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.

Système prédictif et interventionnel basé sur l'IA pour la détection précoce des risques de non-observance des thérapies orales chez les patients atteints de lymphome. (LNH-AI-Tools)

20 avril 2026 mis à jour par: Grand Hôpital de Charleroi

Système prédictif et interventionnel basé sur l'IA pour la détection précoce des risques de non-observance des thérapies orales chez les patients atteints de lymphome, intégrant le parcours de soins complet et une interface clinique interopérable avec des algorithmes associés à des outils d'explicabilité.

Cette recherche fait partie d'une initiative d'amélioration continue de la qualité. Elle vise à évaluer l'observance des thérapies orales par les patients grâce à l'intelligence artificielle. Elle pourrait surmonter les limites des pratiques actuelles et améliorer la réactivité et la précision des interventions cliniques.

Aperçu de l'étude

Statut

Recrutement

Les conditions

Intervention / Traitement

Description détaillée

Les lymphomes non hodgkiniens nécessitent des protocoles de traitement rigoureux, incluant une chimiothérapie intraveineuse intensive ou des thérapies orales ciblées. L'immunosuppression secondaire nécessite une prophylaxie orale anti-infectieuse (comme le valaciclovir ou le Bactrim forte) pour prévenir les complications opportunistes. Cependant, la littérature rapporte que jusqu'à 50 % des patients rencontrent des difficultés d'adhésion aux thérapies orales, compromettant l'efficacité du traitement, augmentant le risque d'infections sévères, d'hospitalisations prolongées et, par conséquent, des coûts supplémentaires pour le système de santé. Ce projet propose de développer un outil innovant d'intelligence artificielle (IA), basé sur des données réelles, pour détecter les signes précoces de non-observance et permettre une intervention ciblée par les équipes soignantes. Notre approche combine l'analyse de données cliniques (patient, maladie, historique de dispensation, résultats de laboratoire, interactions médicamenteuses) et des algorithmes d'apprentissage automatique (apprentissage supervisé et réseaux neuronaux) pour identifier les profils à risque. L'outil générera une alerte en temps réel et offrira au médecin référent du patient et à l'infirmier coordonnateur des recommandations personnalisées, telles qu'un rappel automatisé, une consultation infirmière dédiée, etc. Une interface intuitive permettra aux cliniciens et aux infirmiers de visualiser les tendances d'observance et d'agir rapidement. Ce projet s'appuie sur une équipe multidisciplinaire (hématologues, infirmiers de pratique avancée (IPA), scientifiques des données, experts en IA) et des partenaires patients pour valider l'outil dans des conditions réelles.

Type d'étude

Observationnel

Inscription (Estimé)

210

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

Sauvegarde des contacts de l'étude

Lieux d'étude

  • Belgique
    • Hainaut
      • Charleroi, Hainaut, Belgique, 6060
        • Recrutement
        • Grand Hôpital de Charleroi
        • Contact:
        • Contact:
        • Chercheur principal:
          • Delphine Pranger, MD
        • Chercheur principal:
          • Marie Detrait, MD, PhD
        • Sous-enquêteur:
          • Stéphanie De Prophetis, Nurse

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

  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

Non

Méthode d'échantillonnage

Échantillon de probabilité

Population étudiée

Patients traités dans le service d'hématologie de l'hôpital général de Charleroi pour un lymphome non hodgkinien.

La description

Critères d'inclusion :

  • Tous les patients âgés de 18 ans et plus traités dans le Service d'Hématologie du Grand Hôpital de Charleroi à partir de novembre 2025
  • Traités pour un lymphome non hodgkinien
  • Capables de donner un consentement éclairé

Critères d'exclusion :

  • Tous les autres patients ne répondant pas aux critères d'éligibilité

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 rétrospective
Une cohorte rétrospective de 2019 à 2024 comprenant 350 patients atteints de lymphome qui ont été surveillés sur une base empirique.
Autre: Groupe rétrospectif
Pour le groupe rétrospectif de 20 patients.
Cohorte prospective
Une étude de cohorte prospective portant sur jusqu'à 210 patients consécutifs, débutant en novembre 2025, visant à développer un outil d'aide à la décision utilisant l'apprentissage automatique.
Autre: Groupe prospectif
Suivi des patients pour le groupe prospectif

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
ROC-AUC
Délai: 2027

Description : ROC-AUC : Receiver Operating Characteristic - Area Under the Curve est une métrique de performance pour les algorithmes de prédiction de classification binaire. Courbe ROC : Trace le Taux de Vrais Positifs (sensibilité) par rapport au Taux de Faux Positifs (1-spécificité) à différents seuils de classification. AUC : L'aire sous cette courbe (allant de 0 à 1). Une AUC plus élevée indique une meilleure performance du modèle - 1,0 est parfait, 0,5 correspond à une prédiction aléatoire. ROC-AUC évalue la capacité du modèle à distinguer les classes, indépendamment du seuil de classification.

Délai : Quand les données seront disponibles, fin 2027
2027

Mesures de résultats secondaires

Mesure des résultats
Description de la mesure
Délai
Score F1
Délai: Quand les données seront disponibles, fin 2027

Le F1-Score est une métrique de performance pour les algorithmes de classification, la moyenne harmonique de la Précision (prédictions positives correctes / prédictions positives totales) et du Rappel (prédictions positives correctes / positifs réels).

Formule : F1 = 2 × (Précision × Rappel) / (Précision + Rappel) Plage : 0 à 1, où 1 représente une précision et un rappel parfaits, et 0 les pires.

Le F1-Score équilibre la précision et le rappel, le rendant idéal lorsque vous devez éviter à la fois les faux positifs et les faux négatifs.
Quand les données seront disponibles, fin 2027

Autres mesures de résultats

Mesure des résultats
Description de la mesure
Délai
Rappel pour la classe positive
Délai: 2027

Le rappel pour la classe positive est une métrique de classification binaire qui répond à :

« Quelle proportion des positifs réels a été correctement identifiée par le modèle ? »

Formule : Rappel = Vrais Positifs / (Vrais Positifs + Faux Négatifs)

Plage : 0 à 1, où 1 signifie que tous les positifs ont été correctement prédits, et 0 signifie qu'aucun ne l'a été.

Un rappel élevé signifie que le modèle est efficace pour capturer la plupart des cas positifs, mais il peut également inclure plus de faux positifs. C'est crucial lorsque manquer un positif (faux négatif) est coûteux.
2027

Collaborateurs et enquêteurs

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

Parrainer

Grand Hôpital de Charleroi

Les enquêteurs

  • Chercheur principal: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi

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)

15 février 2026

Achèvement primaire (Estimé)

31 décembre 2027

Achèvement de l'étude (Estimé)

15 février 2029

Dates d'inscription aux études

Première soumission

8 avril 2026

Première soumission répondant aux critères de contrôle qualité

20 avril 2026

Première publication (Réel)

22 avril 2026

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

22 avril 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

20 avril 2026

Dernière vérification

1 avril 2026

Plus d'information

Termes liés à cette étude

Mots clés

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • LNH-AI-Tools

Plan pour les données individuelles des participants (IPD)

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

NON

Description du régime IPD

À l'heure actuelle, cette recherche est menée en interne ; après analyse, cette option pourrait être envisagée si le modèle peut être adapté pour une utilisation ailleurs.

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