Maskinlæring for tidlig diagnose av endometriose (MLEndo) (MLEndo)
KVINNE: Bruken av maskinlæring for tidlig diagnose av endometriose basert på pasientens selvrapporterte data - Studieprotokoll for en multisenterforsøk
Studieoversikt
Status
Intervensjon / Behandling
Detaljert beskrivelse
Introduksjon: Endometriose er en kompleks og kronisk sykdom som rammer ~176 millioner kvinner i reproduktiv alder og som stort sett forblir uløst. Det er definert av tilstedeværelsen av endometriumlignende vev utenfor livmoren og er ofte assosiert med kroniske bekkensmerter, infertilitet og redusert livskvalitet. Til tross for en rekke foreslåtte screening- og triagemetoder som biomarkører, genomisk analyse, avbildningsteknikker og spørreskjemaer for å erstatte invasiv diagnostisk laparoskopi, har ingen blitt bredt tatt i bruk i klinisk praksis.
. Til tross for tilgjengeligheten av ulike screeningmetoder (f.eks. biomarkører, genomisk analyse, avbildningsteknikker) som er ment å erstatte behovet for invasiv diagnostisk laparoskopi, forblir tiden til diagnose i området 4 til 11 år. Mål: Prosjektet har som mål å lage en stor potensiell databank ved hjelp av Lucy medisinske mobilapplikasjon og samle og analysere pasientprofiler og strukturerte kliniske data med kunstig intelligens. I tillegg vil forfattere undersøke sammenhengen mellom fjernede eller begrensede diettkomponenter med livskvalitet, smerte og sentral sensibilisering. Metoder: Et baseline- og longitudinelt spørreskjema i Lucy-appen samler selvrapportert informasjon om symptomer relatert til endometriose, sosiodemografi, mental og fysisk helse, ernæringsmessige og andre livsstilsfaktorer. 5 000 kvinner med endometriose og 5 000 kvinner i en kontrollgruppe vil bli registrert og fulgt opp i ett år. Med denne informasjonen vil eventuelle sammenhenger mellom symptomer og endometriose bli analysert med maskinlæring. Konklusjoner: Forfattere kan utvikle en fenotypisk beskrivelse av kvinner med endometriose ved å koble de innsamlede dataene med eksisterende registerbasert informasjon om endometriosediagnose, bruk av helsetjenester og big data-tilnærming. Dette kan bidra til å oppnå tidligere påvisning av endometriose med bekkensmerter og redusere den nåværende diagnostiske forsinkelsen betydelig. I tillegg kan forfattere identifisere ernæringskomponenter som kan forverre livskvaliteten og smerten hos kvinner med endometriose; dermed kan forfattere lage evidensbaserte kostholdsanbefalinger.
Nøkkelord: Endometriose, Maskinlæring, Ikke-invasiv diagnose, Kosthold
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiekontakt
- Navn: Attila Bokor
- Telefonnummer: 0036 703118868
- E-post: attila.z.bokor@gmail.com
Studiesteder
-
-
-
Budapest, Ungarn, 1088
- Rekruttering
- Semmelweis University
-
Ta kontakt med:
- Attila Bokor, MD, PhD
- Telefonnummer: +36703118868
- E-post: attila.z.bokor@gmail.com
-
Ta kontakt med:
- Dora Balogh, PhD
- Telefonnummer: Bokor +3604591500
- E-post: attila.z.bokor@gmail.com
-
Hovedetterforsker:
- Attila Bokor, MD PhD
-
Budapest, Ungarn, 1028
- Rekruttering
- Bokor Attila
-
Ta kontakt med:
- Bokor Attila
- Telefonnummer: 06703118868
- E-post: attila.z.bokor@gmail.com
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Kvinner i reproduktiv alder
- 5000 pasienter med endometriose
- 5000 pasienter uten endometriose
Ekskluderingskriterier:
- Pågående graviditet
- Ondartet tilstand av eggstokk/livmor/bryst
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Pasienter med endometriose og sunne kontroller
5 000 personer med endometriose vil bli registrert og fulgt opp i ett år.
For å delta i studien må kvinnene oppfylle inklusjonskriteriene.
|
ML vurdering av innsamlede data
Andre navn:
|
|
Kontroll
5 000 personer i en kontrollgruppe vil bli registrert og fulgt opp i ett år.
For å delta i studien må kvinnene oppfylle inklusjonskriteriene.
|
ML vurdering av innsamlede data
Andre navn:
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Pasientprofilering ved hjelp av Lucy-appen
Tidsramme: 24 måneder
|
Etabler et omfattende og omfattende potensielt stordatalager ved å bruke Lucy-appen. Dette initiativet tar sikte på å identifisere unike kliniske kohorter ved å utnytte ulike faktorer som digitale fotavtrykk, symptomer, pasienterfaringer, komorbiditeter, klinisk alvorlighetsgrad og livsstilsmønstre. Ved å bruke Using ML for big data-analyse, kan forfattere bygge pasientprofiler og strukturerte kliniske data som letter tidlig oppdagelse av endometriose med bekkensmerter. Selvrapporterte data fra deltakerne vil bli målt som følger:
|
24 måneder
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Påvirkning av kosthold og livsstil på utvikling av endometriose
Tidsramme: 24 måneder
|
I tillegg kan forfattere identifisere ernæringskomponenter som kan forverre livskvaliteten og smerten hos kvinner med endometriose; dermed kan de lage evidensbaserte kostholdsanbefalinger. Endringene i livskvalitet vil bli vurdert ved å bruke Selvrapporterte data fra deltakerne vil bli målt som følger: Endring fra baseline i smertescore på den visuelle analoge skalaen ved 12 måneder. Endringer fra baseline-verdier på EHP5 ved 12 måneder |
24 måneder
|
Andre resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Økonomisk byrde av endometriose
Tidsramme: 24 måneder
|
Økonomisk byrde tatt i betraktning kostnadene ved kosthold og bruk av helsetjenester.
Den nøyaktige kostnaden for endometrioserelatert diett vil bli rapportert per måned i EUR.
|
24 måneder
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Etterforskere
- Hovedetterforsker: Attila Bokor, Semmelweis University
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- Semmelweis
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
IPD-delingstidsramme
Tilgangskriterier for IPD-deling
IPD-deling Støtteinformasjonstype
- STUDY_PROTOCOL
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
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. .