Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

TPF Machine Learning-algoritmen

25 juli 2025 bijgewerkt door: Harm Hoekstra, prof. dr., Universitaire Ziekenhuizen KU Leuven

Operatief of niet-operatief beheer van tibiaplateaufracturen? Toepassing van machine learning-algoritmen om te helpen bij behandelbeslissingen

Een machine learning-techniek toepassen om te beslissen of een operatieve of niet-operatieve behandeling zal resulteren in het beste resultaat voor de patiënt.

Studie Overzicht

Toestand

Beëindigd

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

Observationeel

Inschrijving (Werkelijk)

70

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studie Locaties

    • Vlaams-Brabant
      • Leuven, Vlaams-Brabant, België, 3000
        • UZ Leuven

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

18 jaar en ouder (Volwassen, Oudere volwassene)

Accepteert gezonde vrijwilligers

NVT

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Patiënten van UZ Leuven

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

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

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

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Onderzoekers

  • Hoofdonderzoeker: Harm Hoekstra, Prof. MD, UZ Leuven

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

5 oktober 2020

Primaire voltooiing (Werkelijk)

27 juni 2023

Studie voltooiing (Werkelijk)

6 december 2024

Studieregistratiedata

Eerst ingediend

16 juli 2021

Eerst ingediend dat voldeed aan de QC-criteria

27 juli 2021

Eerst geplaatst (Werkelijk)

30 juli 2021

Updates van studierecords

Laatste update geplaatst (Werkelijk)

29 juli 2025

Laatste update ingediend die voldeed aan QC-criteria

25 juli 2025

Laatst geverifieerd

1 juli 2025

Meer informatie

Termen gerelateerd aan deze studie

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

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 .

Abonneren