Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

En ny maskinlæringsalgoritme for å forutsi Lewy Body-demens (MLDLB)

8. september 2020 oppdatert av: Anastasia Bougea, National and Kapodistrian University of Athens

En ny maskinlæringsalgoritme for å forutsi Lewy Body-demens ved bruk av kliniske og nevropsykologiske resultater

Parkinsons sykdom demens (PDD) og demens med lewy kropper (DLB) er demenssyndromer som overlapper i mange kliniske trekk, noe som gjør diagnosen vanskelig i klinisk praksis, spesielt i avanserte stadier. Vi foreslår en maskinlæringsalgoritme, basert kun på ikke-invasivt og enkelt klinikksamlerbare prediktorer, for å identifisere disse lidelsene med høy prognostisk ytelse.

Studieoversikt

Status

Ukjent

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Algoritmen vil bli utviklet ved å bruke datasett fra to spesialiserte minnesentre, med et utvalg av PDD- og DLB-personer hvis diagnostiske oppfølging er tilgjengelig i minst 3 år etter baseline-vurderingen. Et begrenset sett med informasjon om klinisk-demografiske egenskaper, 6 nevropsykologiske tester (minimental, PD kognitiv vurderingsskala, kort visuospatial minnetest, symbolsiffer skrevet, Wechsler voksen intelligensskala, spordannelse A og B) ble brukt som prediktorer. To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), vil bli undersøkt for deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.

Studietype

Observasjonsmessig

Registrering (Forventet)

200

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiesteder

  • Hellas
    • Attiki
      • Athens, Attiki, Hellas, 16674
        • Rekruttering
        • Anastasia Bougea
        • Ta kontakt med:
        • Underetterforsker:
          • Christos Goumas, dr

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

50 år til 90 år (Voksen, Eldre voksen)

Tar imot friske frivillige

Nei

Kjønn som er kvalifisert for studier

Alle

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

PDD-gruppen består av pasienter som oppfyller kriteriene for sannsynlig PDD og DLB-gruppen. Pasienter vil bli registrert fra den registerbaserte databasen til to klinikker. Følgende data ble samlet inn: kjønn, alder, utdanning, hånddominans, sykdomsvarighet (år) og levodopaekvivalent daglig dose (LEDD). Sykdomsbyrden vil bli vurdert av Movement Disorders Society-United Parkinson's Disease Rating Scale (MDS-UPDRS) del III i Av medisineringstilstand og følgende seks kognitive/atferdstester: Mini-Mental State Examination (MMSE), PD- Cognitive Rating Scale (PD-CRS), Brief Visuospatial Memory test (BVMT-TR), Symbol digit written (SDMT), Trail making test (TMT A,B), Wechsler adultintelligence scale (WAIS-V). Alle pasienter vil gjennomgå hjerne-MR og blodprøver for å utelukke sekundære årsaker til demens.

Beskrivelse

Inklusjonskriterier:

PDD-gruppen bestod av pasienter som oppfyller kriteriene for sannsynlig PDD fra Movement Disorders Society (b) DLB-gruppen bestod av pasienter, i henhold til de nylig reviderte kriteriene for sannsynlig DLB.

Ekskluderingskriterier:

  • store psykiatriske lidelser, depresjon

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
Parkinsons sykdom demens
PDD-gruppen besto av 58 pasienter som oppfyller kriteriene for sannsynlig PDD fra Movement Disorders Society
Diagnostisk test: maskinlæringsmodell
To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), ble undersøkt for deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.
Demens med Lewy Bodies
DLB-gruppen besto av 40 pasienter, i henhold til de nylig reviderte kriteriene for sannsynlig DLB
Diagnostisk test: maskinlæringsmodell
To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), ble undersøkt for deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
MMSE prediktiv for dlb eller PDD
Tidsramme: 1 år
To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), vil kombinere disse testene for å undersøke deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.
1 år
Parkinsons sykdom - kognitiv vurderingsskala (PD-CRS) prediktiv for DLB eller PDD
Tidsramme: 1 år
To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), vil kombinere disse testene for å undersøke deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.
1 år
Kort Visuospatial Memory Test (BVMT-TR) prediktiv for DLB eller PDD
Tidsramme: 1 år
To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), vil kombinere disse testene for å undersøke deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.
1 år
Symbolsiffer skrevet prediktiv for DLB eller PDD
Tidsramme: 1 år
To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), vil kombinere disse testene for å undersøke deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.
1 år
Wechsler voksen intelligensskala, prediktiv for DLB eller PDD
Tidsramme: 1 år
To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), vil kombinere disse testene for å undersøke deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.
1 år
løype som gjør A og B prediktive for DLB eller PDD
Tidsramme: 1 år
To klassifiseringsalgoritmer, logistisk regresjon og K-Nearest Neighbors (K-NNs), vil kombinere disse testene for å undersøke deres evne til å forutsi vellykket om pasienter led av PDD eller DLB.
1 år

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

National and Kapodistrian University of Athens

Etterforskere

  • Hovedetterforsker: ANASTASIA BOUGEA, National and Kapodistrian University of Athens

Publikasjoner og nyttige lenker

Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.

Generelle publikasjoner

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

1. september 2019

Primær fullføring (Forventet)

1. oktober 2020

Studiet fullført (Forventet)

1. mars 2021

Datoer for studieregistrering

Først innsendt

21. juni 2020

Først innsendt som oppfylte QC-kriteriene

24. juni 2020

Først lagt ut (Faktiske)

25. juni 2020

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

10. september 2020

Siste oppdatering sendt inn som oppfylte QC-kriteriene

8. september 2020

Sist bekreftet

1. september 2020

Mer informasjon

Begreper knyttet til denne studien

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • 251ATHENS HOSPITAL

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .

Kliniske studier på maskinlæringsmodell

Søk i lignende forsøk

Sponsorer og samarbeidspartnere

Medisinsk tilstand

Legemiddelintervensjoner

CROs by country

CROs in Austria

Forhold

Sjeldne sykdommer

Legemiddelintervensjoner

Kosttilskudd

Sponsor / samarbeidspartnere

Steder

Abonnere