- Wie schneiden die vielversprechendsten bestehenden Vorhersagemodelle für LDLT-Ergebnisse ab, wenn sie im Internationalen LDLT-Register extern validiert werden?
Stichprobenumfang-Berechnung:
Der Stichprobenumfang für die Entwicklung des Vorhersagemodells wurde mithilfe eines Ereignisse-pro-Parameter (EPP/EPV)-Ansatzes geschätzt. Basierend auf früheren Forschungen wurde die erwartete Ereignisrate für ein frühes Transplantatversagen auf 17,5 % festgelegt. Wir haben 20 Modellparameter (einschließlich Dummy-Variablen für kategoriale Prädiktoren und etwaiger Interaktionsterme) vorgegeben und 15 Ereignisse pro Parameter angestrebt, um Überanpassung zu reduzieren. Dies ergibt mindestens 300 Ereignisse, was einer Gesamtstichprobengröße von etwa 1.715 Patienten entspricht.
Statistische Analyse:
Statistische Analysen werden mit RStudio 2024.09.1, GraphPad Prism 10.6.1 und Microsoft Excel Version 16.90.2 durchgeführt. P <0,05 zeigt statistische Signifikanz an.
Normalität wird mit dem Shapiro-Wilk-Test geprüft. Baseline-Charakteristika werden basierend auf dem Vorhandensein eines frühen Transplantatversagens aufgeteilt. Die Homogenität der Varianzen wird mit dem F-Test geprüft. Diese Ergebnisse werden in einer Tabelle dargestellt.
Für die externe Validierung bestehender Vorhersagemodelle werden Parameter in die Vorhersagemodelle eingegeben, was zu den vorhergesagten Risiken führt. Die Modellunterscheidung wird mithilfe der AUC und der Diskriminierungsskala gemessen. Der DeLong-Test wird verwendet, um Unterschiede zwischen den AUC der verschiedenen Vorhersagemodelle zu testen. Die Kalibrierung wird durch Vergleich der beobachteten mit der vorhergesagten Ereignisrate bewertet und grafisch durch Kalibrierungsplots dargestellt.
Für die Entwicklung eines neuen Vorhersagemodells ist das interessierende Ergebnis das frühe Transplantatversagen, definiert als Transplantatverlust innerhalb von 90 Tagen nach der Transplantation (binäres Ergebnis). Ein multivariables logistisches Regressionsmodell wird entwickelt, um das individuelle Risiko eines frühen Transplantatversagens zu schätzen. Kandidatenprädiktoren werden a priori basierend auf klinischer Relevanz, biologischer Plausibilität und Verfügbarkeit vor der Transplantation ausgewählt, unter Berücksichtigung bestehender Literatur und Expertenmeinung. Um das Risiko einer Überanpassung zu reduzieren, wird die Anzahl der Modellparameter auf etwa 20 begrenzt, entsprechend einem Ereignisse-pro-Parameter-Ansatz. Datengetriebene Prädiktorenauswahlverfahren werden vermieden. Interne Validierung wird mittels Bootstrapping durchgeführt, und die Modellleistung wird hinsichtlich Diskriminierung und Kalibrierung bewertet.
Die Modellleistung wird auch in den folgenden Untergruppen getestet: Empfängergeschlecht, Empfängerkontinent des Wohnsitzes, Indikation für Lebertransplantation, tatsächlich durchgeführte Spenderhepatektomie und Ansatz zur Spenderhepatektomie.
Studientyp
Einschreibung (Geschätzt)
Kontakte und Standorte
Studienkontakt
- Name: Hayo W. ter Burg, MD, MSc
- Telefonnummer: +316 83233210
- E-Mail: h.terburg@erasmusmc.nl
Studienorte
-
-
South Holland
-
Rotterdam, South Holland, Niederlande, 3015 GD
- Erasmus Medical Center
-
Kontakt:
- Hayo W. ter Burg, MD
- Telefonnummer: +316 83233210
- E-Mail: h.terburg@erasmusmc.nl
-
-
Teilnahmekriterien
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Probenahmeverfahren
Studienpopulation
Beschreibung
Einschlusskriterien:
- Alle LDLT-Spender-Empfänger-Paare, die vom 1. September 2023 bis heute im Internationalen LDLT-Register registriert sind.
Ausschlusskriterien:
- Zweistufige LDLT
- LDLT mit Doppeltransplantaten
Studienplan
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
Lebende Leber-Spender und Empfänger
Die Studienpopulation besteht aus lebenden Leberlebendspendern und ihren entsprechenden Empfängern, die im Internationalen LDLT-Register erfasst sind.
|
Spender, die eine Leberlebendspende-Hepatektomie durchliefen, und Empfänger, die eine Leberlebendspende-Transplantation erhielten.
Andere Namen:
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
LDLT-Vorhersagemodell
Zeitfenster: Von Beginn des LDLT-Screenings bis 1 Jahr nach der Spende
|
Das primäre Ergebnis ist ein neues, klinisch anwendbares Vorhersagemodell für LDLT-Ergebnisse.
|
Von Beginn des LDLT-Screenings bis 1 Jahr nach der Spende
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Externe Validität bestehender Vorhersagemodelle
Zeitfenster: Vom Beginn des LDLT-Screenings bis ein Jahr nach der Spende
|
Das sekundäre Ergebnis ist die externe Validität der vielversprechendsten existierenden Vorhersagemodelle für LDLT-Ergebnisse, die aus der Literatur extrahiert wurden.
Dies wird mithilfe der Fläche unter der Kurve einer Receiver-Operating-Characteristic-Kurve bewertet.
|
Vom Beginn des LDLT-Screenings bis ein Jahr nach der Spende
|
Mitarbeiter und Ermittler
Sponsor
Ermittler
- Hauptermittler: Robert C. Minnee, MD, PhD, MSc, Erasmus Medical Center
Publikationen und hilfreiche Links
Allgemeine Veröffentlichungen
- Haller MC, Aschauer C, Wallisch C, Leffondre K, van Smeden M, Oberbauer R, Heinze G. Prediction models for living organ transplantation are poorly developed, reported, and validated: a systematic review. J Clin Epidemiol. 2022 May;145:126-135. doi: 10.1016/j.jclinepi.2022.01.025. Epub 2022 Feb 4.
- Li Z, Centonze L, Raptis D, Marquez KAH, Rammohan A, Gunasekaran V, Hong S, Chen IC, Kim J, Hsu SC, Kirimker EO, Akamatsu N, Shaked O, Finotti M, Yeow M, Genedy L, Dutkowski P, Nadalin S, Boehnert MU, Polak WG, Bonney GK, Mathur A, Samstein B, Emond JC, Testa G, Olthoff KM, Heimbach JK, Taner T, Wong TC, Hasegawa K, Balci D, Cattral M, Sapisochin G, Selzner N, Jeng LB, Joh JW, Chen CL, Suh KS, Di Sandro S, Rela M, Broering D, Clavien PA. Early graft failure after adult living donor liver transplantation: A multicenter risk analysis and development of the early allograft failure in living donor liver transplantation (EAGLE-LDLT) model. Liver Transpl. 2026 Jan 21. doi: 10.1097/LVT.0000000000000816. Online ahead of print.
- Li Z, Raptis D, Rammohan A, Gunasekaran V, Hong S, Chen IC, Kim J, Hervera Marquez KA, Hsu SC, Kirimker EO, Akamatsu N, Shaked O, Finotti M, Yeow M, Genedy L, Braun J, Yebyo H, Dutkowski P, Nadalin S, Boehnert MU, Polak WG, Bonney GK, Mathur A, Samstein B, Emond JC, Testa G, Olthoff KM, Rosen CB, Heimbach JK, Taner T, Wong TC, Lo CM, Hasegawa K, Balci D, Cattral M, Sapisochin G, Selzner N, Jeng LB, Joh JW, Chen CL, Suh KS, Rela M, Broering D, Clavien PA. Validation of a Pretransplant Risk Prediction Model for Early Allograft Dysfunction After Living-donor Liver Transplantation. Transplantation. 2025 Aug 1;109(8):1383-1392. doi: 10.1097/TP.0000000000005331. Epub 2025 Jan 28.
- Babu R, Sethi P, Surendran S, Dhar P, Gopalakrishnan U, Balakrishnan D, Menon RN, Sivasankarapillai Thankamonyamma B, Othiyil Vayoth S, Thillai M. A New Score to Predict Recipient Mortality from Preoperative Donor and Recipient Characteristics in Living Donor Liver Transplantation (DORMAT Score). Ann Transplant. 2017 Aug 18;22:499-506. doi: 10.12659/aot.904350.
- Giglio MC, Dolce P, Yilmaz S, Tokat Y, Acarli K, Kilic M, Zeytunlu M, Unek T, Karam V, Adam R, Polak WG, Fondevila C, Nadalin S, Troisi RI; European Liver and Intestine Transplant Association (ELITA). Development of a model to predict the risk of early graft failure after adult-to-adult living donor liver transplantation: An ELTR study. Liver Transpl. 2024 Aug 1;30(8):835-847. doi: 10.1097/LVT.0000000000000312. Epub 2023 Dec 12.
- Goldberg DS, French B, Abt PL, Olthoff K, Shaked A. Superior survival using living donors and donor-recipient matching using a novel living donor risk index. Hepatology. 2014 Nov;60(5):1717-26. doi: 10.1002/hep.27307. Epub 2014 Oct 2.
Nützliche Links
Studienaufzeichnungsdaten
Haupttermine studieren
Studienbeginn (Geschätzt)
Primärer Abschluss (Geschätzt)
Studienabschluss (Geschätzt)
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
Andere Studien-ID-Nummern
- PREDICTLDLT
Plan für individuelle Teilnehmerdaten (IPD)
Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?
Beschreibung des IPD-Plans
IPD-Sharing-Zeitrahmen
Die (zugrundeliegenden) Daten werden zusammen mit der Veröffentlichung verfügbar gemacht. Sie werden für 10 Jahre verfügbar sein. Der Zugang zu den Daten und Bildern wird vom Abteilungsleiter und dem Hauptprüfer genehmigt. Dieser Zugang ist vorübergehend. Bei wem und wann der Zugang genehmigt wird, wird registriert.
Der Zugang zum Register kann durch Kontaktaufnahme mit dem Internationalen LDLT-Register (LDLTregistry.org) beantragt werden.
IPD-Sharing-Zugriffskriterien
Art der unterstützenden IPD-Freigabeinformationen
- STUDIENPROTOKOLL
- SAFT
- ANALYTIC_CODE
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 .