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

Geavanceerde data-ondersteunde geneeskunde Onderdeel longkanker (ADAMpartlung)

9 mei 2023 bijgewerkt door: AZ Delta

ADAM-substudie Luik 2: Observationele retrospectieve single-center cohortstudie over het construeren en valideren van AI-voorspellingsmodellen voor de uitkomsten van longkankerpatiënten

Het ontwikkelen en valideren van een AI-model dat artsen ondersteunt in hun beslissingsproces voor de behandeling van longkankerpatiënten. Dit AI-model moet de waarschijnlijkheid of evolutie van de uitkomsten voorspellen voor de mogelijke longkankerbehandelingen. De invoergegevens voor het trainen van dergelijke modellen zullen een "diepe patiënt" zijn. Deze diepe patiënt is een zelfstandig AI-model, getraind op ziekenhuisgegevens, zoals beschreven in secundaire doelstellingen.

Studie Overzicht

Toestand

Werving

Conditie

Longkanker

Interventie / Behandeling

Ander: Gegevensverzameling

Gedetailleerde beschrijving

Het doel van deze studie is om verzuilde real-world-data (RWD) voor te bereiden en te ontsluiten voor analyse en kunstmatige modelconstructie met als doel real-world-evidence (RWE) af te leiden. Tegenwoordig verzamelen artsen en verpleegkundigen gegevens van patiënten en registreren deze in het elektronisch patiëntendossier. Datapunten zijn vaak niet beschikbaar in een gestructureerd formaat, dus het verzamelen en ontsluiten van gegevens gebeurt op verzoek handmatig. Zorgvuldige analyse van de verzamelde gegevens met behulp van hulpmiddelen voor kunstmatige intelligentie kan ook helpen voorspellen welke patiënten het grootste risico lopen op ongepland gebruik van gezondheidszorg, bezoeken aan de spoedeisende hulp en ziekenhuisopnames. Een model dat de relevante uitkomsten kan voorspellen, zou daarom een grote hulp zijn voor de dagelijkse praktijk van de arts.

Primaire doelstelling Het ontwikkelen en valideren van een AI-model dat artsen ondersteunt bij hun beslissingsproces voor de behandeling van longkankerpatiënten. Dit AI-model moet de waarschijnlijkheid of evolutie van de uitkomsten voorspellen voor de mogelijke longkankerbehandelingen. Gegevensbronnen voor modelinvoer zijn ziekenhuisgegevens zoals demografische gegevens, basisgezondheidsstatus, eerdere behandelingen, beeldvormingsgegevens en fysiologische gegevens, gedetailleerde behandelingsgegevens

Secundaire doelstellingen

Automatische ontsluiting, verzameling en transformatie van datapunten voor longkanker naar het algemene OMOP-gegevensmodel, zodat gegevens direct beschikbaar zijn voor verder onderzoek en analyse
Een digitale patiënt construeren door een AI-model te trainen dat wordt gevoed met alle gegevens die beschikbaar zijn in het algemene OMOP-gegevensmodel
Validatie van een digitale patiënt en optimale functieselectie om de prestaties van het AI-model te verbeteren via niet-gesuperviseerde leertechnieken

Het potentieel van het toepassen van transformatoren om patiënten te vertegenwoordigen, is echt gepersonaliseerde en zelfs voorspellende geneeskunde. De reden is dat transformatoren een instrument zijn dat het mogelijk maakt om te gaan met miljoenen op elkaar inwerkende en zich niet-lineair gedragende parameters. Daarom kunnen gegevensbronnen in de bovenstaande afbeelding worden uitgebreid met genetische informatie, enzovoort. om optimale functieselectie van een digitale patiënt te gebruiken om de prestaties van het AI-model te verbeteren via onbewaakte leertechnieken, om voorspellingsmodellen verder te verfijnen voor de dagelijkse praktijk.

Een virtuele tweeling bouwen om een patiënt in detail weer te geven, zodat populatieanalyse en modelbouw klinisch relevant zijn.

Studietype

Observationeel

Inschrijving (Verwacht)

500

Contacten en locaties

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

Studiecontact

Naam: Peter De Jaeger, PhD
Telefoonnummer: 003251237650
E-mail: peter.dejaeger@azdelta.be

Studie Contact Back-up

Naam: Ingel Demedts, MD
Telefoonnummer: 003251237111

Studie Locaties

België
- West-Vlaanderen
  - Roeselare, West-Vlaanderen, België, 8800
    - Werving
    - AZ Delta
    - Contact:
      
      Peter De Jaeger, PhD, Prof
      
      Telefoonnummer: 003251237650
      
      E-mail: peter.dejaeger@azdelta.be
    - Hoofdonderzoeker:
      
      Ingel Demedts, Prof
    - Onderonderzoeker:
      
      Hannelore Bode, MD
    - Onderonderzoeker:
      
      Bernard Bouckaerts, MD
    - Onderonderzoeker:
      
      Kris Carron, MD
    - Onderonderzoeker:
      
      Stephanie Dobbelaere, MD
    - Onderonderzoeker:
      
      Ulrike Himpe, MD
    - Onderonderzoeker:
      
      Heidi Mariën, MD
    - Onderonderzoeker:
      
      Peter Van Haecke, MD
    - Onderonderzoeker:
      
      Wim Verbeke, MD
    - Onderonderzoeker:
      
      Peter De Jaeger, Prof, PhD
    - Onderonderzoeker:
      
      Pieter-Jan Lammertyn
    - Onderonderzoeker:
      
      Louise Berteloot
    - Onderonderzoeker:
      
      Kim Denturck, Msc ir

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

Kind
Volwassen
Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

Longkankerpatiënten opgenomen in traject longkankerpatiënten vanaf 20/04/2018

Beschrijving

Inclusiecriteria:

Longkankerpatiënten opgenomen in het traject longkankerpatiënten

Uitsluitingscriteria:

Niets gespecificeerd

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

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat	Maatregel Beschrijving	Tijdsspanne
Gegevens in internationaal gemeenschappelijk datamodel klaar voor AI-invoer Tijdsspanne: 2022	Ziekenhuisgegevens voor longkanker vertaald en klinisch gevalideerd in UMLS-concepten en opgeslagen in het gemeenschappelijke OMOP-gegevensmodel	2022

Secundaire uitkomstmaten

Uitkomstmaat	Maatregel Beschrijving	Tijdsspanne
Digitale patiëntconstructie Tijdsspanne: 2023	Een digitale patiënt construeren door een AI-model te trainen	2023
Machine learning onder toezicht Tijdsspanne: 2023	Trainen en valideren van modellen voor machinaal leren onder supervisie met een beperkte set geselecteerde functies als input om de uitkomsten van longkankerpatiënten te voorspellen.	2023
Constructie & validatie van voorspellend AI-model voor longkankerpatiënten Tijdsspanne: 2024	Constructie en validatie van haalbaarheidsaanpak voor voorspellend AI-model; Het construeren van AI-modellen met voorspelde resultaten, zoals 30 dagen mortaliteit, 30 dagen SEH-bezoek, evolutie van de kwaliteit van leven, acute behandelingscomplicaties	2024

Medewerkers en onderzoekers

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

Sponsor

AZ Delta

Onderzoekers

Hoofdonderzoeker: Ingel Demedts, MD, AZ Delta

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)

27 september 2021

Primaire voltooiing (Verwacht)

27 september 2024

Studie voltooiing (Verwacht)

31 december 2024

Studieregistratiedata

Eerst ingediend

13 maart 2023

Eerst ingediend dat voldeed aan de QC-criteria