このページは自動翻訳されたものであり、翻訳の正確性は保証されていません。を参照してください。 英語版 ソーステキスト用。

AIベースの予測・介入システムによるリンパ腫患者の経口療法における非遵守リスクの早期検出 (LNH-AI-Tools)

2026年4月20日 更新者：Grand Hôpital de Charleroi

AIベースの予測・介入システム：リンパ腫患者の経口療法における非遵守リスクの早期検出、完全なケアパスウェイと相互運用可能な臨床インターフェースを統合し、説明可能性ツールと組み合わせたアルゴリズムを搭載。

この研究は継続的な品質改善イニシアチブの一部を構成します。 人工知能による経口療法の患者遵守率を評価することを目的としています。 現在の実践の限界を克服し、臨床介入の応答性と精度を向上させることができます。

調査の概要

状態

募集

条件

介入・治療

詳細な説明

非ホジキンリンパ腫では、集中的な静脈内化学療法や標的口服療法を含む厳格な治療プロトコルが必要です。 二次性免疫抑制には、日和見感染症合併症を予防するため、バラシクロビルやバクトリム・フォルテなどの経口抗感染症予防投与が必要です。 しかし、文献によると、経口療法に遵守困難を経験する患者は最大50％に上り、治療効果を損ない、重症感染症のリスク増加、長期入院、ひいては医療システムへの追加費用増加をもたらしています。 本プロジェクトは、実世界データに基づいた革新的な人工知能（AI）ツールを開発し、遵守不良の早期兆候を検出し、医療チームによる標的介入を可能にすることを提案します。 我々のアプローチは、臨床データ（患者、疾患、調剤履歴、検査結果、薬物相互作用）の分析と機械学習アルゴリズム（教師あり機械学習およびニューラルネットワーク）を組み合わせ、リスクのあるプロファイルを特定します。 このツールはリアルタイムアラートを生成し、患者の紹介医および調整看護師に、自動リマインダーや専用看護相談など、個別に調整された推奨事項を提供します。 直感的なインターフェースにより、臨床医や看護師は遵守傾向を視覚化し、迅速に行動できます。 このプロジェクトは、多職種チーム（血液専門医、高度実践看護師（APN）、データサイエンティスト、AI専門家）および患者パートナーに依存し、実世界条件下でツールを検証します。

研究の種類

観察的

入学 (推定)

210

連絡先と場所

このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。

研究連絡先

研究連絡先のバックアップ

研究場所

  • ベルギー
    • Hainaut
      • Charleroi、Hainaut、ベルギー、6060
        • 募集
        • Grand Hôpital de Charleroi
        • コンタクト：
        • コンタクト：
        • 主任研究者：
          • Delphine Pranger, MD
        • 主任研究者：
          • Marie Detrait, MD, PhD
        • 副調査官：
          • Stéphanie De Prophetis, Nurse

参加基準

研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。

適格基準

就学可能な年齢

  • 大人
  • 高齢者

健康ボランティアの受け入れ

いいえ

サンプリング方法

確率サンプル

調査対象母集団

シャルルロワ総合病院血液科で非ホジキンリンパ腫の治療を受けた患者。

説明

包含基準：

  • 2025年11月以降、グラン・オピタル・ド・シャルルロワの血液内科で治療を受ける18歳以上の全患者
  • 非ホジキンリンパ腫の治療を受けていること
  • インフォームド・コンセントを提供できる能力を有すること

除外基準：

  • 適格基準を満たさなかったその他の全患者

研究計画

このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。

研究はどのように設計されていますか？

デザインの詳細

コホートと介入

グループ/コホート
介入・治療
後方視的コホート
2019年から2024年までの350人のリンパ腫患者を経験的根拠に基づいてモニタリングした後ろ向きコホート。
他の：遡及的グループ
20人の患者のレトロスペクティブ群に対して。
前向きコホート
2025年11月に開始し、機械学習を用いた意思決定支援ツールの開発を目的とする、最大210名の連続した患者を対象とした前向きコホート研究。
他の：前向きグループ
前向き群の患者のフォローアップ

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
ROC-AUC
時間枠：2027

説明：ROC-AUC：受信者操作特性曲線下面積は、二値分類予測アルゴリズムの性能評価指標です。 ROC曲線：様々な分類閾値における真陽性率（感度）と偽陽性率（1-特異度）の関係をプロットします。 AUC：この曲線の下の面積（0から1の範囲）。 AUCが高いほどモデルの性能が優れていることを示し、1.0は完璧、0.5はランダムな推測に相当します。 ROC-AUCは、分類閾値に関係なく、モデルがクラスをどの程度うまく区別できるかを評価します。

期間：データが利用可能になる時期、2027年末
2027

二次結果の測定

結果測定
メジャーの説明
時間枠
F1スコア
時間枠：データが利用可能になるのは、2027年末です

F1スコアは分類アルゴリズムの性能評価指標であり、適合率（正しい陽性予測／全陽性予測）と再現率（正しい陽性予測／実際の陽性）の調和平均です。

公式：F1 = 2 × (適合率 × 再現率) / (適合率 + 再現率) 範囲：0から1で、1は完璧な適合率と再現率、0は最悪の値を示します。

F1スコアは適合率と再現率のバランスを取り、偽陽性と偽陰性の両方を避ける必要がある場合に理想的です。
データが利用可能になるのは、2027年末です

その他の成果指標

結果測定
メジャーの説明
時間枠
陽性クラスのリコール
時間枠：2027

陽性クラスのリコール（再現率）は、二値分類における指標で、以下の問いに答えます：

「実際の陽性のうち、モデルによって正しく識別された割合はどれくらいか？」

計算式：リコール = 真陽性 / (真陽性 + 偽陰性)

範囲：0から1。1はすべての陽性が正しく予測されたことを意味し、0は1つも予測されなかったことを意味します。

リコールが高いということは、モデルがほとんどの陽性ケースを捕捉するのが得意であることを意味しますが、同時により多くの偽陽性を含む可能性もあります。 偽陰性（陽性を見逃すこと）のコストが高い場合に重要です。
2027

協力者と研究者

ここでは、この調査に関係する人々や組織を見つけることができます。

スポンサー

Grand Hôpital de Charleroi

捜査官

  • 主任研究者：Marie Detrait, MD, PhD、Grand Hôpital de Charleroi

研究記録日

これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。

主要日程の研究

研究開始 (実際)

2026年2月15日

一次修了 (推定)

2027年12月31日

研究の完了 (推定)

2029年2月15日

試験登録日

最初に提出

2026年4月8日

QC基準を満たした最初の提出物

2026年4月20日

最初の投稿 (実際)

2026年4月22日

学習記録の更新

投稿された最後の更新 (実際)

2026年4月22日

QC基準を満たした最後の更新が送信されました

2026年4月20日

最終確認日

2026年4月1日

詳しくは

本研究に関する用語

キーワード

追加の関連 MeSH 用語

その他の研究ID番号

  • LNH-AI-Tools

個々の参加者データ (IPD) の計画

個々の参加者データ (IPD) を共有する予定はありますか?

いいえ

IPD プランの説明

現在、この研究は社内で実施されています。分析の結果、このモデルが他の場所で使用できるように適応できる場合、この選択肢を検討することができます。

医薬品およびデバイス情報、研究文書

米国FDA規制医薬品の研究

いいえ

米国FDA規制機器製品の研究

いいえ

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。

購読する