- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT06862037
Gépi tanulási modellek kidolgozása a posztoperatív GERD tünetek felbontására a laparoszkópos Nissen -alappoplikáció után
Az elasztikus nettó regressziós-szamote modellek kifejlesztése a posztoperatív gastroesophagealis reflux tünetek felbontására a laparoszkópos Nissen-alappoplikáció után
A tanulmány áttekintése
Állapot
Beavatkozás / kezelés
Részletes leírás
A gastroesophagealis reflux betegségben (GERD), amely a gyógyszeres kezelésre, vagy azoknak a betegeknél, akik várhatóan hosszú távú orvosi kezelést igényelnek, akkor a Reflux anti-Reflux műtétet (ARS) végezték el, beleértve a Nissen-fundoplikációt. A GERD -t általában nyelőcső nyálkahártya -károsodás vagy kóros nyelőcső sav expozíciója diagnosztizálják. Ugyanakkor a gastroesophagealis reflux tünetek kb. 35% -ánál nem mutat rendellenes eredmények a nyelőcső -jeroduodenoszkópiával (EGD) és a nyelőcső pH -monitorozását. Eközben a tipikus GERD tünetekkel rendelkező betegek kb. 10% -ánál és az atipikus GERD tünetekkel rendelkező betegek 30-50% -ánál nem tapasztalnak tünetek javulását még az ARS-en keresztül. Ezért egyre inkább hangsúlyozták a tünetek javításának fontosságát az ARS után és a műtéti jelöltek megfelelő kiválasztása után.
Noha a korábbi vizsgálatok számos prediktorra utaltak, beleértve az alsó nyelőcső-sphincter (LES) hosszát, a LES nyugalmi nyomását és a bolus expozíciós időtartamot az ARS utáni GERD-tünetek felbontásának előrejelzésére, az EGD, a nyelőcső pH-monitorozása és a manometria eredményeit sem integrálták.
Az elasztikus nettó regresszió egy olyan gépi tanulási módszer, amely a szabályozott regressziós analízist alkalmazza, az L1 (LASSO) és az L2 (Ridge) szankciókat kombinálva. Ez a megközelítés a modellt viszonylag robusztusá teszi a túlteljesítés ellen, és alkalmas kis mintákkal, nagy számú változóval és súlyos multikollinearitással rendelkező adatkészletekhez. A szintetikus kisebbségi túlmintavételi technika (SMOTE) egy olyan módszer, amely javítja a kisebbségi osztály értelmezhetőségét egy modellben, a kisebbségi osztályok adatainak túlmintavételével a K-Nearssbours (K-NN) algoritmus felhasználásával. Ezért a tanulmány célja a gépi tanulási modellek kidolgozása a posztoperatív gastroesophagealis reflux tünetek felbontásának előrejelzésére a laparoszkópos Nissen alappoplikáció után, elasztikus nettó regresszió és Smote alkalmazásával.
Összesen 112 olyan beteget, akiknél LNF -en mentek át 2017. február és 2023 február között, belefoglalják ezt a vizsgálatot. A preoperatív és posztoperatív gastroesophagealis tüneteket, beleértve a gyomorégést és a regurgitációt, a GERD-egészséggel kapcsolatos életminőség (GERD-HRQL) kérdőív és a GERD kérdőív koreai változatának felhasználásával értékelték. A műtét utáni tüneteket a műtét után 1, 3, 6, 9 és 12 hónappal vizsgáltuk. Azokat a betegeket, akiknél a tünetek több mint 70% -kal javulnak az utolsó nyomon követés során, a tüneti felbontási csoportba sorolják. Összesen 21 modellt fejlesztenek ki a gyomorégés, a regurgitáció vagy az atipikus tünetek felbontásának előrejelzésére a manometria, a 24 órás nyelőcső pH-monitorozás, vagy mindkettő felhasználásával, mindegyik tünethez hét modell. Az összes modell magában foglalja az EGD eredményeit is. Az elasztikus nettó regressziót és a Smote -módszert alkalmazzák a kisebbségi osztály túlmintájának és a modell kidolgozásához. A modell teljesítményét 5-szeres kereszt-validálással validáljuk. A modell diszkriminációjának felmérése mellett kalibrációs elemzést végeznek annak felmérésére, hogy a becsült valószínűségek mennyire igazodnak a megfigyelt eredményekhez. A hagyományos prediktorok és a lehetséges prediktorok prediktív teljesítményét, beleértve a LES hosszát, a LES nyugalmi nyomását és a bolus expozíciós időt, összehasonlítják az új modell modell teljesítményével.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Seoul, Koreai Köztársaság, 02841
- Korea University Anam Hospital
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Mintavételi módszer
Tanulmányi populáció
Leírás
Befogadási kritériumok:
- A 19 évnél nagyobb életkorú betegek
- Azok azok a betegek, akiknek 2017. februárjától 2023 februárig, laparoszkópos Nissen -alappoplikációban részesültek
- Azok a betegek, akik válaszoltak a GERD-HRQL kérdőívre vagy a GERD kérdőív koreai változatát, hogy felmérjék a preoperatív és posztoperatív gastroesophagealis reflux tüneteket
- Azok betegek, akiknek műtét előtt végezték el nyelőcső -jagóstroduodenoszkópiát
- Olyan betegek, akiknek nyelőcső manometria, 24 órás nyelőcső pH-monitorozása, vagy mindkettő műtét előtt végezték el
Kizárási kritériumok:
- terhes
- Azok betegek, akiket a műtét után 3 hónappal elvesztettek a nyomon követéshez
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Tünet felbontási csoport
A preoperatív és posztoperatív gastroesophagealis tüneteket, beleértve a gyomorégést és a regurgitációt, a GERD-HRQL és a GERD kérdőív koreai változatának felhasználásával értékeltük.
A posztoperatív tüneteket 1, 3, 6, 9 és 12 hónappal a laparoszkópos Nissen -alappoplikáció után értékeltük.
Azokat a betegeket, akiknél a tünetek több mint 70% -kal javulnak az utolsó nyomon követés során, a tüneti felbontási csoportba sorolják.
|
A laparoszkópos Nissen Fundoplication (LNF) a leggyakrabban elvégzett anti-reflux műtét.
Az LNF-et GERD-ben szenvedő betegeknél végezzük, vagy azoknál, akiknek várhatóan hosszú távú orvosi kezelésre van szükségük.
Az LNF során a gyomor alapját mozgósítják és 360 fokot csomagolnak az alsó nyelőcső körül, hogy megerősítsék az alsó nyelőcső -sphincter (LES), megakadályozva a gyomortartalom refluxját a nyelőcsőbe.
|
|
Tünet nem felbontási csoport
A preoperatív és posztoperatív gastroesophagealis tüneteket, beleértve a gyomorégést és a regurgitációt, a GERD-HRQL és a GERD kérdőív koreai változatának felhasználásával értékeltük.
A posztoperatív tüneteket 1, 3, 6, 9 és 12 hónappal a laparoszkópos Nissen -alappoplikáció után értékeltük.
Azokat a betegeket, akiknél a tünetek kevesebb, mint 70% -kal javulnak az utolsó nyomon követés során, a tünet nem felbontású csoportnak minősülnek.
|
A laparoszkópos Nissen Fundoplication (LNF) a leggyakrabban elvégzett anti-reflux műtét.
Az LNF-et GERD-ben szenvedő betegeknél végezzük, vagy azoknál, akiknek várhatóan hosszú távú orvosi kezelésre van szükségük.
Az LNF során a gyomor alapját mozgósítják és 360 fokot csomagolnak az alsó nyelőcső körül, hogy megerősítsék az alsó nyelőcső -sphincter (LES), megakadályozva a gyomortartalom refluxját a nyelőcsőbe.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Új modellek modellje
Időkeret: A tüneteket a műtét előtt és az 1, 3, 6, 9 és 12 hónappal a műtét után értékelték
|
Összesen 21 modellt fejlesztenek ki a gyomorégés, a regurgitáció vagy az atipikus tünetek felbontásának előrejelzésére a manometria, a 24 órás nyelőcső pH-monitorozás, vagy mindkettő felhasználásával, mindegyik tünethez hét modell.
Az összes modell magában foglalja az EGD eredményeit is.
Az elasztikus nettó regressziót és a Smote -módszert alkalmazzák a kisebbségi osztály túlmintájának és a modell kidolgozásához.
A modell teljesítménye, beleértve az AUC-t, az érzékenységet (vagy visszahívást), a specifitást, a pontosságot, a pontosságot és az F1 pontszámot, ötszörösére érvényesül.
|
A tüneteket a műtét előtt és az 1, 3, 6, 9 és 12 hónappal a műtét után értékelték
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Az új modellek kalibrációs elemzésének eredményei
Időkeret: A tüneteket a műtét előtt és az 1, 3, 6, 9 és 12 hónappal a műtét után értékelték
|
Összesen 21 modellt fejlesztenek ki a gyomorégés, a regurgitáció vagy az atipikus tünetek felbontásának előrejelzésére a manometria, a 24 órás nyelőcső pH-monitorozás, vagy mindkettő felhasználásával, mindegyik tünethez hét modell.
Az összes modell magában foglalja az EGD eredményeit is.
Az elasztikus nettó regressziót és a Smote -módszert alkalmazzák a kisebbségi osztály túlmintájának és a modell kidolgozásához.
Kalibrációs elemzést végeznek annak felmérésére, hogy a várható valószínűségek mennyire igazodnak a megfigyelt eredményekhez.
|
A tüneteket a műtét előtt és az 1, 3, 6, 9 és 12 hónappal a műtét után értékelték
|
Egyéb eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
A hagyományos prediktorok és a lehetséges prediktorok prediktív teljesítménye
Időkeret: A tüneteket a műtét előtt és az 1, 3, 6, 9 és 12 hónappal a műtét után értékelték
|
Összesen 21 modellt fejlesztenek ki a gyomorégés, a regurgitáció vagy az atipikus tünetek felbontásának előrejelzésére a manometria, a 24 órás nyelőcső pH-monitorozás, vagy mindkettő felhasználásával, mindegyik tünethez hét modell.
Az összes modell magában foglalja az EGD eredményeit is.
Az elasztikus nettó regressziót és a Smote -módszert alkalmazzák a kisebbségi osztály túlmintájának és a modell kidolgozásához.
A modell teljesítményét 5-szeres kereszt-validálással validáljuk.
A hagyományos prediktorok és a lehetséges prediktorok prediktív teljesítményét, beleértve a LES hosszát, a LES nyugalmi nyomását és a bolus expozíciós időt, összehasonlítják az új modell modell teljesítményével.
|
A tüneteket a műtét előtt és az 1, 3, 6, 9 és 12 hónappal a műtét után értékelték
|
Együttműködők és nyomozók
Szponzor
Publikációk és hasznos linkek
Általános kiadványok
- Tay JK, Narasimhan B, Hastie T. Elastic Net Regularization Paths for All Generalized Linear Models. J Stat Softw. 2023;106:1. doi: 10.18637/jss.v106.i01. Epub 2023 Mar 23.
- Park S, Park SH, Kim MS, Kwak J, Lee I, Kwon Y, Lee CM, Choi HS, Keum B, Yang KS, Park JM, Park S. Exploring objective factors to predict successful outcomes after laparoscopic Nissen fundoplication. Int J Surg. 2023 May 1;109(5):1239-1248. doi: 10.1097/JS9.0000000000000274.
- Jung SW, Lee I, Lee I, Kim JW, Alromi A, Seo WJ, Park SH, Kwon Y, Jang YJ, Lee CM, Kim JH, Park JM, Park S. Bolus exposure as a novel predictor of postoperative symptom resolution after laparoscopic Nissen fundoplication: a two-institutional retrospective cohort study. Int J Surg. 2024 Dec 1;110(12):7919-7928. doi: 10.1097/JS9.0000000000002124.
- Farrell TM, Richardson WS, Trus TL, Smith CD, Hunter JG. Response of atypical symptoms of gastro-oesophageal reflux to antireflux surgery. Br J Surg. 2001 Dec;88(12):1649-52. doi: 10.1046/j.0007-1323.2001.01949.x.
- Yamasaki T, Fass R. Reflux Hypersensitivity: A New Functional Esophageal Disorder. J Neurogastroenterol Motil. 2017 Oct 30;23(4):495-503. doi: 10.5056/jnm17097.
- Zhang D, Liu S, Li Z, Wang R. Global, regional and national burden of gastroesophageal reflux disease, 1990-2019: update from the GBD 2019 study. Ann Med. 2022 Dec;54(1):1372-1384. doi: 10.1080/07853890.2022.2074535.
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Tényleges)
A tanulmány befejezése (Becsült)
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
- LNF-ML-D
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
az Egyesült Államokban gyártott és onnan exportált termék
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. .