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

AI-gebaseerd Voorspellend en Interventiesysteem voor Vroege Detectie van Niet-nalevingsrisico's bij Orale Therapieën bij Lymfoompatiënten. (LNH-AI-Tools)

20 april 2026 bijgewerkt door: Grand Hôpital de Charleroi

AI-gebaseerd Voorspellend en Interventiesysteem voor Vroege Detectie van Niet-nalevingsrisico's Met Orale Therapieën bij Lymfoompatiënten, Integrerend het Complete Zorgtraject en een Interoperabele Klinische Interface met Algoritmen Gekoppeld aan Toelichtingsinstrumenten.

Dit onderzoek maakt deel uit van een continu kwaliteitsverbeteringsinitiatief. Het heeft als doel de therapietrouw van orale therapieën te beoordelen door middel van kunstmatige intelligentie. Het zou de beperkingen van huidige praktijken kunnen overwinnen en de responsiviteit en nauwkeurigheid van klinische interventies kunnen verbeteren.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Non-Hodgkin-lymfomen vereisen rigoureuze behandelingsprotocollen, waaronder intensieve intraveneuze chemotherapie of gerichte orale therapieën. Secundaire immunosuppressie maakt orale anti-infectieuze profylaxe (zoals valaciclovir of Bactrim forte) noodzakelijk om opportunistische complicaties te voorkomen. De literatuur rapporteert echter cijfers tot 50% van de patiënten die nalevingsproblemen ervaren met orale therapieën, wat de effectiviteit van de behandeling aantast, het risico op ernstige infecties verhoogt, langdurige ziekenhuisopnames veroorzaakt en bijgevolg extra kosten voor het gezondheidszorgsysteem met zich meebrengt. Dit project stelt voor om een innovatief kunstmatige intelligentie (AI)-instrument te ontwikkelen, gebaseerd op real-world data, om vroege tekenen van niet-naleving op te sporen en gerichte interventie door zorgteams mogelijk te maken. Onze aanpak combineert analyse van klinische gegevens (patiënt, ziekte, dispensatiegeschiedenis, laboratoriumresultaten, geneesmiddelinteracties) en machine learning-algoritmen (gesuperviseerd machine learning en neurale netwerken) om risicoprofielen te identificeren. Het instrument genereert een real-time waarschuwing en biedt de behandelend arts en coördinerend verpleegkundige van de patiënt op maat gemaakte aanbevelingen, zoals een geautomatiseerde herinnering, een specifieke verpleegkundige consultatie, enz. Een intuïtieve interface stelt clinici en verpleegkundigen in staat om nalevingstrends te visualiseren en snel te handelen. Dit project steunt op een multidisciplinair team (hematologen, gespecialiseerde verpleegkundigen (APNs), datawetenschappers, AI-experts) en patiëntpartners om het instrument onder realistische omstandigheden te valideren.

Studietype

Observationeel

Inschrijving (Geschat)

210

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

Studie Contact Back-up

Studie Locaties

  • België
    • Hainaut
      • Charleroi, Hainaut, België, 6060
        • Werving
        • Grand Hôpital de Charleroi
        • Contact:
        • Contact:
        • Hoofdonderzoeker:
          • Delphine Pranger, MD
        • Hoofdonderzoeker:
          • Marie Detrait, MD, PhD
        • Onderonderzoeker:
          • Stéphanie De Prophetis, Nurse

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

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Nee

Bemonsteringsmethode

Kanssteekproef

Studie Bevolking

Patiënten behandeld op de afdeling Hematologie van het Algemeen Ziekenhuis Charleroi voor non-Hodgkinlymfoom.

Beschrijving

Insluitingscriteria:

  • Alle patiënten van 18 jaar en ouder die vanaf november 2025 worden behandeld op de Hematologie-afdeling van het Grand Hôpital de Charleroi
  • Behandeld voor een lymfoom, Non-Hodgkin
  • In staat om geïnformeerde toestemming te geven

Uitsluitingscriteria:

  • Alle andere patiënten die niet voldeden aan de geschiktheidscriteria

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
Retrospectieve cohort
Een retrospectieve cohort van 2019 tot 2024 bestaande uit 350 lymfoompatiënten die op empirische basis werden gevolgd.
Ander: Retrospectieve Groep
Voor de retrospectieve groep van 20 patiënten.
Prospectieve cohortstudie
Een prospectieve cohortstudie met maximaal 210 opeenvolgende patiënten, startend in november 2025, met als doel een beslissingsondersteunend hulpmiddel te ontwikkelen met behulp van machine learning.
Ander: Prospectieve Groep
Follow-up van de patiënten voor de prospectieve groep

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
ROC-AUC
Tijdsspanne: 2027

Beschrijving: ROC-AUC: Receiver Operating Characteristic - Area Under the Curve is een prestatiemetriek voor binaire classificatievoorspellingsalgoritmen. ROC-curve: Plot de True Positive Rate (gevoeligheid) tegen de False Positive Rate (1-specificiteit) bij verschillende classificatiedrempels. AUC: Het gebied onder deze curve (variërend van 0 tot 1). Een hogere AUC duidt op betere modelprestaties - 1.0 is perfect, 0.5 is willekeurig gokken. ROC-AUC evalueert hoe goed het model onderscheid maakt tussen klassen, ongeacht de classificatiedrempel.

Tijdsbestek: Wanneer de data beschikbaar zal zijn, eind 2027
2027

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
F1-score
Tijdsspanne: Wanneer de gegevens beschikbaar zullen zijn, eind 2027

De F1-score is een prestatiemetriek voor classificatie-algoritmen, het harmonisch gemiddelde van precisie (correcte positieve voorspellingen / totale positieve voorspellingen) en recall (correcte positieve voorspellingen / werkelijke positieven).

Formule: F1 = 2 × (Precisie × Recall) / (Precisie + Recall) Bereik: 0 tot 1, waarbij 1 perfecte precisie en recall is, en 0 de slechtste.

De F1-score balanceert precisie en recall, waardoor het ideaal is wanneer u zowel fout-positieven als fout-negatieven wilt vermijden.
Wanneer de gegevens beschikbaar zullen zijn, eind 2027

Andere uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Recall voor de positieve klasse
Tijdsspanne: 2027

Recall voor de positieve klasse is een metriek voor binaire classificatie die de volgende vraag beantwoordt:

"Welk deel van de werkelijke positieven werd correct geïdentificeerd door het model?"

Formule: Recall = True Positives / (True Positives + False Negatives)

Bereik: 0 tot 1, waarbij 1 betekent dat alle positieven correct werden voorspeld, en 0 betekent dat geen enkele correct werd voorspeld.

Een hoge recall betekent dat het model goed is in het vastleggen van de meeste positieve gevallen, maar het kan ook meer vals-positieven omvatten. Het is cruciaal wanneer het missen van een positief geval (vals-negatief) kostbaar is.
2027

Medewerkers en onderzoekers

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

Sponsor

Grand Hôpital de Charleroi

Onderzoekers

  • Hoofdonderzoeker: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi

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)

15 februari 2026

Primaire voltooiing (Geschat)

31 december 2027

Studie voltooiing (Geschat)

15 februari 2029

Studieregistratiedata

Eerst ingediend

8 april 2026

Eerst ingediend dat voldeed aan de QC-criteria

20 april 2026

Eerst geplaatst (Werkelijk)

22 april 2026

Updates van studierecords

Laatste update geplaatst (Werkelijk)

22 april 2026

Laatste update ingediend die voldeed aan QC-criteria

20 april 2026

Laatst geverifieerd

1 april 2026

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • LNH-AI-Tools

Plan Individuele Deelnemersgegevens (IPD)

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

NEE

Beschrijving IPD-plan

Momenteel wordt dit onderzoek intern uitgevoerd; na analyse zou deze optie kunnen worden overwogen als het model kan worden aangepast voor gebruik elders.

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