Luotettava tekoäly aivohalvauksen tulosten parantamiseksi (TRUSTroke)
Luotettava tekoäly aivohalvauksen tulosten parantamiseksi. Toisen vaiheen tuleva tutkimus tekoälymallien optimoinnista
Aivohalvaus on johtava kuolinsyy ja vammaisuus maailmanlaajuisesti. Selitettävien ja tulkittavien tekoälyratkaisujen kliinisellä validoinnilla aivohalvauksen akuutin vaiheen oikea-aikaisessa ja yksilöllisessä hallinnassa olisi suuri vaikutus, koska se voi merkittävästi vähentää potilaiden vammaisuutta. Myös pitkän aikavälin tulosten ennustaminen on ratkaiseva tekijä, koska se voi määrittää kriittisiä päätöksiä, kuten potilaan kotiutuksen määränpää. Lisäksi ohjeisiin perustuvan sekundaarisen aivohalvauksen ehkäisyn noudattamisen on osoitettu vähentävän aivohalvauksen uusiutumista, mutta tällä hetkellä vain 40 % potilaista noudattaa ennaltaehkäisevää hoitoa 3 kuukautta aivohalvauksen jälkeen. Siksi potilaiden tulokset voivat parantaa asianmukaisia potilasviestintä- ja sitoutumispaketteja. Tekoälyllä voi olla dramaattinen vaikutus aivohalvauspotilaiden matkaan, mikä parantaa ennusteita, mikä johtaa parempaan sekundaaristen aivohalvausstrategioiden valintaan sekä näyttöön perustuvien tietojen käyttö edistääkseen parempaa hoitoon sitoutumista ja verisuonten riskitekijöiden vähentämistä.
Tämän monikeskustutkimuksen tavoitteena on kehittää ja validoida tekoälypohjaisia työkaluja lyhyen ja pitkän aikavälin tulosten ennustamiseksi iskeemisillä aivohalvauspotilailla. Erityisesti tämän tutkimuksen tarkoituksena on osoittaa tekoälymallien tarkkuus iskeemisten aivohalvauspotilaiden toiminnallisen lopputuloksen ennustamisessa NIHSS-pisteillä (0-42) ja mRS-pisteillä (0-6) mitattuna sairaalasta kotiutumisen yhteydessä sekä pisteillä 3, 6 ja 12. kuukautta kotiutuksen jälkeen. Mahdollisia iskeemisen aivohalvauksen potilaita rekrytoidaan kolmesta suuresta eurooppalaisesta keskuksesta. Paikallisten tekoälymallien koulutus ja testaus suoritetaan käyttämällä sairaalahoitotietoja, jotka on kerätty aivohalvauspotilaiden reittien hoitotoimenpiteiden aikana, sekä kotihoidon etähoitojärjestelmän (NORA-sovelluksen) avohoidossa valvottua dataa kotiutuksen jälkeisen seurannan aikana. Nämä paikalliset mallit integroidaan sitten yhdistettyyn oppimisjärjestelmään, jossa vain globaali tekoälymalli, joka on johdettu kaikkien paikallisten mallien yhdistetyistä näkemyksistä, jaetaan osallistuvien sairaaloiden kesken. Yksittäisiä paikallisia malleja ja alkuperäisiä tietoja ei jaeta, mikä takaa tietojen yksityisyyden ja turvallisuuden. Prospektiivisesti optimoitujen tekoälymallien tarkkuus ja suorituskyky kliinisten tulosten ennustamisessa 12 kuukauden seurantajakson aikana arvioidaan ja verrataan potilaiden todellisiin tuloksiin.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällön kriteerit:
- Kohde on 18 vuotta täyttänyt
- Akuutin iskeemisen aivohalvauksen diagnoosi
- Potilaan tai lähiomaisen allekirjoitus tietoisen suostumuslomakkeen toimesta
Poissulkemiskriteerit:
- Tässä tutkimuksessa ei ole harkittu poissulkemiskriteerejä.
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
AI-mallin tarkkuus ennustaa lyhytaikaisia funktionaalisia aivohalvaustuloksia
Aikaikkuna: 24 kuukautta
|
Kehittyneiden AI-mallien tarkkuuden arvioimiseksi aivohalvauksen potilaiden, kuten kansallisen terveyshalvauksen asteikon (NIHSS, 0-42) ja modifioidun Rankin-asteikon (MRS, 0-6) funktionaalisten tulosten ennustamisessa sairaalan vastuuvapauden aikana (lyhytaikainen tulos). Erityisesti arvioidaan mittareita, kuten ROC -käyrän alla (AUROC) ja R²: n regressiotehtäviä varten, sekä koneoppimislähestymistapoihin, kuten satunnaiseen metsään ja XGBoost, että syvän oppimisen lähestymistavat, kuten hermoverkot. |
24 kuukautta
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
AI-mallin tarkkuus ennustaa pitkäaikaisia funktionaalisia tuloksia
Aikaikkuna: 24 kuukautta
|
Kehittyneiden AI-mallien tarkkuuden arvioimiseksi kansallisen terveyshalvauksen asteikon (NIHSS, 0-42) ja modifioidun Rankin-asteikon (MRS, 0-6) ennustamisessa 3, 6 ja 12 kuukauden kuluttua vastuuvapaudesta. Lisäksi arvioidaan muita funktionaalisia tuloksia, kuten potilaan ilmoittamat tulostoimenpiteet (PROM) ja potilaan ilmoittamat kokemustoimenpiteet (PREM). Erityisesti arvioidaan mittareita, kuten ROC -käyrän alla (AUROC) ja R²: n regressiotehtäviä varten, sekä koneoppimislähestymistapoihin, kuten satunnaiseen metsään ja XGBoost, että syvän oppimisen lähestymistavat, kuten hermoverkot. |
24 kuukautta
|
|
AI -mallin tarkkuus aivohalvauksen liittyvien riskien ennustamisessa
Aikaikkuna: 24 kuukautta
|
AI -mallien tarkkuuden arvioimiseksi varhaisen tuetun vastuuvapauden todennäköisyyden ennustamisessa (1 viikko tapahtuman jälkeen), suunnittelemattoman sairaalan takaisinottoon (30 päivän kuluttua) ja aivohalvauksen uusiutumisen henkilökohtaisen riskin 3 ja 12 kuukauden kohdalla. Erityisesti arvioidaan mittareita, kuten ROC -käyrän alla (AUROC) ja R²: n regressiotehtäviä varten, sekä koneoppimislähestymistapoihin, kuten satunnaiseen metsään ja XGBoost, että syvän oppimisen lähestymistavat, kuten hermoverkot. |
24 kuukautta
|
Yhteistyökumppanit ja tutkijat
Tutkijat
- Päätutkija: Pietro Caliandro, MD, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
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
- 7067
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 .