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.

Prédiction Précoce de la Dysplasie Bronchopulmonaire chez les Nourrissons Prématurés à l'Aide de Données Cliniques

7 juillet 2026 mis à jour par: Melek Buyukeren, Konya City Hospital

Prédiction Précoce de la Dysplasie Bronchopulmonaire à l'Aide de Données Cliniques des Trois Premières Semaines Postnatales chez les Prématurés : Une Étude Rétrospective avec des Modèles de Langage à Grande Échelle

Prédiction précoce de la dysplasie broncho-pulmonaire chez les prématurés à l'aide des données cliniques des trois premières semaines postnatales avec des grands modèles de langage : une étude rétrospective Cette étude observationnelle rétrospective vise à évaluer la prédiction précoce de la dysplasie broncho-pulmonaire (DBP) chez les prématurés en utilisant les données cliniques des première, deuxième et troisième semaines postnatales. L'étude inclut des nourrissons nés avant 32 semaines de gestation ou pesant moins de 1 500 grammes, suivis à l'unité de soins intensifs néonatals de l'hôpital de la ville de Konya.

L'étude comparera les performances de différents grands modèles de langage (LLM), notamment ChatGPT, Gemini et Claude, dans la prédiction du développement de la DBP. Des variables cliniques telles que l'âge gestationnel, le poids de naissance, le support respiratoire, les besoins en oxygène, la durée de la ventilation mécanique et le statut infectieux seront utilisées.

Critère d'évaluation principal : Précision de la prédiction du risque de DBP par chaque modèle d'IA par rapport aux résultats cliniques réels. Critères d'évaluation secondaires : Sensibilité et spécificité des prédictions, performance de prédiction hebdomadaire et performance comparative entre les modèles d'IA.

Les résultats fourniront un aperçu de l'utilité clinique potentielle des approches basées sur l'IA pour l'évaluation précoce du risque de DBP chez les prématurés.

Aperçu de l'étude

Statut

Pas encore de recrutement

Les conditions

Intervention / Traitement

Description détaillée

Contexte :

La prématurité est une cause majeure de morbidité et de mortalité néonatales. La dysplasie bronchopulmonaire (DBP) est l'une des maladies pulmonaires chroniques les plus fréquentes chez les nourrissons prématurés, en particulier ceux d'âge gestationnel ou de poids de naissance très bas. La DBP augmente la dépendance à long terme à l'oxygène, la durée d'hospitalisation et les complications respiratoires. La prédiction précoce de la DBP est cruciale pour optimiser la prise en charge clinique.

L'âge gestationnel, le poids de naissance, la durée de la ventilation mécanique, l'oxygénothérapie, les infections et les facteurs hémodynamiques sont des facteurs de risque connus de DBP. Plusieurs modèles de risque clinique ont été développés pour prédire précocement la DBP, mais leur applicabilité clinique est limitée.

Les progrès récents de l'intelligence artificielle (IA) et du machine learning ont montré un potentiel dans l'analyse des données cliniques et la prédiction du risque de maladie. Les grands modèles de langage (LLM) tels que ChatGPT, Gemini et Claude peuvent interpréter des ensembles de données cliniques complexes et générer des prédictions de risque. Cependant, les études évaluant leurs performances dans la prédiction de la DBP chez les nourrissons prématurés sont limitées.

Objectif :

Évaluer rétrospectivement les performances de différents LLM dans la prédiction de la DBP chez les nourrissons prématurés (<32 semaines de gestation ou <1 500 grammes) en utilisant des données cliniques des semaines postnatales 1, 2 et 3. L'étude vise à comparer les prédictions générées par l'IA avec les résultats cliniques réels.

Conception de l'étude :

Étude rétrospective, observationnelle, monocentrique. Les données cliniques du service de réanimation néonatale de l'hôpital de la ville de Konya seront extraites des dossiers hospitaliers et anonymisées. Les modèles d'IA (ChatGPT, Gemini, Claude) recevront des ensembles de données standardisés incluant l'âge gestationnel, le poids de naissance, le sexe, le support respiratoire, les besoins en oxygène, la durée de la ventilation mécanique, le statut infectieux et d'autres paramètres pertinents. Les prédictions de l'IA classeront le risque de DBP comme faible, moyen ou élevé avec des pourcentages de probabilité estimés.

Participants :

Inclusion : Nourrissons prématurés <32 semaines de gestation ou <1 500 grammes, avec des données cliniques complètes, suivis en réanimation néonatale pendant la période d'étude. Exclusion : Nourrissons présentant des anomalies congénitales majeures, des données cliniques incomplètes ou un décès postnatal précoce.

Résultats :

Primaire : Exactitude des modèles d'IA dans la prédiction de la DBP par rapport aux résultats cliniques réels. Secondaire : Sensibilité et spécificité des prédictions de l'IA, comparaison des prédictions hebdomadaires, comparaison des performances entre les modèles d'IA.

Analyse statistique :

Statistiques descriptives (moyenne, écart-type, effectifs, pourcentages). Métriques de performance de prédiction : exactitude, sensibilité, spécificité, analyse ROC. Comparaison des modèles et des prédictions hebdomadaires à l'aide du test de DeLong. Signification statistique : p < 0,05.

Cadre :

Monocentrique, hospitalier, service de réanimation néonatale de l'hôpital de la ville de Konya. Collecte rétrospective de données cliniques.

Échantillon :

Population cible : Nourrissons prématurés à haut risque de DBP (<32 semaines ou <1 500 grammes). Taille de l'échantillon : Minimum 108 nourrissons calculé avec le logiciel G-power (puissance de 80 %, significativité de 5 %, taille d'effet moyenne = 0,3).

Protocole des modèles d'IA :

Invites standardisées pour chaque semaine postnatale :

Données cliniques d'un nourrisson prématuré à la [1ère/2ème/3ème] semaine postnatale :

  • Âge gestationnel : [semaines + jours]
  • Poids de naissance : [grammes]
  • Sexe : [masculin/féminin]
  • Corticothérapie anténatale : [Oui/Non]
  • Thérapie par surfactant : [nombre de doses]
  • Support respiratoire : [VM/CPAP/HFNC]
  • Besoins en FiO2 : [%]
  • Statut sepsis/CPA : [Oui/Non]

Prédire le risque de DBP (Faible/Moyen/Élevé) et fournir la probabilité (%) pour chaque catégorie.

Éthique :

Étude approuvée par le comité d'éthique institutionnel. Données anonymisées et confidentialité préservée.

Type d'étude

Observationnel

Inscription (Estimé)

108

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.

Coordonnées de l'étude

Lieux d'étude

  • Turquie (Türkiye)
      • Konya, Turquie (Türkiye), 42020
        • Konya City Hospital, İstiklal, Adana Çevre Yolu Cd. No:135/1

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

  • Enfant

Accepte les volontaires sains

Non

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

Une cohorte rétrospective de nourrissons prématurés (<32 semaines de gestation ou <1 500 g) admis à l'USIN de l'Hôpital de la ville de Konya. Seuls les nourrissons avec des données cliniques complètes et un statut de DBP documenté sont inclus. Les deux sexes sont inclus.

La description

Critères d'inclusion :

Nourrissons prématurés nés avant 32 semaines de gestation ou pesant moins de 1 500 grammes Suivis dans l'Unité de Soins Intensifs Néonatals de l'Hôpital de la Ville de Konya Données cliniques complètes disponibles dans les dossiers hospitaliers Statut de dysplasie bronchopulmonaire (DBP) documenté

Critères d'exclusion :

Anomalies congénitales majeures Données cliniques manquantes ou incomplètes Décès peu après la naissance avec données de suivi insuffisantes

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

Cohortes et interventions

Groupe / Cohorte
Intervention / Traitement
Cohorte de nourrissons prématurés (<32 semaines ou <1500 g)
Cette cohorte comprend des nourrissons prématurés nés avant 32 semaines de gestation ou pesant moins de 1 500 grammes, suivis à l'unité de soins intensifs néonatals de l'hôpital de la ville de Konya. Les données cliniques des première, deuxième et troisième semaines postnatales sont collectées rétrospectivement pour analyse. Aucune intervention n'est appliquée ; des modèles d'IA sont utilisés pour prédire le risque de dysplasie bronchopulmonaire (DBP) sur la base des données cliniques existantes.
Autre: Prédiction du Risque Basée sur l'Intelligence Artificielle
Différents grands modèles de langage (ChatGPT, Gemini, Claude) analyseront des données cliniques rétrospectives pour prédire le risque de dysplasie bronchopulmonaire (DBP). Il s'agit d'une évaluation observationnelle ; aucun traitement ou thérapie expérimentale n'est administré.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Précision de la prédiction du risque de dysplasie bronchopulmonaire (DBP) par les modèles d'intelligence artificielle (IA) chez les nourrissons prématurés.
Délai: Semaines postnatales 1, 2 et 3
Le critère d'évaluation principal est la précision de différents grands modèles de langage (ChatGPT, Gemini, Claude) dans la prédiction du développement du TPB. Les prédictions de risque générées par l'IA seront comparées aux résultats cliniques réels pour évaluer l'exactitude des prédictions.
Semaines postnatales 1, 2 et 3

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Sensibilité et spécificité des prédictions de l'IA
Délai: Semaines postnatales 1, 2 et 3
Évaluer le taux de vrais positifs (sensibilité) et le taux de vrais négatifs (spécificité) des prédictions de risque de BPD de chaque modèle d'IA par rapport aux résultats réels.
Semaines postnatales 1, 2 et 3
Comparaison de la précision de prédiction à travers les semaines postnatales
Délai: Semaines postnatales 1, 2 et 3
Comparez les performances des modèles d'IA à différentes semaines postnatales pour déterminer si la précision des prédictions s'améliore à mesure que davantage de données cliniques deviennent disponibles.
Semaines postnatales 1, 2 et 3
Performance comparative des différents modèles d'IA
Délai: Semaines postnatales 1, 2 et 3
Comparer les performances des modèles d'IA à différentes semaines postnatales pour déterminer si la précision de la prédiction s'améliore à mesure que davantage de données cliniques deviennent disponibles.
Semaines postnatales 1, 2 et 3

Collaborateurs et enquêteurs

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

Parrainer

Konya City Hospital

Publications et liens utiles

La personne responsable de la saisie des informations sur l'étude fournit volontairement ces publications. Il peut s'agir de tout ce qui concerne l'étude.

Publications générales

  • 1. Dai D, Chen H, Dong X, Chen J, Mei M, Lu Y, et al. Bronchopulmonary dysplasia predicted by developing a machine learning model of genetic and clinical information. Front Genet. 2021;12:689071. 2. Choi HJ, Lee G, Shin SH, Lee SM, Lee HC, Sohn JA, et al. Development and external validation of a machine learning model to predict bronchopulmonary dysplasia using dynamic factors. Sci Rep. 2025;15:13620. 3. Chen Y, Ma H, Liu X. Clinical and imaging data-based machine learning for early diagnosis of bronchopulmonary dysplasia: A meta-analysis. Curr Med Imaging. 2025;21:e15734056421036. 4. Özçelik G, Erol S, Korkut S, Köse Çetinkaya A, Özçelik H. Prediction of bronchopulmonary dysplasia using machine learning from chest X-rays of premature infants in the neonatal intensive care unit. Medicine (Baltimore).2025;104:e44322. 5. Akila K, Aravind Babu LR. Deep learning-driven early prediction of bronchopulmonary dysplasia using chest X-rays and clinical data. Electronics Communications and Computing Summit. 2025;3(3):90-97. 6. Zhang X, Wang Y, Li J, et al. Development and validation of machine learning models for predicting bronchopulmonary dysplasia risk in preterm neonates based on antenatal determinants. BMC Pediatr. 2025. 7. Li Y, Wang L, Chen Z, et al. Machine learning models combining oversampling techniques for prediction of bronchopulmonary dysplasia-associated pulmonary hypertension in very preterm infants. Respir Res. 2024;25:199.

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 (Estimé)

1 octobre 2026

Achèvement primaire (Estimé)

1 décembre 2026

Achèvement de l'étude (Estimé)

31 décembre 2026

Dates d'inscription aux études

Première soumission

6 avril 2026

Première soumission répondant aux critères de contrôle qualité

6 avril 2026

Première publication (Réel)

13 avril 2026

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

9 juillet 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

7 juillet 2026

Dernière vérification

1 juillet 2026

Plus d'information

Termes liés à cette étude

Mots clés

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • KSH_MB_2026_1

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

NON

Description du régime IPD

Cette étude utilise des données cliniques rétrospectives et anonymisées provenant de nourrissons prématurés admis à l'Unité de Soins Intensifs Néonatals de l'Hôpital de la Ville de Konya. Toutes les informations sur les patients ont été anonymisées pour protéger la vie privée et la confidentialité. En raison de la nature sensible des données de santé néonatales et des réglementations institutionnelles, les données individuelles des participants (DIP) ne seront pas partagées avec d'autres chercheurs. Les résultats de l'étude seront rapportés uniquement sous forme agrégée, garantissant qu'aucune information identifiable n'est divulguée.

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