STN DBS -moottorivasteen ennuste PD:ssä (DBS-PREDICT)
Motorisen vasteen koneoppimisennuste STN DBS:n jälkeen Parkinson-potilailla, retrospektiivinen monikeskusvalidointitutkimus
Huolimatta huolellisesta potilasvalinnasta subtalamisen tuman syväaivojen stimulaatioon (STN DBS), joillakin Parkinsonin tautia (PD) sairastavilla potilailla on havaittavissa vähäistä parannusta motorisessa vammassa. Epäselvät tulokset ja käytännöllisen implantoitavan ennustusalgoritmin puute aikaisemmista ennustetutkimuksista ylläpitää tarvetta yksinkertaiselle työkalulle neurologeille, joka tarjoaa luotettavan ennusteen leikkauksen jälkeisestä motoriikasta yksittäisille potilaille.
Tässä tutkimuksessa validoidaan aiemmin kehitetty ennustemalli motoriselle vasteelle STN DBS:n jälkeen PD-potilailla. Malli luo yksilölliset todennäköisyydet tulla heikosti reagoivaksi vuoden kuluttua leikkauksesta. Malli validoidaan useista kansainvälisistä keskuksista kerätyssä validointikohortissa.
Ennustava malli on julkisesti saatavilla ennen tiedon keräämistä osoitteessa https://github.com/jgvhabets/DBSPREDICT
Tutkimuksen yleiskatsaus
Tila
Ehdot
Yksityiskohtainen kuvaus
Motorisen lopputuloksen ennustaminen Parkinsonin taudin STN DBS:n jälkeen voi olla haastavaa kliinikolle. Nykyiset ennustetutkimukset raportoivat epävarmoja tuloksia tärkeimmistä ennustajista, ja niitä rajoittavat käytetyt laskennalliset menetelmät. Perinteiset tilastolliset analyysit, jotka keskittyvät korrelaatioihin, ovat puolueellisia tutkijoiden ennustajan ja hämmentäjän valinnalla. Nykyaikaiset laskennalliset menetelmät, kuten koneoppimisennustemallit, ovat vähemmän rajoitettuja otoskoon mukaan, ja ne voivat ottaa huomioon laajemman valikoiman ennustajia, mikä johtaa pienempään valintaharhaan.
Retrospektiivisiä potilastietoja kerätään useista kansainvälisistä keskuksista. Tätä retrospektiivistä monikeskuskohorttia käytetään validoimaan malli, joka on kehitetty yhden keskuksen retrospektiivisen kohortin perusteella.
Tavoitteena on kehittää ennustetyökalu, joka tarjoaa kliinikolle heikon vasteen todennäköisyyden preoperatiivisen vaiheen aikana. Tämä voisi tukea kliinikon osallistumista tai informoimista potilaalle preoperatiivisen neuvonnan aikana.
Ennustava malli on julkisesti saatavilla ennen tiedon keräämistä osoitteessa https://github.com/jgvhabets/DBSPREDICT.
Opintotyyppi
Ilmoittautuminen (Todellinen)
Yhteystiedot ja paikat
Opiskelupaikat
-
-
Limburg
-
Maastricht, Limburg, Alankomaat, 6229 AZ
- MaastrichtUMC
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- hänelle tehtiin STN DBS Parkinsonin taudin vuoksi
- suoritettu vuoden seuranta leikkauksen jälkeen
Poissulkemiskriteerit:
- puuttuvat tiedot postoperatiivisista UPDRS II:sta, III:sta, IV:stä
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Kohortti
- Aikanäkymät: Takautuva
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
usean keskuksen validointikohortti
Keräämme retrospektiivisiä tietoja useista kansainvälisistä keskuksista, jotka sisältävät preoperatiivisia muuttujia (demografiset ja kliiniset) ja postoperatiiviset tulokset (UPDRS II, III, IV) vuoden kuluttua leikkauksesta, ja yhdistämme nämä tiedot yhdeksi validointikohortiksi.
|
Yksilöllisten todennäköisyyksien luominen motoriselle vasteelle leikkausta edeltävien muuttujien perusteella
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
vastaanottimen käyttäjäkäyrän käyrän alla oleva alue
Aikaikkuna: vuoden leikkauksen jälkeen
|
Moottorin lopputulos luokitellaan binääritulosmuuttujaan. Malli ennustaa, mihin tulosryhmään potilas kuuluu vuoden kuluttua leikkauksesta. Ensisijainen tulosmittari on ennustettujen tulosluokkien suorituskyky todellisten tuloskategorioiden kanssa. Ennustemallien suorituskyky ilmaistaan vastaanottimen operaattorikäyrän käyrän alla olevana pinta-alana, ennustetarkkuudella, tosipositiivisella ennustenopeudella ja väärällä positiivisella ennustetaajuudella. |
vuoden leikkauksen jälkeen
|
|
ennakoiva tarkkuus
Aikaikkuna: vuoden leikkauksen jälkeen
|
Katso kuvaus ensisijaisesta tuloksesta 1.
|
vuoden leikkauksen jälkeen
|
|
todellinen positiivinen ennusteprosentti
Aikaikkuna: vuoden leikkauksen jälkeen
|
Katso kuvaus ensisijaisesta tuloksesta 1.
|
vuoden leikkauksen jälkeen
|
|
vääriä positiivisia ennusteita
Aikaikkuna: vuoden leikkauksen jälkeen
|
Katso kuvaus ensisijaisesta tuloksesta 1.
|
vuoden leikkauksen jälkeen
|
Yhteistyökumppanit ja tutkijat
Sponsori
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Todellinen)
Opintojen valmistuminen (Todellinen)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 2019-0739-A9
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jaon käyttöoikeuskriteerit
IPD-jakamista tukeva tietotyyppi
- Tutkimuspöytäkirja
- Analyyttinen koodi
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .