뇌졸중 결과 개선을 위한 신뢰할 수 있는 인공지능 (TRUSTroke)
뇌졸중 결과 개선을 위한 신뢰할 수 있는 인공지능. AI 모델 최적화를 위한 2단계 전향적 연구
뇌졸중은 전 세계적으로 사망 및 장애의 주요 원인입니다. 뇌졸중의 급성 단계를 시기적절하고 개인화하여 관리하는 데 도움이 되는 설명 가능하고 해석 가능한 인공 지능(AI) 솔루션의 임상적 검증은 환자의 장애 수준을 크게 낮출 수 있기 때문에 큰 영향을 미칠 것입니다. 또한 장기적인 결과에 대한 예측은 환자의 퇴원 목적지 등 중요한 결정을 내릴 수 있기 때문에 중요한 요소입니다. 또한, 가이드라인 기반의 2차 뇌졸중 예방을 준수하면 뇌졸중 재발을 줄이는 것으로 입증되었지만, 현재 뇌졸중 후 3개월 동안 예방 치료를 준수하는 환자는 40%에 불과합니다. 따라서 적절한 환자 의사소통 및 참여 패키지를 통해 환자의 결과가 향상될 수 있습니다. AI는 뇌졸중 환자의 여정에 극적인 영향을 미쳐 예측을 개선하고 2차 뇌졸중 전략을 더 잘 선택할 수 있을 뿐만 아니라 증거 기반 정보를 사용하여 치료 순응도를 높이고 혈관 위험 요인을 감소시킬 수 있습니다.
이 다기관 관찰 전향적 연구의 목적은 허혈성 뇌졸중 환자의 단기 및 장기 결과를 예측하기 위한 AI 기반 도구를 개발하고 검증하는 것입니다. 구체적으로, 이 연구는 NIHSS(0-42)와 퇴원 시 및 3세, 6세, 12세의 mRS(0-6) 점수로 측정된 허혈성 뇌졸중 환자의 기능적 결과를 예측하는 AI 모델의 정확성을 입증하는 것을 목표로 합니다. 퇴원 후 몇 달. 유럽의 3개 대형 센터에서 온 예비 허혈성 뇌졸중 환자가 모집될 예정입니다. 로컬 AI 모델의 훈련 및 테스트는 뇌졸중 환자 경로에 대한 표준 치료 절차 중에 수집된 입원 데이터와 퇴원 후 추적 기간 동안 원격 홈 케어 시스템(NORA 앱)에서 모니터링되는 외래 환자 데이터를 사용하여 수행됩니다. 그런 다음 이러한 로컬 모델은 연합 학습 시스템에 통합되며, 모든 로컬 모델의 결합된 통찰력에서 파생된 글로벌 AI 모델만 참여 병원 전체에서 공유됩니다. 개별 로컬 모델과 원본 데이터는 공유되지 않으므로 데이터 개인 정보 보호 및 보안이 보장됩니다. 12개월의 추적 기간 동안 임상 결과를 예측하는 전향적으로 최적화된 AI 모델의 정확성과 성능을 평가하고 환자의 실제 결과와 비교할 것입니다.
연구 개요
연구 유형
등록 (추정된)
연락처 및 위치
참여기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준:
- 대상은 18세 이상입니다.
- 급성 허혈성 뇌졸중 진단
- 환자 또는 가장 가까운 친족의 사전 동의서 서명
제외 기준:
- 이 연구에서는 제외 기준이 고려되지 않습니다.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
단기 기능 뇌졸중 결과를 예측할 때 AI 모델의 정확도
기간: 24 개월
|
병원 퇴원 (단기 결과)에서 NIHSS, 0-42) 및 수정 된 랭킨 스케일 (MRS, 0-6)과 같은 뇌졸중 환자의 기능적 결과를 예측할 때 개발 된 AI 모델의 정확성을 평가하기 위해. 구체적으로, 분류 작업을위한 ROC 곡선 (AUROC)과 같은 지역 및 회귀 작업에 대한 R²와 같은 측정 항목은 무작위 포레스트 및 XGBoost와 같은 기계 학습 접근법과 신경망과 같은 딥 러닝 접근법 모두에 대해 평가됩니다. |
24 개월
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
장기 기능 결과를 예측할 때 AI 모델의 정확성
기간: 24 개월
|
방전 후 3, 6 및 12 개월에 NIHSS, 0-42 (NIHSS, 0-42) 및 수정 된 랭킨 스케일 (MRS, 0-6)을 예측할 때 개발 된 AI 모델의 정확성을 평가합니다. 또한, 환자보고 결과 측정 (PROM) 및 환자보고 경험 측정 (PREM)과 같은 다른 기능적 결과가 평가 될 것입니다. 구체적으로, 분류 작업을위한 ROC 곡선 (AUROC)과 같은 지역 및 회귀 작업에 대한 R²와 같은 측정 항목은 무작위 포레스트 및 XGBoost와 같은 기계 학습 접근법과 신경망과 같은 딥 러닝 접근법 모두에 대해 평가됩니다. |
24 개월
|
|
뇌졸중 관련 위험을 예측할 때 AI 모델의 정확성
기간: 24 개월
|
조기 지원 퇴원 확률 (이벤트 후 1 주 후), 계획되지 않은 병원 재 입원의 확률 (30 일) 및 3 개월 및 12 개월에 뇌졸중 재발의 개인화 된 위험을 예측할 때 AI 모델의 정확도를 평가하기 위해. 구체적으로, 분류 작업을위한 ROC 곡선 (AUROC)과 같은 지역 및 회귀 작업에 대한 R²와 같은 측정 항목은 무작위 포레스트 및 XGBoost와 같은 기계 학습 접근법과 신경망과 같은 딥 러닝 접근법 모두에 대해 평가됩니다. |
24 개월
|
공동 작업자 및 조사자
수사관
- 수석 연구원: Pietro Caliandro, MD, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (추정된)
연구 완료 (추정된)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .