Advanced Data-Aided Medicine Part 肺がん (ADAMpartlung)
ADAM Substudy Luik 2: 肺がん患者の転帰に関する AI 予測モデルの構築と検証に関する観察レトロスペクティブ単一施設コホート研究
調査の概要
詳細な説明
この研究の目的は、実世界の証拠 (RWE) を導き出すことを目標に、分析と人工モデルの構築のために、サイロ化された実世界データ (RWD) を準備して解き放つことです。 現在、医師や看護師は患者からデータを収集し、電子カルテシステムにデータを登録しています。 多くの場合、データポイントは構造化された形式で利用できないため、データの収集とロック解除は要求に応じて手動で行われます。 収集されたデータを人工知能ツールを使用して注意深く分析することで、予定外のヘルスケアの使用、救急外来の受診、入院のリスクが最も高い患者を予測するのにも役立つ可能性があります。 したがって、関連する結果を予測できるモデルは、医師の日常業務に大きく役立ちます。
主な目的 肺がん患者の治療に関する意思決定プロセスにおいて医師をサポートする AI モデルの開発と検証。 この AI モデルは、可能な肺がん治療のために、結果の確率または進化を予測する必要があります。 モデルの入力データ ソースは、人口統計、ベースラインの健康状態、以前の治療、画像データと生理学的データ、詳細な治療データなどの病院データです。
副次的な目的
- 肺がんデータポイントの自動ロック解除、収集、および OMOP 共通データ モデルへの変換により、さらなる研究と分析のためにデータをすぐに利用できるようになります
- OMOP 共通データ モデルで利用可能なすべてのデータを入力した AI モデルをトレーニングして、デジタル患者を構築する
- デジタル患者と最適な機能選択を検証して、教師なし学習技術を介して AI モデルのパフォーマンスを向上させる
トランスフォーマーを適用して患者を表現することの可能性は、真にパーソナライズされた予測医療ですらあります。 その理由は、トランスフォーマーは、何百万もの相互作用し、非線形に動作するパラメーターを処理できるようにする手段だからです。 したがって、上の図のデータ ソースを拡張して、遺伝情報などを含めることができます。 デジタル患者からの最適な特徴選択を使用して、教師なし学習技術を介して AI モデルのパフォーマンスを向上させ、毎日の診療のために予測モデルをさらに微調整します。
人口分析とモデル構築が臨床的に関連するように、患者を詳細に表す仮想ツインを構築します。
研究の種類
入学 (予想される)
連絡先と場所
研究連絡先
- 名前：Peter De Jaeger, PhD
- 電話番号：003251237650
- メール：peter.dejaeger@azdelta.be
研究連絡先のバックアップ
- 名前：Ingel Demedts, MD
- 電話番号：003251237111
研究場所
-
-
West-Vlaanderen
-
Roeselare、West-Vlaanderen、ベルギー、8800
- 募集
- AZ Delta
-
コンタクト：
- Peter De Jaeger, PhD, Prof
- 電話番号：003251237650
- メール：peter.dejaeger@azdelta.be
-
主任研究者：
- Ingel Demedts, Prof
-
副調査官：
- Hannelore Bode, MD
-
副調査官：
- Bernard Bouckaerts, MD
-
副調査官：
- Kris Carron, MD
-
副調査官：
- Stephanie Dobbelaere, MD
-
副調査官：
- Ulrike Himpe, MD
-
副調査官：
- Heidi Mariën, MD
-
副調査官：
- Peter Van Haecke, MD
-
副調査官：
- Wim Verbeke, MD
-
副調査官：
- Peter De Jaeger, Prof, PhD
-
副調査官：
- Pieter-Jan Lammertyn
-
副調査官：
- Louise Berteloot
-
副調査官：
- Kim Denturck, Msc ir
-
-
参加基準
適格基準
就学可能な年齢
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
サンプリング方法
調査対象母集団
説明
包含基準:
- 肺がん患者パスウェイに含まれる肺がん患者
除外基準:
- 指定なし
研究計画
研究はどのように設計されていますか？
デザインの詳細
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
AI入力の準備が整った国際共通データモデルへのデータ
時間枠：2022年
|
肺がん病院のデータは、UMLS の概念に変換され、臨床的に検証され、OMOP 共通データ モデルに保存されます。
|
2022年
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
デジタル患者の構築
時間枠：2023年
|
AI モデルのトレーニングによるデジタル患者の構築
|
2023年
|
|
教師あり機械学習
時間枠：2023年
|
肺がん患者の転帰を予測するための入力として、選択された限定された特徴セットを使用して教師あり機械学習モデルをトレーニングおよび検証します。
|
2023年
|
|
肺がん患者向け予測AIモデルの構築と検証
時間枠：2024年
|
予測AIモデルの実現可能性アプローチの構築と検証。 30 日死亡率、30 日 ER 来院、QoL 進化、急性治療合併症などの予測結果 AI モデルの構築
|
2024年
|
協力者と研究者
スポンサー
捜査官
- 主任研究者：Ingel Demedts, MD、AZ Delta
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (予想される)
研究の完了 (予想される)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。