Voorspelling van STN DBS motorrespons in PD (DBS-PREDICT)
Machine Learning Voorspelling van motorische respons na STN DBS bij Parkinson-patiënten, een retrospectieve multicenter validatiestudie
Ondanks zorgvuldige selectie van patiënten voor subthalamische nucleus diepe hersenstimulatie (STN DBS), vertonen sommige patiënten met de ziekte van Parkinson (PD) een beperkte verbetering van de motorische handicap. Niet-overtuigende resultaten en het ontbreken van een praktisch implanteerbaar voorspellingsalgoritme uit eerdere voorspellingsstudies houden de behoefte aan een eenvoudig hulpmiddel voor neurologen dat een betrouwbare voorspelling geeft over postoperatieve motorische verbetering voor individuele patiënten.
In deze studie wordt een eerder ontwikkeld voorspellingsmodel voor motorische respons na STN DBS bij PD-patiënten gevalideerd. Het model genereert individuele kansen om een jaar na de operatie een zwakke responder te worden. Het model zal gevalideerd worden in een validatiecohort verzameld uit verschillende internationale centra.
Het voorspellende model wordt vóór het verzamelen van gegevens publiek toegankelijk gemaakt op: https://github.com/jgvhabets/DBSPREDICT
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Het voorspellen van de motorische uitkomst na STN DBS bij de ziekte van Parkinson kan een uitdaging zijn voor de clinicus. Huidige voorspellingsstudies rapporteren niet-overtuigende resultaten over de belangrijkste voorspellers en worden beperkt door de gebruikte rekenmethoden. Traditionele statistische analyses die zich richten op correlaties zijn vertekend door de selectie van voorspellers en confounders door de onderzoekers. Moderne computationele methoden, zoals voorspellingsmodellen voor machine learning, zijn minder beperkt door de steekproefomvang en kunnen een breder scala aan voorspellers in aanmerking nemen, wat leidt tot minder selectiebias.
Retrospectieve patiëntgegevens worden verzameld uit meerdere internationale centra. Dit retrospectieve, multicenter cohort wordt gebruikt om het model te valideren dat is ontwikkeld op basis van een single-center retrospectief cohort.
Het doel is een voorspellingsinstrument te ontwikkelen dat de clinicus een kans geeft op een zwakke respons tijdens de preoperatieve fase. Dit kan de clinicus ondersteunen bij het opnemen of informeren van de patiënt tijdens preoperatieve counseling.
Het voorspellende model wordt vóór het verzamelen van gegevens publiek toegankelijk gemaakt op: https://github.com/jgvhabets/DBSPREDICT.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Limburg
-
Maastricht, Limburg, Nederland, 6229 AZ
- MaastrichtUMC
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Geslachten die in aanmerking komen voor studie
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- onderging STN DBS voor de ziekte van Parkinson
- voltooide een jaar follow-up na de operatie
Uitsluitingscriteria:
- ontbrekende gegevens in postoperatieve UPDRS II, III, IV
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Cohort
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
validatiecohort met meerdere centra
We verzamelen retrospectieve gegevens van verschillende internationale centra met preoperatieve variabelen (demografische en klinische) en postoperatieve uitkomst (UPDRS II, III, IV) een jaar na de operatie, en voegen deze gegevens samen tot één validatiecohort.
|
Het genereren van individuele waarschijnlijkheden voor motorische respons op basis van preoperatieve variabelen
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
gebied onder de curve van de receiver operator curve
Tijdsspanne: een jaar postoperatief
|
Motorische uitkomst is gecategoriseerd in een binaire uitkomstvariabele. Het model zal een jaar na de operatie voorspellen tot welke uitkomstgroep de patiënt zal behoren. De primaire uitkomstmaat is de prestatie van de voorspelde uitkomstcategorieën met de daadwerkelijke uitkomstcategorieën. Prestaties van voorspellingsmodellen worden uitgedrukt als oppervlakte onder de kromme van de ontvangeroperatorkromme, voorspellende nauwkeurigheid, waar-positieve voorspellingssnelheid en fout-positieve voorspellingssnelheid. |
een jaar postoperatief
|
|
voorspellende nauwkeurigheid
Tijdsspanne: een jaar postoperatief
|
Zie beschrijving primaire uitkomstmaat 1.
|
een jaar postoperatief
|
|
echt positief voorspellingspercentage
Tijdsspanne: een jaar postoperatief
|
Zie beschrijving primaire uitkomstmaat 1.
|
een jaar postoperatief
|
|
fout-positieve voorspellingspercentage
Tijdsspanne: een jaar postoperatief
|
Zie beschrijving primaire uitkomstmaat 1.
|
een jaar postoperatief
|
Medewerkers en onderzoekers
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 2019-0739-A9
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
IPD-tijdsbestek voor delen
IPD-toegangscriteria voor delen
IPD delen Ondersteunend informatietype
- Leerprotocool
- Analytische code
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .