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.

Sistema Predittivo e Interventistico Basato sull'Intelligenza Artificiale per la Rilevazione Precoce dei Rischi di Non-aderenza alle Terapie Orali nei Pazienti con Linfoma. (LNH-AI-Tools)

20 aprile 2026 aggiornato da: Grand Hôpital de Charleroi

Sistema Predittivo e Interventistico Basato sull'IA per la Rilevazione Precoce dei Rischi di Non Compliance con le Terapie Orali nei Pazienti con Linfoma, Integrando il Percorso di Cura Completo e un'Interfaccia Clinica Interoperabile con Algoritmi Abbinati a Strumenti di Spiegabilità.

Questa ricerca fa parte di un'iniziativa di miglioramento continuo della qualità. Ha lo scopo di valutare l'aderenza del paziente alle terapie orali mediante intelligenza artificiale. Potrebbe superare i limiti delle pratiche attuali e migliorare la reattività e l'accuratezza degli interventi clinici.

Panoramica dello studio

Stato

Reclutamento

Condizioni

Intervento / Trattamento

Descrizione dettagliata

I linfomi non Hodgkin richiedono protocolli di trattamento rigorosi, inclusa chemioterapia endovenosa intensiva o terapie orali mirate. L'immunosoppressione secondaria rende necessaria una profilassi anti-infettiva orale (come valaciclovir o Bactrim forte) per prevenire complicanze opportunistiche. Tuttavia, la letteratura riporta percentuali fino al 50% di pazienti che presentano difficoltà di aderenza alle terapie orali, compromettendo l'efficacia del trattamento, aumentando il rischio di infezioni gravi, prolungati ricoveri ospedalieri e, di conseguenza, costi aggiuntivi per il sistema sanitario. Questo progetto propone di sviluppare uno strumento innovativo di intelligenza artificiale (IA), basato su dati del mondo reale, per rilevare precocemente segni di non aderenza e consentire un intervento mirato da parte delle équipe sanitarie. Il nostro approccio combina l'analisi di dati clinici (paziente, malattia, storia delle dispensazioni, risultati di laboratorio, interazioni farmacologiche) e algoritmi di apprendimento automatico (apprendimento automatico supervisionato e reti neurali) per identificare profili a rischio. Lo strumento genererà un allarme in tempo reale e offrirà al medico curante e all'infermiere coordinatore del paziente raccomandazioni personalizzate, come un promemoria automatizzato, una consultazione infermieristica dedicata, ecc. Un'interfaccia intuitiva consentirà a medici e infermieri di visualizzare le tendenze di aderenza e agire rapidamente. Questo progetto si affida a un team multidisciplinare (ematologi, infermieri di pratica avanzata (IPA), data scientist, esperti di IA) e partner pazienti per validare lo strumento in condizioni reali.

Tipo di studio

Osservativo

Iscrizione (Stimato)

210

Contatti e Sedi

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

Contatto studio

Backup dei contatti dello studio

Luoghi di studio

  • Belgio
    • Hainaut
      • Charleroi, Hainaut, Belgio, 6060
        • Reclutamento
        • Grand Hôpital de Charleroi
        • Contatto:
        • Contatto:
        • Investigatore principale:
          • Delphine Pranger, MD
        • Investigatore principale:
          • Marie Detrait, MD, PhD
        • Sub-investigatore:
          • Stéphanie De Prophetis, Nurse

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

  • Adulto
  • Adulto più anziano

Accetta volontari sani

No

Metodo di campionamento

Campione di probabilità

Popolazione di studio

Pazienti trattati nel Dipartimento di Ematologia dell'Ospedale Generale di Charleroi per linfoma non-Hodgkin.

Descrizione

Criteri di inclusione:

  • Tutti i pazienti di età pari o superiore a 18 anni trattati presso il Dipartimento di Ematologia del Grand Hôpital de Charleroi da novembre 2025 in poi
  • Trattati per un linfoma non Hodgkin
  • In grado di fornire il consenso informato

Criteri di esclusione:

  • Tutti gli altri pazienti che non soddisfano i criteri di eleggibilità

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

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
Cohorte retrospettiva
Una coorte retrospettiva dal 2019 al 2024 comprendente 350 pazienti con linfoma monitorati su base empirica.
Altro: Gruppo Retrospettivo
Per il gruppo retrospettivo di 20 pazienti.
Cohorte prospettica
Uno studio prospettico di coorte che coinvolge fino a 210 pazienti consecutivi, a partire da novembre 2025, con l'obiettivo di sviluppare uno strumento di supporto decisionale utilizzando l'apprendimento automatico.
Altro: Gruppo Prospettico
Follow-up dei pazienti per il gruppo prospettico

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
ROC-AUC
Lasso di tempo: 2027

Descrizione: ROC-AUC: Receiver Operating Characteristic - Area Under the Curve è una metrica di prestazione per algoritmi di predizione di classificazione binaria. Curva ROC: Traccia il Tasso di Veri Positivi (sensibilità) contro il Tasso di Falsi Positivi (1-specificità) a varie soglie di classificazione. AUC: L'area sotto questa curva (compresa tra 0 e 1). Un AUC più alto indica prestazioni migliori del modello: 1.0 è perfetto, 0.5 è un'ipotesi casuale. ROC-AUC valuta quanto bene il modello distingue tra le classi, indipendentemente dalla soglia di classificazione.

Periodo di tempo: Quando i dati saranno disponibili, alla fine del 2027
2027

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Punteggio F1
Lasso di tempo: Quando i dati saranno disponibili, alla fine del 2027

L'F1-Score è una metrica di performance per algoritmi di classificazione, la media armonica di Precisione (predizioni positive corrette / predizioni positive totali) e Recall (predizioni positive corrette / positivi effettivi).

Formula: F1 = 2 × (Precisione × Recall) / (Precisione + Recall) Intervallo: da 0 a 1, dove 1 indica precisione e recall perfette, e 0 il peggiore.

L'F1-Score bilancia precisione e recall, rendendolo ideale quando è necessario evitare sia falsi positivi che falsi negativi.
Quando i dati saranno disponibili, alla fine del 2027

Altre misure di risultato

Misura del risultato
Misura Descrizione
Lasso di tempo
Recall per la classe positiva
Lasso di tempo: 2027

Il richiamo per la Classe positiva è una metrica per la classificazione binaria che risponde a:

"Quale proporzione di positivi reali è stata correttamente identificata dal modello?"

Formula: Richiamo = Veri Positivi / (Verdi Positivi + Falsi Negativi)

Intervallo: da 0 a 1, dove 1 significa che tutti i positivi sono stati previsti correttamente e 0 significa che nessuno lo è stato.

Un richiamo elevato significa che il modello è bravo a catturare la maggior parte dei casi positivi, ma potrebbe includere anche più falsi positivi. È fondamentale quando perdere un positivo (falso negativo) è costoso.
2027

Collaboratori e investigatori

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

Sponsor

Grand Hôpital de Charleroi

Investigatori

  • Investigatore principale: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi

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)

15 febbraio 2026

Completamento primario (Stimato)

31 dicembre 2027

Completamento dello studio (Stimato)

15 febbraio 2029

Date di iscrizione allo studio

Primo inviato

8 aprile 2026

Primo inviato che soddisfa i criteri di controllo qualità

20 aprile 2026

Primo Inserito (Effettivo)

22 aprile 2026

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

22 aprile 2026

Ultimo aggiornamento inviato che soddisfa i criteri QC

20 aprile 2026

Ultimo verificato

1 aprile 2026

Maggiori informazioni

Termini relativi a questo studio

Parole chiave

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • LNH-AI-Tools

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

NO

Descrizione del piano IPD

Attualmente, questa ricerca è condotta internamente; dopo l'analisi, questa opzione potrebbe essere considerata se il modello può essere adattato per l'uso altrove.

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 .

Prove cliniche su Linfoma non Hodgkin

Prove cliniche su Gruppo Retrospettivo

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in Greece

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

Sottoscrivi