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

KI-basiertes prädiktives und interventionelles System zur Früherkennung von Nichteinhaltungsrisiken bei oralen Therapien bei Lymphompatienten. (LNH-AI-Tools)

20. April 2026 aktualisiert von: Grand Hôpital de Charleroi

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.

Diese Forschung ist Teil einer kontinuierlichen Qualitätsverbesserungsinitiative. Sie zielt darauf ab, die Patienteneinhaltung oraler Therapien durch künstliche Intelligenz zu bewerten. Sie könnte die Grenzen der aktuellen Praktiken überwinden und die Reaktionsfähigkeit und Genauigkeit klinischer Interventionen verbessern.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Non-Hodgkin-Lymphome erfordern strenge Behandlungsschemata, einschließlich intensiver intravenöser Chemotherapie oder gezielter oraler Therapien. Eine sekundäre Immunsuppression erfordert eine orale antiinfektive Prophylaxe (wie Valacyclovir oder Bactrim forte), um opportunistische Komplikationen zu verhindern. Die Literatur berichtet jedoch, dass bis zu 50 % der Patienten Adhärenzschwierigkeiten bei oralen Therapien haben, was die Behandlungseffektivität beeinträchtigt, das Risiko schwerer Infektionen erhöht, zu verlängerten Krankenhausaufenthalten und folglich zu zusätzlichen Kosten für das Gesundheitssystem führt. Dieses Projekt schlägt vor, ein innovatives KI-Tool (Künstliche Intelligenz) auf Basis von Real-World-Daten zu entwickeln, um frühe Anzeichen von Nichtadhärenz zu erkennen und gezielte Interventionen durch das Gesundheitspersonal zu ermöglichen. Unser Ansatz kombiniert die Analyse klinischer Daten (Patient, Krankheit, Abgabeverlauf, Laborergebnisse, Arzneimittelwechselwirkungen) und maschinelle Lernalgorithmen (überwachtes maschinelles Lernen und neuronale Netze), um Risikoprofile zu identifizieren. Das Tool wird eine Echtzeitwarnung generieren und dem behandelnden Arzt und der Koordinationsschwester des Patienten maßgeschneiderte Empfehlungen bieten, wie eine automatisierte Erinnerung, eine spezielle Pflegeberatung usw. Eine intuitive Benutzeroberfläche ermöglicht es Klinikern und Pflegekräften, Compliance-Trends zu visualisieren und schnell zu handeln. Dieses Projekt stützt sich auf ein multidisziplinäres Team (Hämatologen, Advanced Practice Nurses (APNs), Data Scientists, KI-Experten) und Patientenpartner, um das Tool unter Real-World-Bedingungen zu validieren.

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

210

Kontakte und Standorte

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

Studienkontakt

Studieren Sie die Kontaktsicherung

Studienorte

  • Belgien
    • Hainaut
      • Charleroi, Hainaut, Belgien, 6060
        • Rekrutierung
        • Grand Hôpital de Charleroi
        • Kontakt:
        • Kontakt:
        • Hauptermittler:
          • Delphine Pranger, MD
        • Hauptermittler:
          • Marie Detrait, MD, PhD
        • Unterermittler:
          • Stéphanie De Prophetis, Nurse

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

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Nein

Probenahmeverfahren

Wahrscheinlichkeitsstichprobe

Studienpopulation

Patienten, die in der Hämatologie-Abteilung des Allgemeinkrankenhauses Charleroi wegen Non-Hodgkin-Lymphom behandelt werden.

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

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

Wie ist die Studie aufgebaut?

Designdetails

Kohorten und Interventionen

Gruppe / Kohorte
Intervention / Behandlung
Retrospektive Kohorte
Eine retrospektive Kohorte von 2019 bis 2024, bestehend aus 350 Lymphompatienten, die auf empirischer Basis überwacht wurden.
Sonstiges: Retrospektive Gruppe
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.
Sonstiges: Prospektive Gruppe
Nachbeobachtung der Patienten für die prospektive Gruppe

Was misst die Studie?

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

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

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

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

Sponsor

Grand Hôpital de Charleroi

Ermittler

  • Hauptermittler: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi

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)

15. Februar 2026

Primärer Abschluss (Geschätzt)

31. Dezember 2027

Studienabschluss (Geschätzt)

15. Februar 2029

Studienanmeldedaten

Zuerst eingereicht

8. April 2026

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

20. April 2026

Zuerst gepostet (Tatsächlich)

22. April 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

22. April 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

20. April 2026

Zuletzt verifiziert

1. April 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • LNH-AI-Tools

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Beschreibung des IPD-Plans

Derzeit wird diese Forschung intern durchgeführt; nach der Analyse könnte diese Option in Betracht gezogen werden, wenn das Modell für den Einsatz an anderen Orten angepasst werden kann.

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