Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Adatgyűjtési tanulmány mesterséges intelligenciával és az akut tüdőembóliában szenvedő betegek fenotipizálásával (PEPITE)

A kezdeti cél mesterséges intelligencia eszközök (gépi tanulás és természetes nyelvi feldolgozás) kiépítése és validálása, hogy adatokat szerezzenek és strukturáljanak a Centre Hospitalier Intercommunal de Toulon - la Seyne sur mer (CHITS) orvosi jelentésekből. Ez a projekt a nizzai Antoine Lacassagne (CAL) Központ Epidemiológiai, Biostatisztikai és Egészségügyi Adatok Osztálya (DEBDS) által korábban végzett munkára épül, amely a mell- és pajzsmirigyrákra összpontosít. Az ötlet az, hogy érvényesítsék ezen eszközök átruházhatóságát egy másik intézménybe, ahol különböző kórképek és különböző szakemberek vannak, különösen a CHITS érgyógyászati ​​osztályára.

Ezt követően a cél az akut tüdőembóliában szenvedő betegek klinikailag releváns fenotípusainak azonosítása. A felügyelet nélküli tanulással (gépi tanulással) kombinált hierarchikus klaszterezési módszereket alkalmaznak a diagnóziskor homogének betegcsoportok meghatározásához. A 6 hónapos prognózis értékelése (kiújuló vagy krónikus thromboemboliás pulmonalis hypertonia), figyelembe véve az antikoaguláns kezelés első 3 hónapját, segítséget jelentene az orvosi döntéshozatalban.

Ez a kutatás tartalmaz egy retrospektív és egy prospektív részt. A retrospektív részbe azok a betegek tartoznak bele, akik 2019 óta kerültek a CHITS-be akut tüdőembólia miatt. A leendő részre a tervek szerint 2024-ben és 2025-ben azonos jellemzőkkel rendelkező betegeket is bevonnak. Több mint 2500 beteg bevonása várható.

Ez a kutatás nem lesz hatással a jelenlegi betegellátásra. Az ellátás keretében végzett konzultációk és különféle vizsgálatok adatait a diagnózist követő hat hónapig gyűjtik a kutatási célok teljesítése érdekében.

A tanulmány áttekintése

Állapot

Befejezve

Körülmények

Részletes leírás

Kontextus:

Mesterséges intelligencia: NLP, klaszterezés és felügyelet nélküli tanulás:

A mesterséges intelligencia (AI) egy olyan terület, amely a számítástechnikát egyesíti az adathalmazokkal, azzal a céllal, hogy egy gép képes legyen utánozni az emberi lény kognitív képességeit. A gépi tanulás (ML) és aldomain mély tanulása, amely neuronrétegeket használ, az AI két fő aldomainje. A különbség az egyes algoritmusok betanításában rejlik. Az ML két megkülönböztetett módszert használ: a felügyelt tanulást, amely magában foglalja a modell betanítását az ismert bemeneti és kimeneti adatokon a jövőbeli kimenetek előrejelzésére, a felügyelet nélküli tanulás pedig a rejtett minták és a belső mögöttes struktúrák felfedezését foglalja magában a bemeneti adatokban. A természetes nyelvi feldolgozás (NLP) szintén a mesterséges intelligencia egyik részterülete, de általában az ML hatékony működéséhez szükséges. Az NLP a valós világ nyelvi adatait dolgozza fel annak érdekében, hogy azokat a számítógép számára érthető módon értelmezze.

Az NLP-nek két fő szakasza van: az adatok előfeldolgozása és az algoritmusfejlesztés. Az olyan programozási nyelveket, mint a Python vagy az R, széles körben használják ezekhez a technikákhoz.

A klaszterezési módszerek célja az egyedek halmazának homogén osztályokba történő csoportosítása. Nem hierarchikus módszerek használhatók nagy mennyiségű adatok osztályozására, de ehhez előzetesen rögzíteni kell az osztályok számát. A hierarchikus módszerek, amelyek kiszámítása időigényesebb, egy fürtfa által képviselt beágyazott partícióból áll. Az optimális osztályszám utólag meghatározható a fa elolvasásával. Nagyszámú személy jelenlétében gyakori a nem hierarchikus és hierarchikus technikák kombinálása. Ha az osztályok előre nem ismertek egyértelműen, klaszterezési módszereket alkalmaznak a felügyelet nélküli tanulással (ML) [1]. Az adatkészleteket általában három diszjunkt adatkészletre osztják: betanítási adatok, amelyek a választott algoritmus(ok) betanításához használatosak; érvényesítési adatok, amelyeket az eredmény teljesítményének ellenőrzésére használnak; és tesztadatokat, csak a folyamat végén használjuk fel.

Vénás thromboemboliás betegség:

A vénás thromboemboliás betegség (VTE) egy gyakori kórkép, amelynek előfordulási gyakorisága nem teljesen ismert, de az életkor előrehaladtával növekszik, és eléri az 1%-ot a 75 év feletti betegeknél. Franciaországban a becslések szerint évente több mint 100 000 embernél alakul ki VTE, amely 5 000 és 10 000 közötti halálesetért felelős. A mélyvénás trombózis (DVT) és a tüdőembólia (PE) a VTE két fő típusa. A DVT a mélyvéna részleges vagy teljes trombus általi elzáródásának felel meg, leggyakrabban az alsó végtagokban. A PE a pulmonalis artériák vagy ágaik részleges vagy teljes elzáródásaként definiálható. A DVT fő kockázata a PE előfordulása, amely életveszélyes lehet. Egyéb VTE-specifikus szövődmények és lehetséges nemkívánatos következmények közé tartozik a thromboemboliás kiújulás (akár MVT, akár PE), krónikus thromboemboliás pulmonális hipertónia és poszttrombotikus szindróma MVT-ben. A VTE jelenlegi kezelése elsősorban az antikoaguláns terápián alapul. A kezelés időtartama a kezelés megszakítása esetén a kiújulás becsült kockázatától függően változik, alapvetően attól függően, hogy van-e előzetesen jelentős kockázati tényező [2]. A PE-betegek ebben az alcsoportjában a főbb kockázati tényezők hiányában a kiújulás kockázata közepesnek tekinthető, és attól függően változik, hogy az esemény első epizód vagy kiújulás, és vannak-e obstruktív tüdőkövetkezmények [3]. Az utóbbi időben a terápiás stratégia összetettebbé vált, és olyan kisebb kockázati tényezőket is beépítettek, amelyek releváns bizonyítékok nélkül módosítják a kezelés időtartamát. Ezen túlmenően, a kezelés időtartamától függetlenül, a közvetlen orális antikoagulánsok esetében a hatodik hónapon túli antikoaguláns adagolása bizonytalan.

Hipotézisek:

Ezt a kutatást két külön tengely alatt mutatjuk be:

1. TENGELY: Ennek a munkának a célja kezdetben mesterséges intelligencia-eszközök kifejlesztése és validálása ML és NLP használatával szöveges orvosi jelentések adatainak megszerzésére és strukturálására a Centre Hospitalier Intercommunal de Toulon - la Seyne érgyógyászati ​​osztályán. sur mer (CHITS). Ez a projekt az Antoine Lacassagne-i Központ (CAL) Epidemiológiai, Biostatisztikai és Egészségügyi Adatok Osztálya (DEBDS) által korábban végzett munkára épül, amely a mell- és pajzsmirigyrákra összpontosít [5,6,7]. Az ötlet az, hogy érvényesítsék ezen eszközök átruházhatóságát egy másik intézménybe, ahol különböző patológiák és gyakorló szakemberek, különösen a CHITS érgyógyászati ​​osztályára.

A mesterséges intelligencia technikák segítségével közvetlenül szöveges orvosi jelentésekből strukturált adatok beszerzésének módszerének megvalósítása kórházunkon belül kihívást jelent. Ha teljesítménye bizonyított, és ezt az eszközt állandóan, rutinszerűen alkalmazzák, akkor könnyen hasznosítható információforrást jelentene. Létesítményünkben a klinikai kutatás területeinek és érdeklődési köreinek sokfélesége megvalósítható célt jelenthet a más osztályokon való alkalmazásra. A CHITS számára ez az első lépés a Health Data Warehouse (HDW) felépítésének folyamatában.

2. TENGELY: Ezt követően az adatbázis célja az lesz, hogy az akut tüdőembóliában szenvedő betegek klinikailag releváns fenotípusait azonosítsuk. A felügyelet nélküli tanulással (gépi tanulással) kombinált hierarchikus klaszterezési módszereket alkalmaznak a diagnóziskor homogének betegcsoportok meghatározásához. A 6 hónapos prognózis értékelése (kiújuló vagy krónikus thromboemboliás pulmonalis hypertonia), figyelembe véve az antikoaguláns kezelés első 3 hónapját, segítséget jelentene az orvosi döntéshozatalban.

Az akut tüdőembóliában szenvedő homogén betegcsoportok hat hónapos evolúciójának elemzése, klaszterezési módszerekkel, felügyelet nélküli tanulással szerkesztve, még soha nem készült. Ez az innovatív projekt egy nagyszabású kórházi infrastruktúrán belül valószínűleg segítséget nyújt az orvosoknak a döntéshozatalhoz, a betegeknek pedig a terápiás menedzsment tudományosan igazolt formáját.

Anyag és módszerek :

Ez a kutatás tartalmaz egy retrospektív és egy prospektív részt. A retrospektív részbe azok a betegek tartoznak bele, akik 2019 óta akut tüdőembólia miatt kerültek CHITS-be (körülbelül 1900 beteg). A leendő részre a tervek szerint 2024-ben és 2025-ben azonos jellemzőkkel rendelkező betegeket vonnak be (körülbelül 765 beteg). Ha nem állnak rendelkezésre egyéni információk, vagy a betegek 25%-ánál tiltakoznak adataik feldolgozása ellen, akkor ebben a vizsgálatban potenciálisan több mint 2500 betegre vonatkozó nagy mennyiségű adat elemezhető. Ez a kutatás nem lesz hatással a jelenlegi betegellátásra. Az ellátás keretében végzett konzultációk és különféle vizsgálatok adatait a diagnózist követő hat hónapig gyűjtik a kutatási célok elérése érdekében.

1. TENGELY: A kutatásban használt adatgyűjtési módszer kettős lesz. A klinikai kutatásban részt vevő betegek adatait hagyományosan egy esetjelentési űrlap segítségével gyűjtik össze, majd központosítják és egy "Gold Standard" nevű referenciaadatbázisba rendezik, és egy klinikai kutató technikus írja be. Az adatgyűjtés második technikája, NLP-módszereket használva, a korábbi megközelítéssel párhuzamosan több lépcsőben fog haladni. Először is, az orvosi jelentések (MR) szöveges formátumú kinyerését egy álnevesítési szakasz követi. Az MR-adatkészlet ezután a speciális karakterek eltávolításával és az érdeklődési szegmensek azonosításával előkészítésre kerül a betanításra és az érvényesítésre. Ezután az MR-t a BRAT megjegyzésekkel látja el, hogy azonosítsa azokat a kifejezéseket, amelyeket az adatbázis feltöltésére használnak majd. Az NLP-modellek létrehozása érdekében a betegek 70%-án képzési szkripteket alkalmaznak. Ebben a képzési szakaszban az utófeldolgozási orvosi szabályokat írják meg annak érdekében, hogy a modellek által azonosított információkat strukturált adatokká alakítsák át. Az így véglegesített szkriptet a rendszer alkalmazza az érvényesítési alapra a teljesítményének értékelésével. A szükséges módosítások után a végső szkript teljesítményét a tesztadatbázis értékeli. A teljesítmény értékelése az automatikusan kapott adatok és a manuális Gold Standard adatbázis összehasonlításával történik.

2. TENGELY: A jelen tanulmányban használt felügyelt klaszterezési módszerek hierarchikus és nem hierarchikus módszereket kombinálnak. A hierarchikus növekvő klaszterezést követően a Ward-indexet használják az érdeklődési csoportok számának meghatározására. Ezeknek a csoportoknak a centroidjait ezután úgy tekintjük, hogy inicializálnak egy particionáló algoritmust, például a k-közép algoritmust. Miután meghatározták a legtöbb orvosilag releváns csoportot, összehasonlítják a hat hónapos evolúciót (stabil, súlyosbodás vagy progresszió). A progressziót befolyásoló tényezők a kezelés első három hónapjában szintén beépíthetők egy statisztikai modellbe, attól függően, hogy mennyire képesek előre jelezni a súlyosbodást. Mindezen feltárásoknak alapot kell adniuk az orvosi döntéshozatalhoz.

Tanulmány típusa

Megfigyelő

Beiratkozás (Tényleges)

2350

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

      • Toulon, Franciaország, 83100
        • Centre hospitalier intercommunal Toulon La Seyne sur Mer - Internal and vascular medicine

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Felnőtt
  • Idősebb felnőtt

Egészséges önkénteseket fogad

Nem

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

Ez a kutatás tartalmaz egy retrospektív és egy prospektív részt. A retrospektív részbe azok a betegek tartoznak bele, akik 2019 óta akut tüdőembólia miatt kerültek CHITS-be (körülbelül 1900 beteg). A leendő részre a tervek szerint 2024-ben és 2025-ben azonos jellemzőkkel rendelkező betegeket is bevonnak.

Leírás

Bevételi kritériumok:

  • Életkor ≥ 18 év;
  • CHITS-ben szenvedő akut tüdőembóliában szenvedő beteg (kórházi kezelés vagy nem).

Kizárási kritériumok:

  • Szubszegmentális tüdőembóliák ;
  • Türelmes ellenállás.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
Beavatkozás / kezelés
Akut tüdőembóliában szenvedő beteg
Akut tüdőembóliában szenvedő beteg a Center Hospitalier Intercommunal Toulon La Seyne sur Mer-ben, 2019 óta kórházban van vagy nem
Hierarchikus klaszterezési módszerekkel homogén betegcsoportokat alakítanak ki a diagnózis felállítása során kapott adatok alapján: a tünetek megléte vagy hiánya, a klinikai és biológiai adatok, valamint a kedvező tényezők jelenléte vagy hiánya. A 6 hónapos beteg evolúciója kategóriákba sorolható: stabil, súlyosbodás vagy progresszió, amelyeket olyan események határoznak meg, mint a kiújulás, vérzés, funkcionális következmények vagy halál.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Elsődleges: Azonosítsa a homogén betegcsoportokat a diagnózis során az orvosi jellemzők alapján, majd hasonlítsa össze azok fejlődését 6 hónapon belül.
Időkeret: 6 hónap
A hierarchikus klaszterezési módszereket a betegek homogén csoportjainak kialakítására használják, a diagnózis adataik alapján: a tünetek jelenléte vagy hiánya, a klinikai és biológiai adatok, valamint a kedvező tényezők jelenléte vagy hiánya. A betegek 6 hónapos fejlődése kategóriákba eshet: stabil, súlyosbodás vagy haladás, amelyeket olyan események határoznak meg, mint például a visszatérés, a vérzés, a funkcionális következmények vagy a halál.
6 hónap

Másodlagos eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Másodlagos: Határozza meg a 6 hónapos előrehaladás előrejelző tényezőit a kezelés első három hónapjában.
Időkeret: 3 hónap
A priori, az elsődleges célkitűzéshez definiált csoportokat fenntartják. A kezelés első három hónapjában figyelembe vett tényezők a következőket foglalják magukban: klinikai és biológiai adatok, a tünetek jelenléte vagy hiánya, kedvező tényezők vagy szövődmények.
3 hónap

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Együttműködők

Nyomozók

  • Tanulmányi igazgató: Jean-Noël POGGI, MD, Centre Hospitalier Intercommunal Toulon La Seyne sur Mer

Publikációk és hasznos linkek

A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2023. december 11.

Elsődleges befejezés (Tényleges)

2026. július 1.

A tanulmány befejezése (Tényleges)

2026. július 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2023. december 13.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2023. december 26.

Első közzététel (Tényleges)

2023. december 28.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2026. július 7.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2026. július 3.

Utolsó ellenőrzés

2026. július 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

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. .

Iratkozz fel