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

Avansert datastøttet medisindel lungekreft (ADAMpartlung)

9. mai 2023 oppdatert av: AZ Delta

ADAM-delstudie Luik 2: Observational Retrospective Single Center Cohort Study on Construction and Validering AI Prediction Models for Outcomes of Lung Cancerpasients

Utvikle og validere en AI-modell som støtter leger i deres beslutningsprosess for behandling av lungekreftpasienter. Denne AI-modellen må forutsi sannsynligheten eller utviklingen av utfallene for mulige lungekreftbehandlinger. Inndataene for opplæring av slike modeller vil være en "dyppasient". Denne dype pasienten er en AI-modell i seg selv, trent på sykehusdata, som beskrevet i sekundære mål.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Målet med denne studien er å forberede og låse opp siled real-world-data (RWD) for analyse og kunstig modellkonstruksjon med mål om å utlede real-world-evidence (RWE). I dag samler leger og sykepleiere data fra pasienter og registrerer dataene i det elektroniske journalsystemet. Datapunkter er ofte ikke tilgjengelige i et strukturert format, så datainnsamling og opplåsing gjøres manuelt på forespørsel. Nøye analyse av de innsamlede dataene ved hjelp av kunstig intelligens-verktøy kan også bidra til å forutsi hvilke pasienter som har størst risiko for uplanlagt bruk av helsetjenester, akuttmottaksbesøk og sykehusinnleggelser. Derfor vil en modell som kan forutsi de relevante utfallene være til betydelig hjelp for legenes daglige praksis.

Primært mål Utvikle og validere en AI-modell som støtter leger i deres beslutningsprosess for behandling av lungekreftpasienter. Denne AI-modellen må forutsi sannsynligheten eller utviklingen av utfallene for mulige lungekreftbehandlinger. Datakilder for modellinndata er sykehusdata som demografi, baseline helsestatus, tidligere behandlinger, bildedata og fysiologiske data, detaljerte behandlingsdata

Sekundære mål

  • Automatisk opplåsing, innsamling og transformasjon av lungekreftdatapunkter til OMOP felles datamodell slik at data er lett tilgjengelig for videre forskning og analyse
  • Konstruere en digital pasient ved å trene en AI-modell matet med alle data tilgjengelig i OMOP felles datamodell
  • Validering av en digital pasient og optimal funksjonsvalg for å forbedre AI-modellytelsen via uovervåket læringsteknikker

Potensialet ved å bruke transformatorer for å representere pasienter er virkelig personlig og til og med prediktiv medisin. Årsaken er at transformatorer er et instrument som gjør det mulig å håndtere millioner av interagerende og ikke-lineært oppførende parametere. Derfor kan datakilder i figuren ovenfor utvides til å inkludere genetisk informasjon og så videre. å bruke Optimalt funksjonsvalg fra en digital pasient for å forbedre AI-modellytelsen via uovervåket læringsteknikker, for å finjustere prediksjonsmodeller for daglig praksis.

Å bygge en virtuell tvilling for å representere en pasient i detalj, slik at populasjonsanalyse og modellbygging er klinisk relevant.

Studietype

Observasjonsmessig

Registrering (Forventet)

500

Kontakter og plasseringer

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

Studiekontakt

Studer Kontakt Backup

  • Navn: Ingel Demedts, MD
  • Telefonnummer: 003251237111

Studiesteder

  • Belgia
    • West-Vlaanderen
      • Roeselare, West-Vlaanderen, Belgia, 8800
        • Rekruttering
        • AZ Delta
        • Ta kontakt med:
        • Hovedetterforsker:
          • Ingel Demedts, Prof
        • Underetterforsker:
          • Hannelore Bode, MD
        • Underetterforsker:
          • Bernard Bouckaerts, MD
        • Underetterforsker:
          • Kris Carron, MD
        • Underetterforsker:
          • Stephanie Dobbelaere, MD
        • Underetterforsker:
          • Ulrike Himpe, MD
        • Underetterforsker:
          • Heidi Mariën, MD
        • Underetterforsker:
          • Peter Van Haecke, MD
        • Underetterforsker:
          • Wim Verbeke, MD
        • Underetterforsker:
          • Peter De Jaeger, Prof, PhD
        • Underetterforsker:
          • Pieter-Jan Lammertyn
        • Underetterforsker:
          • Louise Berteloot
        • Underetterforsker:
          • Kim Denturck, Msc ir

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

  • Barn
  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Lungekreftpasienter inkludert i lungekreftpasientforløpet fra 20.04.2018

Beskrivelse

Inklusjonskriterier:

  • Lungekreftpasienter inkludert i lungekreftpasientveien

Ekskluderingskriterier:

  • Ingen spesifisert

Studieplan

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

Hvordan er studiet utformet?

Designdetaljer

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Data inn i internasjonal felles datamodell klar for AI-inndata
Tidsramme: 2022
Lungekreftsykehusdata oversatt og klinisk validert i UMLS-konsepter og lagret i den vanlige OMOP-datamodellen
2022

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Digital pasientkonstruksjon
Tidsramme: 2023
Konstruere en digital pasient ved å trene en AI-modell
2023
Overvåket maskinlæring
Tidsramme: 2023
Trening og validering av overvåkede maskinlæringsmodeller med et begrenset sett med utvalgte funksjoner som input for å forutsi lungekreftpasientutfall.
2023
Konstruksjon og validering av prediktiv AI-modell for lungekreftpasienter
Tidsramme: 2024
Konstruksjon og validering av prediktiv AI-modell gjennomførbarhetstilnærming; Konstruere AI-modeller for predikerte utfall som 30 dagers dødelighet, 30 dagers akuttbesøk, utvikling av livskvalitet, akutte behandlingskomplikasjoner
2024

Samarbeidspartnere og etterforskere

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

Sponsor

AZ Delta

Etterforskere

  • Hovedetterforsker: Ingel Demedts, MD, AZ Delta

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)

27. september 2021

Primær fullføring (Forventet)

27. september 2024

Studiet fullført (Forventet)

31. desember 2024

Datoer for studieregistrering

Først innsendt

13. mars 2023

Først innsendt som oppfylte QC-kriteriene

13. mars 2023

Først lagt ut (Faktiske)

24. mars 2023

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

10. mai 2023

Siste oppdatering sendt inn som oppfylte QC-kriteriene

9. mai 2023

Sist bekreftet

1. mai 2023

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • B1172021000032

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. .

Abonnere