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

Voorspellend model voor pijn- en functieresultaten na 1 jaar na een duimgewrichtoperatie bij artrosepatiënten

18 december 2024 bijgewerkt door: Michael Oyewale

Een onderzoeksprotocol voor de ontwikkeling van een voorspellend model voor pijn- en functieresultaten over een jaar na Touch® trapeziometacarpale gewrichtsartroplastiek

Deze studie heeft tot doel een voorspellend model te ontwikkelen om artsen te helpen de verwachte resultaten een jaar na een duimgewrichtoperatie vanwege artrose beter te begrijpen. Door klinische en door de patiënt gerapporteerde gegevens te analyseren van personen die een operatie met het Touch®-implantaat hebben ondergaan, probeert het onderzoek de pijnniveaus en de handfunctie 1 jaar na de operatie te voorspellen. Deze informatie kan gedeelde besluitvorming ondersteunen, realistische verwachtingen scheppen en de gepersonaliseerde behandelplanning verbeteren.

Studie Overzicht

Gedetailleerde beschrijving

Deze studie heeft tot doel voorspellende modellen te ontwikkelen en te valideren voor het beoordelen van pijn- en handfunctieresultaten één jaar na de artroplastiek van het trapeziometacarpale gewricht (TMJ) met behulp van de Touch®-prothese. De studie maakt gebruik van een prospectief register in één centrum van een gespecialiseerd orthopedisch ziekenhuis in Zürich, Zwitserland.

Analytische methoden:

We zullen de volgende modelleringsaanpak gebruiken om de beste voorspellende waarde voor de uitkomst van pijn over een jaar te bepalen. Het gekozen model is:

- Extreme Gradient Boosting (XGBoost): een niet-parametrische, ensemble-gebaseerde aanpak die beslissingsbomen combineert door middel van boosting om complexe functie-interacties vast te leggen en niet-lineariteit effectief te modelleren. XGBoost omvat ook L1- en L2-regularisatie, waardoor het overfitting kan beheersen en tegelijkertijd sterke voorspellende prestaties kan bieden. XGBoost staat bekend om zijn superieure prestaties bij het vastleggen van ingewikkelde relaties, het bieden van robuuste voorspellingen over verschillende datacontexten en het behalen van de eerste prijs in veel AI-datathons.

Ontbrekende gegevens:

We verwachten ontbrekende gegevens voor door de patiënt gerapporteerde, klinische, radiologische en aanvullende variabelen. Om dit aan te pakken, zullen we dat doen

  1. Beoordeel de omvang en patronen van ontbrekende waarden voor elke variabele met behulp van beschrijvende statistieken en grafische methoden.
  2. Onderzoek redenen voor ontbrekende waarden en potentiële verschillen tussen individuen met en zonder onvolledige gegevens.
  3. Behandel ontbrekende gegevens met behulp van de ingebouwde mogelijkheid van XGBoost om ontbrekende waarden rechtstreeks te beheren door optimale splitsingen voor ontbrekende gegevens te leren, waardoor de noodzaak voor externe imputatiebenaderingen voor dit model wordt geëlimineerd.

Modelontwikkeling:

Extreme gradiëntversterking (XGBoost):

  • De gegevens worden opgesplitst in een trainings- (70%) en testset (30%). Het XGBoost-model zal worden getraind met behulp van hyperparameterafstemming via rasterzoeken, gecombineerd met herhaalde vijfvoudige kruisvalidatie (vijf keer herhaald) op de trainingsset. Deze herhaalde kruisvalidatie dient als interne validatie om een ​​robuuste en onbevooroordeelde schatting van de modelprestaties tijdens de training te garanderen. Bij het zoeken naar de rasterruimte wordt een redelijk bereik aan waarden voor belangrijke hyperparameters onderzocht, zoals:

    • Aantal boostrondes (nrounds): (bijvoorbeeld 50, 100, 200)
    • Leersnelheid (eta): (bijv. 0,05, 0,1, 0,3)
    • Maximale diepte van bomen (max_diepte): (bijv. 2, 4, 6)
    • Minimale som van instanties in elk knooppunt (min_child_weight): (bijvoorbeeld 1, 2, 4)
  • De rasterruimte zal gematigd van omvang worden gehouden om de volledigheid in evenwicht te brengen met de rekenkundige haalbaarheid, waardoor een grondige verkenning van belangrijke hyperparameters wordt gegarandeerd en een al te uitputtende zoektocht wordt vermeden.
  • Bij het ontwikkelen van ons model zullen we ernaar streven de prestaties te verbeteren en overfitting te verminderen door gebruik te maken van featureselectie om collineariteit aan te pakken. We zullen ook een minimale set functies onderzoeken met behulp van de belangrijkheidsscores van een initieel XGBoost-model en expertkennis om prioriteit te geven aan klinisch relevante voorspellers. Ten slotte zullen we feature engineering (bijvoorbeeld polynomiale transformaties) onderzoeken om de voorspellende kracht van ons model te vergroten.

Modelevaluatie:

  • Uitgehouden testset: Na interne validatie en afstemming van de hyperparameters zal het uiteindelijke model worden geëvalueerd op de 30% uitgestelde testset om de prestaties ervan op ongeziene gegevens te beoordelen, wat een onbevooroordeelde schatting van de generaliseerbaarheid oplevert.
  • Prestatiestatistieken:

    • R² (Bepalingscoëfficiënt): Om het aandeel van de variantie te evalueren dat door het model wordt verklaard.
    • Mean Absolute Error (MAE): Om de gemiddelde omvang van voorspellingsfouten te kwantificeren en de nauwkeurigheid van het model voor continue resultaten te beoordelen, waardoor een artsvriendelijke interpretatie van fouten wordt geboden.
    • Kalibratie- en validatieplots: Om de overeenkomst tussen waargenomen en voorspelde uitkomsten te beoordelen, waarbij wordt geëvalueerd hoe goed de voorspelde waarden overeenkomen met de werkelijke waarden in de onderzoekspopulatie.
  • Leercurve: Er zullen leercurven worden gebruikt om de modelprestaties over verschillende trainingssetgroottes te evalueren. Door trainings- en validatiefouten uit te zetten tegen het aantal trainingssteekproeven (subsets van de hele dataset), kunnen we de fit van het model beoordelen, het leergedrag observeren en bepalen of onze modelprestaties baat zouden hebben bij aanvullende trainingsgegevens.
  • Voorspellingsonzekerheid: We zullen bootstrap-aggregatie (bagging) gebruiken, volgens methoden van Hastie et al., om voorspellingsintervallen te verkrijgen, die de onzekerheid in individuele XGBoost-voorspellingen kwantificeren door de variantie in voorspellingsfouten tussen bootstrap-steekproeven te analyseren. In tegenstelling tot betrouwbaarheidsintervallen verklaren deze intervallen zowel de misspecificatie van het model als de onzekerheid over de uitkomsten.

Modeluitvoer:

We zullen het uiteindelijke model gebruiken om een ​​webgebaseerde uitkomstcalculator te ontwikkelen voor pijn en functie 1 jaar na de operatie. Dit hulpmiddel is in de eerste plaats bedoeld voor gebruik door artsen, met als doel de gedeelde besluitvorming met de patiënten te vergemakkelijken. Door duidelijke visualisaties en gemakkelijk te begrijpen classificaties te bieden, helpt de calculator artsen mogelijke uitkomsten aan patiënten uit te leggen en de betrokkenheid van patiënten bij hun behandelplanning te ondersteunen. De modeluitvoer omvat de voorspelde pijnscore op een numerieke beoordelingsschaal (NRS) van 0-10 of de bMHQ-handfunctiescore, die varieert van 0-100.

Op basis van de uitkomst worden de exact voorspelde waarden als volgt visueel gemarkeerd:

  • Groen: NRS 0-3, bMHQ 67-100 (indicatief voor positieve resultaten)
  • Oranje: NRS 4-7, bMHQ 34-66 (indicatief voor matige uitkomsten)
  • Rood: NRS 8-10, bMHQ 0-33 (indicatief voor slechte resultaten) Deze classificatie is bedoeld om een ​​snelle, visuele weergave te bieden van de voorspelde resultaten, waardoor het voor artsen en patiënten gemakkelijker wordt om de resultaten te interpreteren en het risiconiveau te begrijpen. verwachte herstelpotentieel. De classificatiedrempels kunnen op basis van verdere validatie worden gewijzigd om nauwkeurigheid en klinische relevantie te garanderen.

Studietype

Observationeel

Inschrijving (Geschat)

330

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

      • Zürich, Zwitserland, 8008
        • Schulthess Klinik

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

Deelnemers aan de studie zullen worden geselecteerd uit een prospectief register in één centrum van patiënten die worden behandeld in een gespecialiseerd orthopedisch ziekenhuis in Zürich, Zwitserland. De populatie bestaat uit personen waarbij de diagnose primaire artrose van het trapeziometacarpale gewricht (TMJ) is gesteld en die een primaire TMJ-artroplastiek hebben ondergaan met behulp van de Touch®-prothese. Deze populatie vertegenwoordigt een mix van patiënten met verschillende ernst van TMJ-artrose bij wie conservatieve behandelingen zoals spalken, handtherapie of corticosteroïde-injecties niet hebben gefaald voordat ze een operatie ondergingen.

Beschrijving

Inclusiecriteria:

  • Patiënten die werden behandeld met een primaire TMJ-artroplastiek met behulp van de Touch®-prothese voor TMJ-artrose in ons single-center prospectieve register.
  • Patiënten die hun follow-upvragenlijst na 1 jaar hadden ingevuld

Uitsluitingscriteria:

  • Revisieoperatie,
  • Niet behandeld voor primaire artrose (d.w.z. secundaire artrose of reumatoïde artritis of andere),
  • Heeft het toestemmingsformulier niet ondertekend

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

Cohorten en interventies

Groep / Cohort
Interventie / Behandeling
Touch®-patiënten

Patiënten die werden behandeld met een primaire artroplastiek van het trapeziometacarpale gewricht (TMJ) met behulp van de Touch®-prothese voor TMJ OA in ons single-center prospectieve register.

Patiënten hadden vóór de operatie doorgaans behandelingen met spalken, handtherapie en 1-3 steroïde-injecties ondergaan. Specifieke indicaties voor primaire TMJ-implantaatartroplastiek waren onder meer een goede trapeziumbotmassa zonder cysten, een trapeziale hoogte van minimaal 8 mm, geen klinisch relevante scaphotrapezoïdale artrose en geen ernstige instabiliteit van het metacarpofalangeale gewricht.

De interventie omvat een primaire artroplastiek van het trapeziometacarpale gewricht (TMJ) met behulp van de Touch®-prothese, een implantaat met dubbele mobiliteit, ontworpen voor de behandeling van artrose in de duim.
Andere namen:
  • Primaire trapeziometacarpale gewrichtsvervanging
  • Vervanging van het duimgewricht met Touch®-implantaat

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Pijn tijdens activiteiten na 1 jaar na de operatie
Tijdsspanne: 1 jaar na de operatie
Pijn tijdens activiteiten wordt gemeten met behulp van een Numeric Rating Scale (NRS), variërend van 0 (geen pijn) tot 10 (maximale pijn). Deelnemers beoordelen het pijnniveau dat wordt ervaren tijdens typische dagelijkse activiteiten.
1 jaar na de operatie
Handfunctie 1 jaar na de operatie
Tijdsspanne: 1 jaar na de operatie
De handfunctie zal worden beoordeeld met behulp van de korte Michigan Hand Outcomes Questionnaire (bMHQ), die de handprestaties bij verschillende activiteiten evalueert. Scores variëren van 0 tot 100, waarbij hogere scores een beter functioneren aangeven.
1 jaar na de operatie

Medewerkers en onderzoekers

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

Publicaties en nuttige links

De persoon die verantwoordelijk is voor het invoeren van informatie over het onderzoek stelt deze publicaties vrijwillig ter beschikking. Dit kan gaan over alles wat met het onderzoek te maken heeft.

Algemene publicaties

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)

8 februari 2022

Primaire voltooiing (Geschat)

28 februari 2025

Studie voltooiing (Geschat)

28 februari 2025

Studieregistratiedata

Eerst ingediend

13 december 2024

Eerst ingediend dat voldeed aan de QC-criteria

13 december 2024

Eerst geplaatst (Werkelijk)

25 maart 2025

Updates van studierecords

Laatste update geplaatst (Werkelijk)

25 maart 2025

Laatste update ingediend die voldeed aan QC-criteria

18 december 2024

Laatst geverifieerd

1 december 2024

Meer informatie

Termen gerelateerd aan deze studie

Andere studie-ID-nummers

  • 2019-02096

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

NEE

Beschrijving IPD-plan

We zijn niet van plan de onbewerkte gegevens te delen. De volledige analysecode wordt gedeeld.

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

product vervaardigd in en geëxporteerd uit de V.S.

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