- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT05622539
Valideren: betrouwbare AI om acute beroerte-resultaten te verbeteren (VALIDATE)
Validatie van een betrouwbaar op AI gebaseerd klinisch beslissingsondersteunend systeem voor het verbeteren van de patiëntresultaten bij de behandeling van acute beroertes
Prognostische hulpmiddelen op basis van kunstmatige intelligentie (AI) en klinische besluitvormingsondersteunende systemen kunnen de uitkomst van bepaalde ziekten op basis van een groot aantal patiëntgegevens met hoge snelheid voorspellen, wat beslissingen door beroepsbeoefenaren in de gezondheidszorg vergemakkelijkt. Bij acute ischemische beroerte zijn het algehele behandelingseffect en de uitkomstvoordeel voor de hele populatie van behandelingen zoals intraveneuze trombolyse en mechanische trombectomie goed ingeburgerd. Bij individuele patiënten is het echter moeilijk om de prognose in de acute fase van een beroerte te voorspellen: sommige patiënten komen in aanmerking voor deze behandelingen, maar kunnen slechte klinische resultaten hebben (geen verbetering van de beroerte of zelfs verslechtering). een op kunstmatige intelligentie (AI) gebaseerd prognostisch hulpmiddel om nauwkeurige real-time uitkomstvoorspelling te bieden bij patiënten met acute ischemische beroerte.
Tijdens de studie krijgen alle patiënten die met een acute ischemische beroerte op de spoedeisende hulp worden opgenomen, de gebruikelijke behandeling voor een acute beroerte in overeenstemming met de verantwoordelijke beroerte-neurologen. Een "schaduw" klinisch onderzoeker, zonder interactie met behandelende artsen, zal in vivo de gegevens verzamelen die nodig zijn voor het AI-model. Deze gegevens worden verkregen door het invullen van klinische gegevens via een App op een ziekenhuismobiel/tablet en door een koppeling met uw elektronisch medisch dossier.
De AI-modellen schatten de uitkomst van de patiënt met een acute beroerte en deze voorspelling wordt vergeleken met de werkelijke uitkomst van de patiënt na 3 maanden follow-up.
Studie Overzicht
Toestand
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Prognostische hulpmiddelen op basis van kunstmatige intelligentie (AI) en klinische besluitvormingsondersteunende systemen hebben de mogelijkheid om de uitkomst van bepaalde ziekten te voorspellen op basis van een groot aantal patiëntgegevens met hoge snelheid, waardoor beslissingen door zorgprofessionals worden vergemakkelijkt.
Bij acute ischemische beroerte zijn het algehele behandelingseffect en het populatiebrede uitkomstvoordeel van IV-trombolyse en mechanische trombectomie goed ingeburgerd. De uitkomst verschilt echter nog steeds aanzienlijk voor individuele patiënten, waarbij sommigen in aanmerking komen voor behandeling, maar catastrofale gevolgen kunnen hebben. Meerdere prognostische variabelen en hun combinatie bij een enkele patiënt maken het moeilijk om individuele uitkomsten na een beroertebehandeling te voorspellen. We streven ernaar een AI-prognostische tool te valideren om nauwkeurige uitkomstvoorspelling te bieden bij patiënten met een acute ischemische beroerte in een prospectieve observationele vervolgstudie.
Hypothese Op AI gebaseerde modellen kunnen in real-time worden toegepast bij patiënten met een acute beroerte en zorgen voor een vroege nauwkeurige voorspelling van hun uitkomst.
Methodologie Het onderzoek verloopt in twee fasen. Fase 1: retrospectief onderzoek. Terwijl technologische paraatheid zal worden bereikt voor de klinische validatiestudie, zal verdere modelverfijning op heterogene gegevens worden uitgevoerd op basis van bestaande modellen die zijn ontwikkeld op basis van uitgebreide medische gegevens van hoge kwaliteit. VALIDATE analyseert retrospectieve databases van de 3 klinische locaties die betrokken zijn bij de studie om de eerder gegenereerde AI-modellen te testen en te valideren. Versleutelde gegevens van alle patiënten met een acute ischemische beroerte die in de periode 2018-2021 in de centra zijn opgenomen, zullen de AI-modellen voeden om de nauwkeurigheid van het model te valideren door de door de AI-modellering voorspelde resultaten te vergelijken met die van de daadwerkelijke patiënten. De dataset omvat demografische gegevens, klinische basiskenmerken, risicofactoren, neuroimaging-gegevens, acute behandelingen, klinische evaluatie (National Institute of Health Stroke Scale (NIHSS)), functionele evaluatie na 3-6 maanden (mRS), door de patiënt gerapporteerde uitkomstmaten (PROM's) , enzovoort. De interactie tussen deze datasets en de AI-modellen zal plaatsvinden via een gefedereerde leerprocedure, dat wil zeggen dat de gegevens worden geanalyseerd op onze ziekenhuisservers en niet worden overgedragen naar een ander centrum.
De bijdrage van de steeds complexere diagnostische procedures aan de AI-modellen wordt beoordeeld en er wordt een set minimale relevante variabelen vastgesteld voor het AI-model dat in staat is om de functionele uitkomst nauwkeurig te voorspellen.
Fase 3: Prospectief observatieonderzoek in meerdere centra. opeenvolgende patiënten met een acute beroerte die zijn opgenomen in 3 uitgebreide beroertecentra met een hoog volume, zullen worden geëvalueerd. Alle patiënten krijgen de gebruikelijke behandeling na een beroerte en de standaardbehandeling volgens de behandelende artsen. Een klinische schaduwonderzoeker zonder interactie met de behandelende artsen zal zich in vivo de gegevens herinneren die nodig zijn voor de AI-modellering. Deze gegevens zullen worden verkregen door klinische gegevens in te vullen via een app en door verbinding te maken met het elektronische medische dossier van de patiënt om aanvullende baseline- en neuroimaging-gegevens te verkrijgen. De werkelijke uitkomsten van de patiënten zullen worden gemeten door middel van door de arts en de patiënt gerapporteerde uitkomstmetingen (CROM's en PROM's), en ze zullen worden vergeleken met de geschatte uitkomsten volgens het AI-model. PROMS na 7 dagen, 1 en 3 maanden zal worden verkregen door de implementatie van een innovatief op nudging gebaseerd digitaal platform (NORA) om de communicatie en follow-up tussen patiënt en arts te verbeteren. Er zal een elektronisch casusrapportageformulier (eCRF) worden ontworpen om de belangrijkste procesindicatoren (KPI's) en CROM's te onthouden, die zullen worden geïntegreerd in het NORA-platform.
De berekening van de steekproefomvang is gebaseerd op de resultaten van een klinische dataset van opeenvolgende patiënten met een codeberoerte die in het jaar 2020 in het ziekenhuis Vall d'Hebron zijn opgenomen. Het is gebruikt als een voorbeeld van de gebruikelijke mRS-verdeling na 3 maanden in een cohort van opeenvolgende patiënten met een acute beroerte.
In een test voor overeenstemming tussen twee beoordelaars met behulp van de Kappa-statistiek, behaalt een steekproefomvang van 182 proefpersonen 95% vermogen om een echte Kappa-waarde van 0,7 te detecteren in een test van H0: Kappa = κ0 vs. H1: Kappa ≠ κ0 wanneer er zijn drie categorieën met frequenties gelijk aan 0,58, 0,34 en 0,08. Deze powerberekening is gebaseerd op een significantieniveau van 0,05 en een minimaal aanvaardbare kappa (κ0) van 0,6 (matige overeenstemming) en een verwachte kappa (κ1) van 0,8 (substantiële overeenstemming). Uitgaande van een uitvalpercentage van 20% voor de follow-up van 90 dagen, zou het Dropout-Inflated Expected Enrollment (DIEE)-aantal 218 patiënten met een acute ischemische beroerte zijn.
Studietype
Inschrijving (Verwacht)
Contacten en locaties
Studiecontact
- Naam: Dietmar Frey, MD
- Telefoonnummer: +4930450560398
- E-mail: dietmar.frey@charite.de
Studie Contact Back-up
- Naam: Malte Von Tottleben
- E-mail: Malte.vonTottleben@empirica.com
Studie Locaties
-
-
-
Heidelberg, Duitsland
- Universität Heidelberg
-
Contact:
- Susanne Bonekamp, MD
- E-mail: Susanne.Bonekamp@med.uni-heidelberg.de
-
-
-
-
-
Jerusalem, Israël
- Hadassah Medical Center
-
Contact:
- Ronen Lecker, MD
- E-mail: leker@mail.huji.ac.il
-
-
-
-
Catalonia
-
Barcelona, Catalonia, Spanje, 08035
- Hospital Vall d'Hebron - VHIR
-
Contact:
- Marta Rubiera, MD
- Telefoonnummer: 0034 932744997
- E-mail: martaaurora.rubiera@vallhebron.cat
-
Onderonderzoeker:
- Federica Rizzo, MD
-
-
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:
- De proefpersoon is 18 jaar of ouder, of de wettelijke leeftijd om geïnformeerde toestemming te geven volgens de staats- of nationale wetgeving
- Geïnformeerde toestemming voor het gebruik van gegevens, verkregen van de patiënt of zijn of haar wettelijk aangewezen vertegenwoordiger (indien lokaal vereist)
Uitsluitingscriteria:
- Neuroimaging (CT/MRI) met tekenen van acute intracraniale bloeding
- Ernstige, gevorderde of terminale ziekte met een verwachte levensverwachting van minder dan 3 maanden
- Waarschijnlijk niet beschikbaar voor 90 dagen follow-up (bijv. geen vast woonadres, geen telefoon, enz.)
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Case-Alleen
- Tijdsperspectieven: Prospectief
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
---|---|---|
Verdeling van functionele uitkomst voorspeld door real-time AI-modellen gemeten door mRS
Tijdsspanne: 3 maanden
|
Verdeling van de functionele uitkomst gemeten door de gemodificeerde Rankin-schaal (mRS) (getrichotomiseerd: 0-2, 3-4 en 5-6) voorspeld door de real-time AI-modellen vergeleken met de werkelijke mRS-verdeling van de patiënt
|
3 maanden
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
---|---|---|
Aanvullende door de clinicus gerapporteerde (CRO) en door de patiënt gerapporteerde (PRO) uitkomstvoorspelling
Tijdsspanne: 1 week, 1 maand en 3 maanden
|
Evalueer de nauwkeurigheid van AI-modellen om aanvullende vooraf gedefinieerde door clinici en patiënten gerapporteerde uitkomsten (CRO's/PRO's) te voorspellen
|
1 week, 1 maand en 3 maanden
|
Demonstreer de haalbaarheid van het toepassen van AI-modellen in het echte leven
Tijdsspanne: 1 dag
|
AI-gebaseerde prognosesynchronisatie, problemen met systeemintegratie, ..
|
1 dag
|
Medewerkers en onderzoekers
Medewerkers
Studie record data
Bestudeer belangrijke data
Studie start (Verwacht)
Primaire voltooiing (Verwacht)
Studie voltooiing (Verwacht)
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
- PR(AG)310-2022
- 101057263 (Ander subsidie-/financieringsnummer: HORIZON-HLTH-2021-DISEASE-04-04)
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
- Formulier voor geïnformeerde toestemming (ICF)
- Analytische code
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
product vervaardigd in en geëxporteerd uit de V.S.
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 .