Esta página se tradujo automáticamente y no se garantiza la precisión de la traducción. por favor refiérase a versión inglesa para un texto fuente.

Algoritmos de aprendizaje automático TPF

25 de julio de 2025 actualizado por: Harm Hoekstra, prof. dr., Universitaire Ziekenhuizen KU Leuven

¿Manejo quirúrgico o no quirúrgico de las fracturas de la meseta tibial? Aplicación de algoritmos de aprendizaje automático para ayudar en la decisión de tratamiento

Adoptar una técnica de aprendizaje automático para decidir si el tratamiento quirúrgico o no quirúrgico dará como resultado el mejor resultado para el paciente.

Descripción general del estudio

Estado

Terminado

Descripción detallada

El objetivo general es adoptar una técnica de aprendizaje automático para decidir si el tratamiento quirúrgico o no quirúrgico dará como resultado el mejor resultado para el paciente.

Los objetivos principales son identificar el algoritmo de aprendizaje automático más adecuado para predecir el mejor tratamiento para futuros pacientes. Si el tratamiento conservador o el quirúrgico conducirán al mejor resultado para el paciente, se decidirá según la puntuación KOOS prevista. Varios factores de entrada, como el tratamiento (conservador u operativo), el número de fragmentos de fractura, la ubicación de la fractura, la afectación de los tejidos blandos,... para cada paciente se utilizarán como datos de entrenamiento para el algoritmo. Algunos de estos datos de entrada se derivarán de tomografías computarizadas. Por lo tanto, las tomografías computarizadas se segmentarán en Mimics, para las cuales UZ Leuven adquirió licencias recientemente. La variable de salida de los datos de entrenamiento será la puntuación KOOS de cada paciente. En base a la variable de entrada y salida, el algoritmo determinará una relación entre estas. Para futuros pacientes de los que se conoce la variable de entrada, la variable de salida (=puntuación KOOS) se predecirá tanto en caso de tratamiento quirúrgico como conservador. Presumimos que la predicción mejorará al agregar más datos de entrada con el tiempo.

El objetivo secundario es identificar factores clínicos y radiológicos que ayuden a predecir el mejor tratamiento para futuros pacientes.

Como perspectiva, la técnica de aprendizaje automático podría implementarse en el futuro en la práctica clínica y utilizarse como una herramienta de planificación específica del paciente para el manejo de la fractura de la meseta tibial al ayudar al cirujano a seleccionar el mejor tratamiento para un caso determinado. Los datos recopilados en este registro se utilizarán para validar el modelo de aprendizaje automático. Los pacientes aún no serán tratados según los resultados del modelo desarrollado, el cirujano de trauma es responsable de decidir qué opción de tratamiento es la mejor para el paciente.

Tipo de estudio

De observación

Inscripción (Actual)

70

Contactos y Ubicaciones

Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.

Ubicaciones de estudio

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

Criterios de participación

Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.

Criterio de elegibilidad

Edades elegibles para estudiar

18 años y mayores (Adulto, Adulto Mayor)

Acepta Voluntarios Saludables

N/A

Método de muestreo

Muestra no probabilística

Población de estudio

Pacientes de UZ Leuven

Descripción

Criterios de inclusión:

  • Edad > 18 años
  • Fractura de meseta tibial proximal
  • El paciente puede asistir a las visitas de seguimiento.

Criterio de exclusión:

  • Edad < 18 años
  • Fracturas bilaterales
  • Trastornos neurológicos (es decir, paraplejia, CVA, demencia, etc.)
  • No entender holandés o inglés.

Plan de estudios

Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.

¿Cómo está diseñado el estudio?

Detalles de diseño

  • Modelos observacionales: Grupo
  • Perspectivas temporales: Futuro

¿Qué mide el estudio?

Medidas de resultado primarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Algoritmo de aprendizaje automático
Periodo de tiempo: 1 año
Identificar el algoritmo de aprendizaje automático más adecuado que prediga el mejor tratamiento para futuros pacientes. La predicción se mejorará con el tiempo mediante la entrada adicional.
1 año

Medidas de resultado secundarias

Medida de resultado
Medida Descripción
Periodo de tiempo
Factores clínicos
Periodo de tiempo: 1 año
Identificar factores clínicos que ayuden a predecir el mejor tratamiento para futuros pacientes
1 año
Factores radiológicos
Periodo de tiempo: 1 año
Identificar factores radiológicos que ayuden a predecir el mejor tratamiento para futuros pacientes
1 año

Colaboradores e Investigadores

Aquí es donde encontrará personas y organizaciones involucradas en este estudio.

Investigadores

  • Investigador principal: Harm Hoekstra, Prof. MD, UZ Leuven

Fechas de registro del estudio

Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados ​​por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.

Fechas importantes del estudio

Inicio del estudio (Actual)

5 de octubre de 2020

Finalización primaria (Actual)

27 de junio de 2023

Finalización del estudio (Actual)

6 de diciembre de 2024

Fechas de registro del estudio

Enviado por primera vez

16 de julio de 2021

Primero enviado que cumplió con los criterios de control de calidad

27 de julio de 2021

Publicado por primera vez (Actual)

30 de julio de 2021

Actualizaciones de registros de estudio

Última actualización publicada (Actual)

29 de julio de 2025

Última actualización enviada que cumplió con los criterios de control de calidad

25 de julio de 2025

Última verificación

1 de julio de 2025

Más información

Términos relacionados con este estudio

Otros números de identificación del estudio

  • S64352

Información sobre medicamentos y dispositivos, documentos del estudio

Estudia un producto farmacéutico regulado por la FDA de EE. UU.

No

Estudia un producto de dispositivo regulado por la FDA de EE. UU.

No

Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .

Suscribir