고관절 및 무릎 관절 치환술을 받는 환자의 조기 기능 회복을 위한 머신 러닝 기반 예측 알고리즘의 개발 및 사전 검증 (FISIO_IA)
관절 교체 수술 후 조기 기능 회복을 위한 머신러닝 기반 다중 변수 예측 모델 개발 및 사전 검증
본 관찰 연구의 목표는 고관절 또는 무릎 관절 치환술을 받는 환자들의 조기 이동성 회복을 예측하기 위한 기계 학습 알고리즘을 개발하고 사전 검증하는 것입니다. 주요 연구 질문은 다음과 같습니다:
관절 치환술 후 첫 며칠 동안 자가 이동성 회복이 빠른 환자와 느린 환자를 기계 학습 모델이 정확하게 분류할 수 있는가?
선택적 고관절 또는 무릎 관절 성형술을 받고 수술 후 물리치료를 받은 환자들의 임상 및 수술 주변 데이터는 후향적으로(2020-2023년) 및 전향적으로(2026년 3월-2027년 12월) 수집될 것입니다. 알고리즘은 후향적 데이터로 훈련되고 전향적으로 테스트되어 조기 보행 및 재원 기간에 대한 예측 성능을 평가할 것입니다.
연구 개요
상세 설명
이 관찰 연구는 선택적 고관절 또는 슬관절 전치환술을 받는 환자의 조기 운동능력 회복 및 병원 체류 기간을 예측하기 위한 기계 학습 알고리즘을 개발하고 사전 검증하는 것을 목표로 합니다. 연구는 기존 임상 및 물리치료 데이터를 사용한 후향적 단계(2020-2023년)와 일상 임상 실무에서 모델을 검증하기 위한 전향적 단계(2026년 3월-2027년 12월)를 포함합니다.
데이터 수집 및 결과:
운동능력 회복: 수술 후 첫 4일 이내에 세 계단을 오르내리는 능력으로 평가되며, 물리치료 일지 및 전자 건강 기록에 기록됩니다.
체류 기간: 수술 후 5일 이내에 퇴원하면 정상으로 간주되며, 그보다 긴 체류는 장기 체류로 정의됩니다.
예측 변수: 기준 인구통계학적 특성(연령, 성별, 체질량지수, ASA 점수, 수술 전 헤모글로빈) 및 임상/수술 주변 특성(수술 및 마취 유형, 물리치료 시작 시점, 통증 수준, 요도 카테터 사용, 기립성 불내성).
표본 크기: 모델 개발 요구사항 및 AUROC 추정을 기반으로 총 943명의 환자(후향적 600명, 전향적 343명).
데이터 분석: 데이터셋은 훈련, 검증, 테스트 세트로 분할됩니다. 여러 지도 학습 알고리즘(예: 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅)을 비교합니다. 모델 성능은 AUROC, 민감도, 특이도, 정밀도, F1-점수 및 교정을 사용하여 평가됩니다. 결측 데이터는 대체 또는 지원되는 경우 기본 알고리즘 방법으로 처리됩니다.
모델 검증: 전향적 데이터를 사용하여 모델 식별력 및 교정을 평가하고 잠재적 시간적 또는 임상적 편향을 식별합니다. 일반화 능력 향상을 위해 결합된 데이터셋을 사용한 재훈련이 수행될 수 있습니다.
연구 진행: 병원 기록을 통해 확인된 후향적 환자; 첫 수술 후 물리치료 세션에서 확인되고 연구 정보를 제공받은 후 동의한 전향적 환자. 예측 결과는 치료 의료진이 접근할 수 없는 별도의 레지스트리에 저장됩니다.
참여 기관:
IRCCS 이스티투토 오르토페디코 리졸리, 볼로냐 - 환자 등록. 아르치스페달레 S. 마리아 누오바 의료 물리학 복합 구조 - 데이터 분석 및 AI 모델링.
연구 유형
등록 (추정된)
연락처 및 위치
연구 연락처
- 이름: Mattia Morri
- 전화번호: +390516366694
- 이메일: mattia.morri@ior.it
연구 장소
-
-
-
Bologna, 이탈리아, 40100
- 모병
- SAITeR IRCCS Istituto Ortopedico Rizzoli
-
연락하다:
- Mattia Morri
- 전화번호: +390516366694
- 이메일: mattia.morri@ior.it
-
Reggio Emilia, 이탈리아
- 아직 모집하지 않음
- Azienda U.S.L. - IRCCS di Reggio Emilia
-
연락하다:
- Alessia Pecorari
- 이메일: alessia.pecorari@ausl.re.it
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
회고적 단계에서는 IRCCS Istituto Ortopedico Rizzoli의 기존 임상 및 연구 데이터베이스에서 데이터를 추출합니다. 2020년부터 2023년 사이에 수집된 기존 데이터를 사용하여 자동화된 예측 모델을 개발할 것입니다.
전향적 단계에서는 2026년 3월부터 2027년 12월 사이에 선택적 고관절 또는 무릎 관절 치환술을 위해 IRCCS Istituto Ortopedico Rizzoli에 입원한 환자를 연속적으로 등록할 것입니다. 새로 수집된 데이터는 예측 모델을 외부적으로 검증하는 데 사용되며, 이 모델은 어떠한 수정 없이 적용될 것입니다(잠금 모델).
설명
포함 기준:
- 18세 이상의 성인
- 선택적 고관절 또는 무릎 관절 성형술을 받은 환자
- 수술 후 물리치료가 시작된 환자
제외 기준:
- 종양 질환, 대퇴골 골절 또는 관절 재성형술을 위해 수술을 받은 환자
- 수술 후 합병증으로 인해 수술 후 물리치료를 제공받지 못한 환자
- 임상 데이터를 사용할 수 없는 환자
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
머신 러닝 예측 모델의 판별 능력에 대한 수신자 조작 특성 곡선 아래 면적 (AUROC)
기간: 연구 완료 시까지, 평균 2년
|
기계 학습 예측 모델의 판별 능력은 수신자 조작 특성 곡선 아래 면적(AUROC)을 사용하여 평가됩니다.
AUROC는 가능한 모든 분류 임계값에 대한 민감도와 특이도 간의 상충 관계를 요약합니다.
AUROC 값은 0.5(판별 없음)에서 1.0(완벽한 판별)까지 범위를 가집니다.
값이 높을수록 모델 성능이 더 좋음을 나타냅니다.
0.8 이상의 값은 좋은 판별 성능을 나타내는 것으로 간주됩니다.
|
연구 완료 시까지, 평균 2년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
머신 러닝 예측 모델의 교정은 교정 플롯을 통해 평가되었습니다
기간: 연구 완료까지, 평균 2년
|
예측 확률과 관찰된 결과 간의 일치도는 교정 플롯을 사용하여 평가됩니다.
교정은 예측된 사건 확률과 관찰된 사건 확률을 플롯하여 시각적으로 평가됩니다.
|
연구 완료까지, 평균 2년
|
|
정밀도와 F1-점수로 평가된 기계 학습 모델의 예측 성능
기간: 연구 완료 시까지, 평균 2년
|
예측 성능은 예측된 클래스 레이블과 관찰된 결과를 비교하여 혼동 행렬에서 도출된 정밀도와 F1-점수를 사용하여 평가됩니다.
정밀도는 모든 예측된 양성 사례 중 올바르게 예측된 양성 사례의 비율을 반영합니다.
F1-점수는 정밀도와 재현율의 조화 평균을 나타냅니다.
높은 값은 더 나은 예측 성능을 나타냅니다.
|
연구 완료 시까지, 평균 2년
|
공동 작업자 및 조사자
수사관
- 수석 연구원: Mattia Morri, IRCCS Istotuto Ortopedico Rizzoli
- 수석 연구원: Morri, IRCCS Istotuto Ortopedico Rizzoli
간행물 및 유용한 링크
일반 간행물
- Ribbons K, Cochrane J, Johnson S, Wills A, Ditton E, Dewar D, Broadhead M, Chan I, Dixon M, Dunkley C, Harbury R, Jovanovic A, Leong A, Summersell P, Todhunter C, Verheul R, Pollack M, Walker R, Nilsson M. Biopsychosocial based machine learning models predict patient improvement after total knee arthroplasty. Sci Rep. 2025 Feb 10;15(1):4926. doi: 10.1038/s41598-025-88560-w.
- de Hond AAH, Steyerberg EW, van Calster B. Interpreting area under the receiver operating characteristic curve. Lancet Digit Health. 2022 Dec;4(12):e853-e855. doi: 10.1016/S2589-7500(22)00188-1. Epub 2022 Oct 18. No abstract available.
- Hamel MB, Toth M, Legedza A, Rosen MP. Joint replacement surgery in elderly patients with severe osteoarthritis of the hip or knee: decision making, postoperative recovery, and clinical outcomes. Arch Intern Med. 2008 Jul 14;168(13):1430-40. doi: 10.1001/archinte.168.13.1430.
- Gandhi R, Wasserstein D, Razak F, Davey JR, Mahomed NN. BMI independently predicts younger age at hip and knee replacement. Obesity (Silver Spring). 2010 Dec;18(12):2362-6. doi: 10.1038/oby.2010.72. Epub 2010 Apr 8.
- Corbacioglu SK, Aksel G. Receiver operating characteristic curve analysis in diagnostic accuracy studies: A guide to interpreting the area under the curve value. Turk J Emerg Med. 2023 Oct 3;23(4):195-198. doi: 10.4103/tjem.tjem_182_23. eCollection 2023 Oct-Dec.
- Baklola M, Reda Elmahdi R, Ali S, Elshenawy M, Mohamed Mossad A, Al-Bawah N, Mohamed Mansour R. Artificial intelligence in disease diagnostics: a comprehensive narrative review of current advances, applications, and future challenges in healthcare. Ann Med Surg (Lond). 2025 May 26;87(7):4237-4245. doi: 10.1097/MS9.0000000000003423. eCollection 2025 Jul.
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. .
기계 학습에 대한 임상 시험
-
Bahar DönerIstanbul University - Cerrahpasa완전한간호 교육 | 문제 해결 | 간호에서의 공감 | 비폭력적 의사소통 | CONSTRUCTİVİST LEARNING MODEL터키 (Türkiye)