Inteligencia artificial confiable para mejorar los resultados de los accidentes cerebrovasculares (TRUSTroke)
Inteligencia artificial confiable para mejorar los resultados de los accidentes cerebrovasculares. Estudio prospectivo de fase II para la optimización de modelos de IA
El accidente cerebrovascular es una de las principales causas de muerte y discapacidad en todo el mundo. La validación clínica de soluciones de Inteligencia Artificial (IA) explicables e interpretables para ayudar a un manejo oportuno y personalizado de la fase aguda del accidente cerebrovascular tendría un impacto importante ya que puede reducir en gran medida los niveles de discapacidad de los pacientes. Además, la predicción de los resultados a largo plazo es un factor crucial, ya que puede determinar decisiones críticas como el destino del alta del paciente. Además, se ha demostrado que el cumplimiento de las directrices de prevención secundaria del ictus reduce la recurrencia del ictus, pero actualmente, sólo el 40% de los pacientes cumplen con los tratamientos preventivos 3 meses después del ictus. Por lo tanto, los resultados de los pacientes pueden mejorar con paquetes adecuados de comunicación y participación del paciente. La IA puede tener un impacto dramático en el recorrido del paciente con accidente cerebrovascular, mejorando las predicciones, dando como resultado una mejor elección de estrategias para el accidente cerebrovascular secundario, además de utilizar información basada en evidencia para promover una mejor adherencia al tratamiento y la reducción de los factores de riesgo vascular.
El objetivo de este estudio prospectivo observacional multicéntrico es desarrollar y validar herramientas basadas en IA para predecir resultados a corto y largo plazo en pacientes con accidente cerebrovascular isquémico. Específicamente, este estudio tiene como objetivo demostrar la precisión de los modelos de IA en la predicción del resultado funcional de pacientes con accidente cerebrovascular isquémico medido por las puntuaciones NIHSS (0-42) y mRS (0-6) al alta hospitalaria y a los 3, 6 y 12 años. meses después del alta. Se reclutarán posibles pacientes con accidente cerebrovascular isquémico de 3 grandes centros europeos. El entrenamiento y las pruebas de los modelos locales de IA se realizarán utilizando datos de hospitalización, recopilados durante los procedimientos estándar de atención para las vías de los pacientes con accidente cerebrovascular y datos monitoreados por pacientes ambulatorios desde un sistema remoto de atención domiciliaria (aplicación NORA) durante el seguimiento después del alta. Estos modelos locales luego se integrarán en un sistema de aprendizaje federado, donde solo se comparte entre los hospitales participantes un modelo global de IA, derivado de conocimientos combinados de todos los modelos locales. Los modelos locales individuales y los datos originales no se comparten, lo que garantiza la privacidad y seguridad de los datos. La precisión y el rendimiento de los modelos de IA optimizados prospectivamente para predecir resultados clínicos durante un período de seguimiento de 12 meses se evaluarán y compararán con los resultados reales de los pacientes.
Descripción general del estudio
Estado
Intervención / Tratamiento
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- El sujeto tiene 18 años de edad o más.
- Diagnóstico del ictus isquémico agudo
- Firma del formulario de consentimiento informado por parte del paciente o de un familiar
Criterios de exclusión:
- No se contemplan criterios de exclusión para este estudio.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
La precisión del modelo de IA en la predicción de resultados de accidente cerebrovascular funcional a corto plazo
Periodo de tiempo: 24 meses
|
Evaluar la precisión de los modelos de IA desarrollados en la predicción de los resultados funcionales de los pacientes con accidente cerebrovascular, como la escala del Instituto Nacional de Stroke Stroke (NIHSS, 0-42) y la escala modificada de Rankin (MRS, 0-6) en el alta hospitalaria (resultado a corto plazo). Específicamente, se evaluarán métricas como el área bajo la curva ROC (AUROC) para las tareas de clasificación como para las tareas de regresión para tareas de regresión, tanto para enfoques de aprendizaje automático, como Forest Atom Forest y XGBOost, como enfoques de aprendizaje profundo, como las redes neuronales. |
24 meses
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
La precisión del modelo de IA en la predicción de resultados funcionales a largo plazo
Periodo de tiempo: 24 meses
|
Evaluar la precisión de los modelos AI desarrollados en la predicción de la Escala del accidente cerebrovascular del Instituto Nacional de Salud (NIHSS, 0-42) y la escala Rankin modificada (MRS, 0-6) a los 3, 6 y 12 meses después del alta. Además, se evaluarán otros resultados funcionales, como las medidas de resultado informadas por el paciente (PROM) y las medidas de experiencia informadas por los pacientes (PREM). Específicamente, se evaluarán métricas como el área bajo la curva ROC (AUROC) para las tareas de clasificación como para las tareas de regresión para tareas de regresión, tanto para enfoques de aprendizaje automático, como Forest Atom Forest y XGBOost, como enfoques de aprendizaje profundo, como las redes neuronales. |
24 meses
|
|
La precisión del modelo de IA en la predicción de riesgos asociados con accidente cerebrovascular
Periodo de tiempo: 24 meses
|
Para evaluar la precisión de los modelos de IA en la predicción de la probabilidad de alta compatible temprana (1 semana después del evento), la probabilidad de readmisión hospitalaria no planificada (a los 30 días) y el riesgo personalizado de recurrencia de accidente cerebrovascular a los 3 y 12 meses. Específicamente, se evaluarán métricas como el área bajo la curva ROC (AUROC) para las tareas de clasificación como para las tareas de regresión para tareas de regresión, tanto para enfoques de aprendizaje automático, como Forest Atom Forest y XGBOost, como enfoques de aprendizaje profundo, como las redes neuronales. |
24 meses
|
Colaboradores e Investigadores
Investigadores
- Investigador principal: Pietro Caliandro, MD, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 7067
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
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. .