Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Algorithmes d'apprentissage automatique TPF

25 juillet 2025 mis à jour par: Harm Hoekstra, prof. dr., Universitaire Ziekenhuizen KU Leuven

Prise en charge opératoire ou non opératoire des fractures du plateau tibial ? Application d'algorithmes d'apprentissage automatique pour aider à la décision de traitement

Adopter une technique d'apprentissage automatique pour décider si un traitement chirurgical ou non chirurgical donnera les meilleurs résultats pour le patient.

Aperçu de l'étude

Statut

Résilié

Description détaillée

L'objectif global est d'adopter une technique d'apprentissage automatique pour décider si un traitement opératoire ou non opératoire donnera les meilleurs résultats pour le patient.

Les principaux objectifs sont d'identifier l'algorithme d'apprentissage automatique le plus approprié pour prédire le meilleur traitement pour les futurs patients. Le fait que le traitement conservateur ou opératoire conduira au meilleur résultat pour le patient sera décidé en fonction du score KOOS prédit. Plusieurs facteurs d'entrée, tels que le traitement (conservateur ou opératoire), le nombre de fragments de fracture, l'emplacement de la fracture, l'atteinte des tissus mous,… pour chaque patient seront utilisés comme données d'entraînement pour l'algorithme. Certaines de ces données d'entrée seront dérivées de tomodensitogrammes. Par conséquent, les tomodensitogrammes seront segmentés en Mimics, pour lesquels l'UZ Leuven a récemment acheté des licences. La variable de sortie des données d'entraînement sera le score KOOS de chaque patient. Sur la base de la variable d'entrée et de sortie, l'algorithme déterminera une relation entre celles-ci. Pour les futurs patients dont la variable d'entrée est connue, la variable de sortie (=score KOOS) sera prédite à la fois en cas de traitement opératoire et conservateur. Nous émettons l'hypothèse que la prédiction sera améliorée en ajoutant plus de données d'entrée au fil du temps.

L'objectif secondaire est d'identifier les facteurs cliniques et radiologiques permettant de prédire le meilleur traitement pour les futurs patients.

En perspective, la technique d'apprentissage automatique pourrait être mise en œuvre à l'avenir dans la pratique clinique et utilisée comme outil de planification spécifique au patient pour la gestion des fractures du plateau tibial en aidant le chirurgien à sélectionner le meilleur traitement pour un cas donné. Les données collectées dans ce registre seront utilisées pour valider le modèle d'apprentissage automatique. Les patients ne seront pas encore traités sur la base des résultats du modèle développé, le chirurgien traumatologue est responsable de décider quelle option de traitement est la meilleure pour le patient.

Type d'étude

Observationnel

Inscription (Réel)

70

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Lieux d'étude

    • Vlaams-Brabant
      • Leuven, Vlaams-Brabant, Belgique, 3000
        • UZ Leuven

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

18 ans et plus (Adulte, Adulte plus âgé)

Accepte les volontaires sains

N/A

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Patients de l'UZ Leuven

La description

Critère d'intégration:

  • Âge > 18 ans
  • Fracture du plateau tibial proximal
  • Le patient peut assister aux visites de suivi

Critère d'exclusion:

  • Âge < 18 ans
  • Fractures bilatérales
  • Troubles neurologiques (c'est-à-dire paraplégie, AVC, démence, etc.)
  • Ne pas comprendre le néerlandais ou l'anglais

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

  • Modèles d'observation: Cohorte
  • Perspectives temporelles: Éventuel

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Algorithme d'apprentissage automatique
Délai: 1 an
Identifier l'algorithme d'apprentissage automatique le plus approprié qui prédit le meilleur traitement pour les futurs patients. La prédiction sera améliorée au fil du temps par des entrées supplémentaires.
1 an

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Facteurs cliniques
Délai: 1 an
Identifier les facteurs cliniques permettant de prédire le meilleur traitement pour les futurs patients
1 an
Facteurs radiologiques
Délai: 1 an
Identifier les facteurs radiologiques permettant de prédire le meilleur traitement pour les futurs patients
1 an

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Les enquêteurs

  • Chercheur principal: Harm Hoekstra, Prof. MD, UZ Leuven

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

5 octobre 2020

Achèvement primaire (Réel)

27 juin 2023

Achèvement de l'étude (Réel)

6 décembre 2024

Dates d'inscription aux études

Première soumission

16 juillet 2021

Première soumission répondant aux critères de contrôle qualité

27 juillet 2021

Première publication (Réel)

30 juillet 2021

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

29 juillet 2025

Dernière mise à jour soumise répondant aux critères de contrôle qualité

25 juillet 2025

Dernière vérification

1 juillet 2025

Plus d'information

Termes liés à cette étude

Autres numéros d'identification d'étude

  • S64352

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .

S'abonner