Machine learning voor vroege diagnose van endometriose (MLEndo) (MLEndo)
FEMaLe: het gebruik van machinaal leren voor vroege diagnose van endometriose op basis van zelfgerapporteerde gegevens van patiënten - studieprotocol van een multicenteronderzoek
Studie Overzicht
Toestand
Interventie / Behandeling
Gedetailleerde beschrijving
Inleiding: Endometriose is een complexe en chronische ziekte die ongeveer 176 miljoen vrouwen in de vruchtbare leeftijd treft en die grotendeels onopgelost blijft. Het wordt gedefinieerd door de aanwezigheid van endometriumachtig weefsel buiten de baarmoeder en wordt vaak geassocieerd met chronische bekkenpijn, onvruchtbaarheid en verminderde kwaliteit van leven. Ondanks talrijke voorgestelde screening- en triagemethoden, zoals biomarkers, genomische analyse, beeldvormingstechnieken en vragenlijsten ter vervanging van invasieve diagnostische laparoscopie, is er geen enkele op grote schaal toegepast in de klinische praktijk.
. Ondanks de beschikbaarheid van verschillende screeningsmethoden (bijvoorbeeld biomarkers, genomische analyse, beeldvormingstechnieken) die bedoeld zijn om de behoefte aan invasieve diagnostische laparoscopie te vervangen, blijft de tijd tot diagnose tussen de 4 en 11 jaar. Doelstellingen: Het project heeft tot doel een grote prospectieve databank te creëren met behulp van de medische mobiele applicatie Lucy en patiëntprofielen en gestructureerde klinische gegevens te verzamelen en analyseren met behulp van kunstmatige intelligentie. Daarnaast zullen auteurs de associatie onderzoeken van verwijderde of beperkte voedingscomponenten met kwaliteit van leven, pijn en centrale sensitisatie. Methoden: Een baseline- en longitudinale vragenlijst in de Lucy-app verzamelt zelfgerapporteerde informatie over symptomen die verband houden met endometriose, sociaal-demografische gegevens, mentale en fysieke gezondheid, voeding en andere levensstijlfactoren. 5.000 vrouwen met endometriose en 5.000 vrouwen in een controlegroep zullen worden geïncludeerd en gedurende één jaar gevolgd. Met deze informatie zullen eventuele verbanden tussen symptomen en endometriose met machine learning worden geanalyseerd. Conclusies: Auteurs kunnen een fenotypische beschrijving van vrouwen met endometriose ontwikkelen door de verzamelde gegevens te koppelen aan bestaande, op registers gebaseerde informatie over de diagnose van endometriose, het gebruik van gezondheidszorg en de big data-aanpak. Dit kan helpen om endometriose met bekkenpijn eerder te detecteren en de huidige diagnostische vertraging aanzienlijk te verminderen. Bovendien kunnen auteurs voedingscomponenten identificeren die de kwaliteit van leven en pijn bij vrouwen met endometriose kunnen verslechteren; Zo kunnen auteurs op bewijs gebaseerde voedingsaanbevelingen opstellen.
Trefwoorden: Endometriose, Machine learning, Niet-invasieve diagnose, Dieet
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studiecontact
- Naam: Attila Bokor
- Telefoonnummer: 0036 703118868
- E-mail: attila.z.bokor@gmail.com
Studie Locaties
-
-
-
Budapest, Hongarije, 1088
- Werving
- Semmelweis University
-
Contact:
- Attila Bokor, MD, PhD
- Telefoonnummer: +36703118868
- E-mail: attila.z.bokor@gmail.com
-
Contact:
- Dora Balogh, PhD
- Telefoonnummer: Bokor +3604591500
- E-mail: attila.z.bokor@gmail.com
-
Hoofdonderzoeker:
- Attila Bokor, MD PhD
-
Budapest, Hongarije, 1028
- Werving
- Bokor Attila
-
Contact:
- Bokor Attila
- Telefoonnummer: 06703118868
- E-mail: attila.z.bokor@gmail.com
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- Vrouwen in de reproductieve leeftijd
- 5000 patiënten met endometriose
- 5000 patiënten zonder endometriose
Uitsluitingscriteria:
- Doorgaande zwangerschap
- Kwaadaardige aandoening van de eierstok/baarmoeder/borst
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Patiënten met endometriose en gezonde controles
Er zullen 5.000 mensen met endometriose worden geïncludeerd en gedurende één jaar gevolgd.
Om deel te nemen aan het onderzoek moeten de vrouwen voldoen aan de inclusiecriteria.
|
ML-beoordeling van verzamelde gegevens
Andere namen:
|
|
Controle
5.000 mensen in een controlegroep zullen worden geïncludeerd en gedurende één jaar gevolgd.
Om deel te nemen aan het onderzoek moeten de vrouwen voldoen aan de inclusiecriteria.
|
ML-beoordeling van verzamelde gegevens
Andere namen:
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Patiëntprofilering met behulp van de Lucy-app
Tijdsspanne: 24 maand
|
Zet een uitgebreide en uitgebreide potentiële big data-repository op met behulp van de Lucy-app. Dit initiatief heeft tot doel unieke klinische cohorten te identificeren door gebruik te maken van verschillende factoren, zoals digitale voetafdrukken, symptomen, patiëntervaringen, comorbiditeiten, klinische ernst en levensstijlpatronen. Door gebruik te maken van ML voor big data-analyse kunnen auteurs patiëntprofielen en gestructureerde klinische gegevens opbouwen die de vroege detectie van endometriose met bekkenpijn vergemakkelijken. Zelfgerapporteerde gegevens van de deelnemers worden als volgt gemeten:
|
24 maand
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Impact van voeding en levensstijl op de ontwikkeling van endometriose
Tijdsspanne: 24 maand
|
Bovendien kunnen auteurs voedingscomponenten identificeren die de kwaliteit van leven en pijn bij vrouwen met endometriose kunnen verslechteren; Zo kunnen ze op bewijs gebaseerde voedingsaanbevelingen opstellen. De veranderingen in de kwaliteit van leven zullen worden beoordeeld aan de hand van zelfgerapporteerde gegevens van de deelnemers. Ze worden als volgt gemeten: Verandering ten opzichte van de uitgangswaarde in pijnscores op de visueel-analoge schaal na 12 maanden. Veranderingen ten opzichte van de uitgangswaarden op EHP5 na 12 maanden |
24 maand
|
Andere uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Economische last van endometriose
Tijdsspanne: 24 maand
|
Economische last, rekening houdend met de kosten van dieet- en gezondheidszorggebruik.
De exacte kosten van een endometriose-gerelateerd dieet worden per maand in EUR gerapporteerd.
|
24 maand
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Onderzoekers
- Hoofdonderzoeker: Attila Bokor, Semmelweis University
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
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
- Semmelweis
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
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 .