STN DBS motorreakció előrejelzése PD-ben (DBS-PREDICT)
A motoros válasz gépi tanulási előrejelzése STN DBS után Parkinson-kórban szenvedő betegeknél, retrospektív többközpontú validációs vizsgálat
A subthalamicus nucleus deep brain stimuláció (STN DBS) gondos kiválasztása ellenére néhány Parkinson-kórban (PD) szenvedő beteg mozgáskorlátozottsága korlátozott javulást mutat. A nem meggyőző eredmények és a gyakorlati beültethető előrejelző algoritmus hiánya a korábbi predikciós vizsgálatokból fenntartja egy olyan egyszerű eszköz szükségességét a neurológusok számára, amely megbízható előrejelzést ad a posztoperatív motorjavulásról az egyes betegek számára.
Ebben a tanulmányban egy korábban kidolgozott előrejelzési modellt igazoltak a PD-s betegek STN DBS utáni motoros válaszára. A modell egyéni valószínűségeket generál arra vonatkozóan, hogy egy évvel a műtét után gyenge válaszreakciójú lesz. A modell validálása több nemzetközi központból összegyűjtött validációs kohorszban történik.
A prediktív modell az adatgyűjtés előtt nyilvánosan hozzáférhető: https://github.com/jgvhabets/DBSPREDICT
A tanulmány áttekintése
Állapot
Körülmények
Beavatkozás / kezelés
Részletes leírás
A Parkinson-kórban szenvedő STN DBS után a motoros kimenetel előrejelzése kihívást jelenthet a klinikus számára. A jelenlegi előrejelzési tanulmányok nem meggyőző eredményekről számolnak be a legfontosabb prediktorokra vonatkozóan, és az alkalmazott számítási módszerek korlátozzák őket. A korrelációkra fókuszáló hagyományos statisztikai elemzéseket a vizsgálók prediktor- és összezavaró szelekciója torzítja. A modern számítási módszereket, például a gépi tanulási előrejelzési modelleket kevésbé korlátozza a minta mérete, és a prediktorok szélesebb skáláját is figyelembe vehetik, ami kisebb szelekciós torzításhoz vezet.
A retrospektív betegadatokat több nemzetközi központból gyűjtik. Ez a retrospektív, többközpontú kohorsz az egyközpontú retrospektív kohorsz alapján kifejlesztett modell érvényesítésére szolgál.
A cél egy olyan előrejelző eszköz kifejlesztése, amely biztosítja a klinikus számára a gyenge válasz valószínűségét a preoperatív szakaszban. Ez segítheti a klinikust abban, hogy bevonja vagy tájékoztassa a pácienst a preoperatív tanácsadás során.
A prediktív modell az adatgyűjtés előtt nyilvánosan hozzáférhető: https://github.com/jgvhabets/DBSPREDICT.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
Limburg
-
Maastricht, Limburg, Hollandia, 6229 AZ
- MaastrichtUMC
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Bevételi kritériumok:
- Parkinson-kór miatt STN DBS-en esett át
- a műtét után egy éves követés befejeződött
Kizárási kritériumok:
- hiányzó adatok a posztoperatív UPDRS II, III, IV
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Kohorsz
- Időperspektívák: Visszatekintő
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
többközpontú érvényesítési kohorsz
Több nemzetközi központból gyűjtünk retrospektív adatokat, amelyek preoperatív változókat (demográfiai és klinikai) és posztoperatív eredményeket (UPDRS II, III, IV) tartalmaznak egy évvel a műtét után, és ezeket az adatokat egy validációs kohorszba vonjuk össze.
|
Egyéni valószínűségek generálása a motoros válaszreakcióhoz preoperatív változók alapján
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
a vevő operátori görbe görbe alatti terület
Időkeret: egy éves posztoperatív
|
A motoros kimenetel egy bináris kimeneti változóban van kategorizálva. A modell megjósolja, hogy a páciens egy évvel a műtét után melyik kimenetelű csoportba tartozik. Az elsődleges eredménymérő az előrejelzett kimeneti kategóriák teljesítménye a tényleges kimeneti kategóriákkal. Az előrejelzési modellek teljesítményét a vevő operátori görbe görbe alatti területe, prediktív pontossága, valódi pozitív előrejelzési aránya és hamis pozitív előrejelzési aránya fejezi ki. |
egy éves posztoperatív
|
|
prediktív pontosság
Időkeret: egy éves posztoperatív
|
Lásd az 1. elsődleges eredmény leírását.
|
egy éves posztoperatív
|
|
valódi pozitív előrejelzési arány
Időkeret: egy éves posztoperatív
|
Lásd az 1. elsődleges eredmény leírását.
|
egy éves posztoperatív
|
|
hamis pozitív előrejelzési arány
Időkeret: egy éves posztoperatív
|
Lásd az 1. elsődleges eredmény leírását.
|
egy éves posztoperatív
|
Együttműködők és nyomozók
Szponzor
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Tényleges)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- 2019-0739-A9
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
IPD megosztási időkeret
IPD-megosztási hozzáférési feltételek
Az IPD megosztását támogató információ típusa
- Tanulmányi Protokoll
- Analitikai kód
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .