림프종 환자의 경구 요법 비순응 위험 조기 탐지를 위한 AI 기반 예측 및 중재 시스템. (LNH-AI-Tools)
림프종 환자 구강 치료 비순응 위험 조기 감지를 위한 AI 기반 예측 및 중재 시스템: 완전한 치료 경로와 설명 가능 도구가 결합된 알고리즘을 갖춘 상호운용 가능한 임상 인터페이스 통합
연구 개요
상세 설명
연구 유형
등록 (추정된)
연락처 및 위치
연구 연락처
- 이름: Marie Detrait, MD, PhD
- 전화번호: 0032 60 11 20 08
- 이메일: marie.detrait@ghdc.be
연구 연락처 백업
- 이름: Aline Gillain, MedSciences
- 전화번호: 0032 60 11 00 89
- 이메일: aline.gillain@ghdc.be
연구 장소
-
-
Hainaut
-
Charleroi, Hainaut, 벨기에, 6060
- 모병
- Grand Hôpital de Charleroi
-
연락하다:
- Marie Detrait, MD, PhD
- 전화번호: 0032 60 11 20 08
- 이메일: marie.detrait@ghdc.be
-
연락하다:
- Marie Detrait, MedSC
- 전화번호: 0032 60 11 00 89
- 이메일: aline.gillain@ghdc.be
-
수석 연구원:
- Delphine Pranger, MD
-
수석 연구원:
- Marie Detrait, MD, PhD
-
부수사관:
- Stéphanie De Prophetis, Nurse
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준:
- 2025년 11월부터 그랑 오스피탈 드 샤를루아 혈액과에서 치료를 받는 18세 이상의 모든 환자
- 림프종(비호지킨) 치료를 받는 환자
- 정보에 입각한 동의를 할 수 있는 능력이 있는 환자
제외 기준:
- 적격 기준을 충족하지 못한 기타 모든 환자
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
후향적 코호트
2019년부터 2024년까지 경험적 기준으로 모니터링된 350명의 림프종 환자를 포함한 후향적 코호트
|
20명의 환자로 구성된 후향적 그룹.
|
|
전향적 코호트
2025년 11월 시작 예정으로 최대 210명의 연속 환자를 포함하는 전향적 코호트 연구로, 기계 학습을 활용한 의사 결정 지원 도구 개발을 목표로 합니다.
|
전향적 집단 환자의 추적 관찰
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
ROC-AUC
기간: 2027
|
설명: ROC-AUC : 수신자 조작 특성 - 곡선 아래 면적은 이진 분류 예측 알고리즘의 성능 지표입니다. ROC 곡선: 다양한 분류 임계값에서 진양성률(민감도) 대 위양성률(1-특이도)을 그래프로 나타냅니다. AUC: 이 곡선 아래의 면적(0에서 1까지의 범위). 높은 AUC는 더 나은 모델 성능을 나타냅니다-1.0은 완벽한 성능, 0.5는 무작위 추측을 의미합니다. ROC-AUC는 분류 임계값에 관계없이 모델이 클래스를 얼마나 잘 구별하는지 평가합니다. 시간 범위: 데이터가 사용 가능해질 시기, 2027년 말 |
2027
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
F1-점수
기간: 데이터가 이용 가능해질 때, 2027년 말에
|
F1-Score는 분류 알고리즘의 성능 지표로, 정밀도(올바른 긍정 예측 / 전체 긍정 예측)와 재현율(올바른 긍정 예측 / 실제 긍정)의 조화 평균입니다. 공식: F1 = 2 × (정밀도 × 재현율) / (정밀도 + 재현율) 범위: 0부터 1까지, 여기서 1은 완벽한 정밀도와 재현율을 의미하고 0은 최악의 성능을 나타냅니다. F1-Score는 정밀도와 재현율을 균형 있게 조정하여, 거짓 긍정과 거짓 부정 모두를 피해야 할 때 이상적인 지표입니다. |
데이터가 이용 가능해질 때, 2027년 말에
|
기타 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
양성 클래스에 대한 재현율
기간: 2027
|
양성 클래스에 대한 재현율은 이진 분류를 위한 지표로, 다음과 같은 질문에 답합니다: "실제 양성 중 모델이 올바르게 식별한 비율은 얼마인가?" 공식: 재현율 = 참 양성 / (참 양성 + 거짓 음성) 범위: 0에서 1 사이이며, 1은 모든 양성이 올바르게 예측되었음을 의미하고, 0은 하나도 예측되지 않았음을 의미합니다. 높은 재현율은 모델이 대부분의 양성 사례를 잘 포착한다는 것을 의미하지만, 더 많은 거짓 양성을 포함할 수도 있습니다. 양성(거짓 음성)을 놓치는 것이 비용이 많이 드는 경우에는 매우 중요합니다. |
2027
|
공동 작업자 및 조사자
수사관
- 수석 연구원: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi
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 연구와 관련된 용어
기타 연구 ID 번호
- LNH-AI-Tools
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
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. .