Sistema Predictivo e Intervencionista Basado en IA para la Detección Temprana de Riesgos de Incumplimiento en Terapias Orales en Pacientes con Linfoma. (LNH-AI-Tools)
Sistema Predictivo e Intervencionista Basado en IA para la Detección Temprana de Riesgos de Incumplimiento con Terapias Orales en Pacientes con Linfoma, Integrando la Ruta de Atención Completa y una Interfaz Clínica Interoperable con Algoritmos Emparejados con Herramientas de Explicabilidad.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Marie Detrait, MD, PhD
- Número de teléfono: 0032 60 11 20 08
- Correo electrónico: marie.detrait@ghdc.be
Copia de seguridad de contactos de estudio
- Nombre: Aline Gillain, MedSciences
- Número de teléfono: 0032 60 11 00 89
- Correo electrónico: aline.gillain@ghdc.be
Ubicaciones de estudio
-
-
Hainaut
-
Charleroi, Hainaut, Bélgica, 6060
- Reclutamiento
- Grand Hôpital de Charleroi
-
Contacto:
- Marie Detrait, MD, PhD
- Número de teléfono: 0032 60 11 20 08
- Correo electrónico: marie.detrait@ghdc.be
-
Contacto:
- Marie Detrait, MedSC
- Número de teléfono: 0032 60 11 00 89
- Correo electrónico: aline.gillain@ghdc.be
-
Investigador principal:
- Delphine Pranger, MD
-
Investigador principal:
- Marie Detrait, MD, PhD
-
Sub-Investigador:
- Stéphanie De Prophetis, Nurse
-
-
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:
- Todos los pacientes de 18 años o más que sean tratados en el Departamento de Hematología del Grand Hôpital de Charleroi a partir de noviembre de 2025
- Tratados por un linfoma no Hodgkin
- Capaces de dar consentimiento informado
Criterios de exclusión:
- Todos los demás pacientes que no cumplieron con los criterios de elegibilidad
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Cohorte retrospectiva
Una cohorte retrospectiva de 2019 a 2024 que comprendió a 350 pacientes con linfoma que fueron monitorizados de manera empírica.
|
Para el grupo retrospectivo de 20 pacientes.
|
|
Cohorte prospectiva
Un estudio de cohorte prospectivo que involucrará hasta 210 pacientes consecutivos, comenzando en noviembre de 2025, con el objetivo de desarrollar una herramienta de apoyo a la decisión utilizando aprendizaje automático.
|
Seguimiento de los pacientes para el grupo prospectivo
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
ROC-AUC
Periodo de tiempo: 2027
|
Descripción: ROC-AUC: Característica Operativa del Receptor - Área Bajo la Curva es una métrica de rendimiento para algoritmos de predicción de clasificación binaria. Curva ROC: Representa la Tasa de Verdaderos Positivos (sensibilidad) frente a la Tasa de Falsos Positivos (1-especificidad) en varios umbrales de clasificación. AUC: El área bajo esta curva (que varía de 0 a 1). Un AUC más alto indica un mejor rendimiento del modelo: 1.0 es perfecto, 0.5 es una suposición aleatoria. ROC-AUC evalúa qué tan bien el modelo distingue entre clases, independientemente del umbral de clasificación. Plazo: Cuando los datos estarán disponibles, a finales de 2027 |
2027
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Puntuación F1
Periodo de tiempo: Cuando los datos estén disponibles, a finales de 2027
|
El F1-Score es una métrica de rendimiento para algoritmos de clasificación, la media armónica de la Precisión (predicciones positivas correctas / total de predicciones positivas) y la Recuperación (predicciones positivas correctas / positivos reales). Fórmula: F1 = 2 × (Precisión × Recuperación) / (Precisión + Recuperación) Rango: 0 a 1, donde 1 es precisión y recuperación perfectas, y 0 es el peor. El F1-Score equilibra precisión y recuperación, lo que lo hace ideal cuando necesitas evitar tanto falsos positivos como falsos negativos. |
Cuando los datos estén disponibles, a finales de 2027
|
Otras medidas de resultado
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Recuerdo para la clase positiva
Periodo de tiempo: 2027
|
La sensibilidad para la Clase Positiva es una métrica para clasificación binaria que responde: "¿Qué proporción de positivos reales fue correctamente identificada por el modelo?" Fórmula: Sensibilidad = Verdaderos Positivos / (Verdaderos Positivos + Falsos Negativos) Rango: 0 a 1, donde 1 significa que todos los positivos fueron correctamente predichos, y 0 significa que ninguno lo fue. Una alta sensibilidad significa que el modelo es bueno capturando la mayoría de los casos positivos, pero también puede incluir más falsos positivos. Es crítica cuando pasar por alto un positivo (falso negativo) es costoso. |
2027
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi
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
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- LNH-AI-Tools
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
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. .