Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Algoritmi di apprendimento automatico TPF

25 luglio 2025 aggiornato da: Harm Hoekstra, prof. dr., Universitaire Ziekenhuizen KU Leuven

Gestione operativa o non operativa delle fratture del piatto tibiale? Applicazione di algoritmi di apprendimento automatico per assistere nella decisione terapeutica

Adottare una tecnica di apprendimento automatico per decidere se il trattamento operativo o non operativo si tradurrà nel miglior risultato per il paziente.

Panoramica dello studio

Stato

Terminato

Descrizione dettagliata

L'obiettivo generale è adottare una tecnica di apprendimento automatico per decidere se il trattamento operativo o non operativo si tradurrà nel miglior risultato per il paziente.

Gli obiettivi primari sono identificare l'algoritmo di apprendimento automatico più adatto per prevedere il miglior trattamento per i futuri pazienti. Se il trattamento conservativo o operativo porterà al miglior risultato per il paziente, sarà deciso in base al punteggio KOOS previsto. Diversi fattori di input, come il trattamento (conservativo o operativo), il numero di frammenti di frattura, la posizione della frattura, il coinvolgimento dei tessuti molli, ... per ciascun paziente saranno utilizzati come dati di addestramento per l'algoritmo. Alcuni di questi dati di input saranno derivati ​​da scansioni CT. Pertanto, le scansioni CT saranno segmentate in Mimics, per il quale UZ Leuven ha recentemente acquistato le licenze. La variabile di output dei dati di allenamento sarà il punteggio KOOS di ciascun paziente. In base alla variabile di input e di output, l'algoritmo determinerà una relazione tra queste. Per i futuri pazienti di cui è nota la variabile di input, sarà prevista la variabile di output (=punteggio KOOS) sia in caso di trattamento operativo che conservativo. Ipotizziamo che la previsione verrà migliorata aggiungendo più dati di input nel tempo.

L'obiettivo secondario è identificare i fattori clinici e radiologici che aiutano a prevedere il miglior trattamento per i pazienti futuri.

Come prospettiva, la tecnica di apprendimento automatico potrebbe essere implementata in futuro nella pratica clinica e utilizzata come strumento di pianificazione specifico per il paziente per la gestione delle fratture del piatto tibiale, aiutando il chirurgo a selezionare il trattamento migliore per un determinato caso. I dati raccolti in questo registro verranno utilizzati per convalidare il modello di machine learning. I pazienti non saranno ancora trattati sulla base dei risultati del modello sviluppato, il chirurgo traumatologico è responsabile di decidere quale opzione di trattamento è la migliore per il paziente.

Tipo di studio

Osservativo

Iscrizione (Effettivo)

70

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Luoghi di studio

    • Vlaams-Brabant
      • Leuven, Vlaams-Brabant, Belgio, 3000
        • UZ Leuven

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

18 anni e precedenti (Adulto, Adulto più anziano)

Accetta volontari sani

N/A

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Pazienti di UZ Leuven

Descrizione

Criterio di inclusione:

  • Età > 18 anni
  • Frattura del piatto tibiale prossimale
  • Il paziente è in grado di partecipare alle visite di follow-up

Criteri di esclusione:

  • Età < 18 anni
  • Fratture bilaterali
  • Disturbi neurologici (es. paraplegia, CVA, demenza ecc.)
  • Non capisco l'olandese o l'inglese

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

  • Modelli osservazionali: Coorte
  • Prospettive temporali: Prospettiva

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Algoritmo di apprendimento automatico
Lasso di tempo: 1 anno
Identificare l'algoritmo di apprendimento automatico più adatto che predice il miglior trattamento per i futuri pazienti. La previsione verrà migliorata nel tempo da ulteriori input.
1 anno

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Fattori clinici
Lasso di tempo: 1 anno
Identificare i fattori clinici che aiutano a prevedere il miglior trattamento per i futuri pazienti
1 anno
Fattori radiologici
Lasso di tempo: 1 anno
Identificare i fattori radiologici che aiutano a prevedere il miglior trattamento per i futuri pazienti
1 anno

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Investigatori

  • Investigatore principale: Harm Hoekstra, Prof. MD, UZ Leuven

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Effettivo)

5 ottobre 2020

Completamento primario (Effettivo)

27 giugno 2023

Completamento dello studio (Effettivo)

6 dicembre 2024

Date di iscrizione allo studio

Primo inviato

16 luglio 2021

Primo inviato che soddisfa i criteri di controllo qualità

27 luglio 2021

Primo Inserito (Effettivo)

30 luglio 2021

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

29 luglio 2025

Ultimo aggiornamento inviato che soddisfa i criteri QC

25 luglio 2025

Ultimo verificato

1 luglio 2025

Maggiori informazioni

Termini relativi a questo studio

Altri numeri di identificazione dello studio

  • S64352

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .

Sottoscrivi