- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT04983316
TPF Machine Learning-algoritmen
Operatief of niet-operatief beheer van tibiaplateaufracturen? Toepassing van machine learning-algoritmen om te helpen bij behandelbeslissingen
Studie Overzicht
Toestand
Conditie
Gedetailleerde beschrijving
Het algemene doel is om een machine learning-techniek toe te passen om te beslissen of een operatieve of niet-operatieve behandeling zal resulteren in het beste resultaat voor de patiënt.
De primaire doelstellingen zijn het identificeren van het meest geschikte algoritme voor machine learning om de beste behandeling voor toekomstige patiënten te voorspellen. Op basis van de voorspelde KOOS-score wordt bepaald of conservatieve of operatieve behandeling tot de beste patiëntuitkomst zal leiden. Verschillende inputfactoren, zoals behandeling (conservatief of operatief), aantal fractuurfragmenten, locatie van de fractuur, betrokkenheid van zacht weefsel,… zullen voor elke patiënt worden gebruikt als trainingsgegevens voor het algoritme. Sommige van deze invoergegevens zullen worden afgeleid van CT-scans. Daarom zullen de CT-scans worden gesegmenteerd in Mimics, waarvoor UZ Leuven recent licenties heeft aangekocht. De uitvoervariabele van de trainingsgegevens is de KOOS-score van elke patiënt. Op basis van de invoer- en uitvoervariabele zal het algoritme een relatie hiertussen bepalen. Voor toekomstige patiënten waarvan de inputvariabele bekend is, zal zowel bij operatieve als conservatieve behandeling de outputvariabele (=KOOS-score) worden voorspeld. We veronderstellen dat de voorspelling zal worden verbeterd door in de loop van de tijd meer invoergegevens toe te voegen.
Het secundaire doel is het identificeren van klinische en radiologische factoren die helpen bij het voorspellen van de beste behandeling voor toekomstige patiënten.
Als vooruitzicht zou de machine learning-techniek in de toekomst in de klinische praktijk kunnen worden geïmplementeerd en kunnen worden gebruikt als een patiëntspecifiek planningsinstrument voor het beheer van tibiaplateaufracturen door de chirurg te helpen bij het selecteren van de beste behandeling voor een bepaald geval. De verzamelde gegevens in dit register worden gebruikt om het machine learning-model te valideren. Patiënten zullen op basis van de resultaten van het ontwikkelde model nog niet worden behandeld, de traumachirurg is verantwoordelijk om te beslissen welke behandelingsoptie het beste is voor de patiënt.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Vlaams-Brabant
-
Leuven, Vlaams-Brabant, België, 3000
- UZ Leuven
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Leeftijd > 18 jaar
- Proximale tibiaplateaufractuur
- Patiënt is in staat om vervolgbezoeken bij te wonen
Uitsluitingscriteria:
- Leeftijd < 18 jaar
- Bilaterale fracturen
- Neurologische aandoeningen (d.w.z. dwarslaesie, CVA, dementie etc.)
- Geen Nederlands of Engels verstaan
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Cohort
- Tijdsperspectieven: Prospectief
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Algoritme voor machinaal leren
Tijdsspanne: 1 jaar
|
Het meest geschikte algoritme voor machine learning identificeren dat de beste behandeling voor toekomstige patiënten voorspelt.
De voorspelling zal in de loop van de tijd worden verbeterd door extra invoer.
|
1 jaar
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Klinische factoren
Tijdsspanne: 1 jaar
|
Klinische factoren identificeren die helpen bij het voorspellen van de beste behandeling voor toekomstige patiënten
|
1 jaar
|
|
Radiologische factoren
Tijdsspanne: 1 jaar
|
Om radiologische factoren te identificeren die helpen bij het voorspellen van de beste behandeling voor toekomstige patiënten
|
1 jaar
|
Medewerkers en onderzoekers
Onderzoekers
- Hoofdonderzoeker: Harm Hoekstra, Prof. MD, UZ Leuven
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
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- S64352
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 .