Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

Uusi koneoppimisalgoritmi Lewyn kehon dementioiden ennustamiseen (MLDLB)

tiistai 8. syyskuuta 2020 päivittänyt: Anastasia Bougea, National and Kapodistrian University of Athens

Uusi koneoppimisalgoritmi Lewyn kehon dementioiden ennustamiseen kliinisten ja neuropsykologisten pisteiden avulla

Parkinsonin taudin dementia (PDD) ja Dementia with Lewy body (DLB) ovat dementiaoireyhtymiä, jotka menevät päällekkäin monissa kliinisissä piirteissä, mikä tekee niiden diagnosoinnista vaikeaa kliinisessä käytännössä, erityisesti pitkälle edenneissä vaiheissa. Ehdotamme koneoppimisalgoritmia, joka perustuu vain ei-invasiivisesti ja helposti klinikalla kerättäviin ennustajiin, tunnistamaan nämä häiriöt, joilla on korkea ennustekyky.

Tutkimuksen yleiskatsaus

Tila

Tuntematon

Ehdot

Interventio / Hoito

Yksityiskohtainen kuvaus

Algoritmi kehitetään käyttämällä kahdesta erikoistuneesta muistikeskuksesta saatua tietoaineistoa, joissa käytetään otosta PDD- ja DLB-potilaista, joiden diagnostinen seuranta on saatavilla vähintään 3 vuoden ajan perusarvioinnin jälkeen. Ennusteina käytettiin rajoitettua tietoa kliinis-demografisista ominaisuuksista, 6 neuropsykologista testiä (minimentaalinen, PD-kognitiivinen arviointiasteikko, lyhyt visuaalinen muistitesti, kirjoitettu symbolinumero, Wechslerin aikuisten älykkyysasteikko, polun tekeminen A ja B). Kahta luokittelualgoritmia, logistista regressiota ja K-Lähimmät naapurit (K-NNs), tutkitaan niiden kyvyn ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Odotettu)

200

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

  • Kreikka
    • Attiki
      • Athens, Attiki, Kreikka, 16674
        • Rekrytointi
        • Anastasia Bougea
        • Ottaa yhteyttä:
        • Alatutkija:
          • Christos Goumas, dr

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

50 vuotta - 90 vuotta (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

PDD-ryhmä koostuu potilaista, jotka täyttävät todennäköisen PDD:n kriteerit ja DLB-ryhmän. Potilaat rekisteröidään kahden klinikan rekisteripohjaisesta tietokannasta. Seuraavat tiedot kerättiin: sukupuoli, ikä, koulutus, käden dominanssi, taudin kesto (vuosia) ja levodopaekvivalentti päiväannos (LEDD). Sairaustaakkaa arvioidaan Movement Disorders Society-United Parkinson's Disease Rating Scale (MDS-UPDRS) -arviointiasteikon (MDS-UPDRS) osassa III lääkityksen lopettamisen tilassa ja seuraavilla kuudella kognitiivisella/käyttäytymistestillä: Mini-Mental State Examination (MMSE), PD- Kognitiivinen arviointiasteikko (PD-CRS), lyhyt visuaalinen muistitesti (BVMT-TR), kirjoitettu symbolinumero (SDMT), jäljentekotesti (TMT A,B), Wechslerin aikuisten älykkyysasteikko (WAIS-V). Kaikille potilaille tehdään aivojen MRI ja verikoe dementian toissijaisten syiden poissulkemiseksi.

Kuvaus

Sisällyttämiskriteerit:

PDD-ryhmä koostui potilaista, jotka täyttivät Movement Disorders Societyn todennäköisen PDD-kriteerit (b) DLB-ryhmä koostui potilaista äskettäin tarkistettujen todennäköisen DLB-kriteerien mukaan.

Poissulkemiskriteerit:

  • vakavat psykiatriset häiriöt, masennus

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti
Interventio / Hoito
Parkinsonin taudin dementia
PDD-ryhmä koostui 58 potilaasta, jotka täyttivät Movement Disorders Societyn todennäköisen PDD:n kriteerit
Diagnostinen testi: koneoppimismalli
Kahta luokittelualgoritmia, logistista regressiota ja K-Lähimmät naapurit (K-NNs), tutkittiin niiden kyvyn ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.
Dementia Lewyn ruumiilla
DLB-ryhmä koostui 40 potilaasta äskettäin tarkistettujen todennäköisen DLB-kriteerien mukaan
Diagnostinen testi: koneoppimismalli
Kahta luokittelualgoritmia, logistista regressiota ja K-Lähimmät naapurit (K-NNs), tutkittiin niiden kyvyn ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
MMSE ennustava dlb tai PDD
Aikaikkuna: 1 vuosi
Kaksi luokitusalgoritmia, logistinen regressio ja K-Lähimmät naapurit (K-NNs), yhdistävät nämä testit tutkiakseen niiden kykyä ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.
1 vuosi
Parkinsonin tauti - Kognitiivinen arviointiasteikko (PD-CRS) ennustaa DLB:tä tai PDD:tä
Aikaikkuna: 1 vuosi
Kaksi luokitusalgoritmia, logistinen regressio ja K-Lähimmät naapurit (K-NNs), yhdistävät nämä testit tutkiakseen niiden kykyä ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.
1 vuosi
Lyhyt visuaalinen muistitesti (BVMT-TR) ennustaa DLB:tä tai PDD:tä
Aikaikkuna: 1 vuosi
Kaksi luokitusalgoritmia, logistinen regressio ja K-Lähimmät naapurit (K-NNs), yhdistävät nämä testit tutkiakseen niiden kykyä ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.
1 vuosi
Symbolinumero kirjoitettu ennakoiva DLB tai PDD
Aikaikkuna: 1 vuosi
Kaksi luokitusalgoritmia, logistinen regressio ja K-Lähimmät naapurit (K-NNs), yhdistävät nämä testit tutkiakseen niiden kykyä ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.
1 vuosi
Wechslerin aikuisten älykkyysasteikko, ennustaa DLB:tä tai PDD:tä
Aikaikkuna: 1 vuosi
Kaksi luokitusalgoritmia, logistinen regressio ja K-Lähimmät naapurit (K-NNs), yhdistävät nämä testit tutkiakseen niiden kykyä ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.
1 vuosi
jäljen tekeminen A ja B ennustavat DLB:tä tai PDD:tä
Aikaikkuna: 1 vuosi
Kaksi luokitusalgoritmia, logistinen regressio ja K-Lähimmät naapurit (K-NNs), yhdistävät nämä testit tutkiakseen niiden kykyä ennustaa onnistuneesti, kärsivätkö potilaat PDD:stä vai DLB:stä.
1 vuosi

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

National and Kapodistrian University of Athens

Tutkijat

  • Päätutkija: ANASTASIA BOUGEA, National and Kapodistrian University of Athens

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Yleiset julkaisut

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Sunnuntai 1. syyskuuta 2019

Ensisijainen valmistuminen (Odotettu)

Torstai 1. lokakuuta 2020

Opintojen valmistuminen (Odotettu)

Maanantai 1. maaliskuuta 2021

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Sunnuntai 21. kesäkuuta 2020

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Keskiviikko 24. kesäkuuta 2020

Ensimmäinen Lähetetty (Todellinen)

Torstai 25. kesäkuuta 2020

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Torstai 10. syyskuuta 2020

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 8. syyskuuta 2020

Viimeksi vahvistettu

Tiistai 1. syyskuuta 2020

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • 251ATHENS HOSPITAL

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

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 .

Kliiniset tutkimukset koneoppimismalli

Hae vastaavia kokeiluja

Sponsorit ja yhteistyökumppanit

Sairaudet

Huumeiden interventiot

CROs by country

CROs in Slovenia

Ehdot

Harvinaiset sairaudet

Huumeiden interventiot

Ravintolisät

Sponsori / yhteistyökumppanit

Sijainnit

3
Tilaa