Tekoälyyn perustuva ennakoiva ja interventiivinen järjestelmä lymfoomapotilaiden suun kautta annettavien hoitojen noudattamisriskin varhaiselle tunnistamiselle. (LNH-AI-Tools)
Tekoälypohjainen ennakoiva ja interventiojärjestelmä suun kautta annettavien hoitojen noudattamattomuusriskin varhaiselle havaitsemiselle lymfoomapotilailla, joka integroi koko hoitopolun ja yhteentoimivan kliinisen käyttöliittymän algoritmeilla, jotka on paritettu selitettävyystyökalujen kanssa.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Marie Detrait, MD, PhD
- Puhelinnumero: 0032 60 11 20 08
- Sähköposti: marie.detrait@ghdc.be
Tutki yhteystietojen varmuuskopiointi
- Nimi: Aline Gillain, MedSciences
- Puhelinnumero: 0032 60 11 00 89
- Sähköposti: aline.gillain@ghdc.be
Opiskelupaikat
-
-
Hainaut
-
Charleroi, Hainaut, Belgia, 6060
- Rekrytointi
- Grand Hôpital de Charleroi
-
Ottaa yhteyttä:
- Marie Detrait, MD, PhD
- Puhelinnumero: 0032 60 11 20 08
- Sähköposti: marie.detrait@ghdc.be
-
Ottaa yhteyttä:
- Marie Detrait, MedSC
- Puhelinnumero: 0032 60 11 00 89
- Sähköposti: aline.gillain@ghdc.be
-
Päätutkija:
- Delphine Pranger, MD
-
Päätutkija:
- Marie Detrait, MD, PhD
-
Alatutkija:
- Stéphanie De Prophetis, Nurse
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Kaikki potilaat, jotka ovat 18-vuotiaita ja sitä vanhempia ja joita hoidetaan Grand Hôpital de Charleroin hematologian osastolla marraskuusta 2025 alkaen
- Hoidettu lymfoomasta, Non-Hodgkin
- Kykeneviä antamaan tietoon perustuvan suostumuksen
Poissulkemiskriteerit:
- Kaikki muut potilaat, jotka eivät täyttäneet kelpoisuuskriteerejä
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Retrospektiivinen kohortti
Retrospektiivinen kohortti vuosilta 2019–2024, johon kuului 350 lymfoomapotilasta, joita seurattiin empiirisesti.
|
20 potilaan retrospektiiviselle ryhmälle.
|
|
Tulevaisuuteen suunnattu kohortti
Prospektiivinen kohorttitutkimus, johon osallistuu jopa 210 peräkkäistä potilasta, alkaa marraskuussa 2025, ja sen tavoitteena on kehittää päätöksentekotuki koneoppimista hyödyntäen.
|
Potilaiden seuranta prospektiivisessa ryhmässä
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
ROC-AUC
Aikaikkuna: 2027
|
Kuvaus: ROC-AUC : Receiver Operating Characteristic - Area Under the Curve on suorituskykymittari binääristen luokittelualgoritmien ennustuksille. ROC-käyrä: Esittää todennettujen positiivisten määrän (herkkyys) suhteessa vääriin positiivisiin (1-spesifisyys) eri luokittelukynnysarvoilla. AUC: Tämän käyrän alla oleva pinta-ala (välillä 0–1). Korkeampi AUC osoittaa parempaa mallin suorituskykyä – 1,0 on täydellinen, 0,5 on satunnainen arvaus. ROC-AUC arvioi, kuinka hyvin malli erottaa luokkia toisistaan riippumatta luokittelukynnyksestä. Aikataulu: Kun tiedot ovat saatavilla, vuoden 2027 lopussa |
2027
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
F1-pistemäärä
Aikaikkuna: Kun tiedot ovat saatavilla, vuoden 2027 lopussa
|
F1-Score on luokittelualgoritmien suorituskykymittari, tarkkuuden (oikeat positiiviset ennusteet / kaikki positiiviset ennusteet) ja täsmällisyyden (oikeat positiiviset ennusteet / todelliset positiiviset) harmoninen keskiarvo. Kaava: F1 = 2 × (Tarkkuus × Täsmällisyys) / (Tarkkuus + Täsmällisyys) Arvoalue: 0–1, jossa 1 on täydellinen tarkkuus ja täsmällisyys, ja 0 on huonoin. F1-Score tasapainottaa tarkkuutta ja täsmällisyyttä, mikä tekee siitä ihanteellisen, kun on vältettävä sekä vääriä positiivisia että vääriä negatiivisia tuloksia. |
Kun tiedot ovat saatavilla, vuoden 2027 lopussa
|
Muut tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Positiivisen luokan muistaminen
Aikaikkuna: 2027
|
Positiivisen luokan palautus on binääriluokittelun mittari, joka vastaa kysymykseen: "Mikä osuus todellisista positiivisista tapauksista tunnistettiin oikein mallilla?" Kaava: Palautus = Todelliset positiiviset / (Todelliset positiiviset + Väärät negatiiviset) Arvoalue: 0–1, jossa 1 tarkoittaa, että kaikki positiiviset tapaukset ennustettiin oikein, ja 0 tarkoittaa, että yhtäkään ei ennustettu oikein. Korkea palautus tarkoittaa, että malli on hyvä tunnistamaan useimmat positiiviset tapaukset, mutta se voi myös sisältää enemmän vääriä positiivisia. Se on kriittinen, kun positiivisen tapauksen ohittaminen (väärä negatiivinen) on kallis. |
2027
|
Yhteistyökumppanit ja tutkijat
Sponsori
Tutkijat
- Päätutkija: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi
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
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- LNH-AI-Tools
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
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 .