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

Prospektiv observasjonsstudie av diffust storcellet B-lymfom (LBDGCréfract)

10. september 2026 oppdatert av: Grand Hôpital de Charleroi

Overvåket maskinlæring for prediksjon av primær refraktær status hos pasienter med diffust storcellet B-lymfom i en monosentrisk kohort ved Grand Hôpital de Charleroi

Diffust storcellet B-celle lymfom (DLBCL) representerer den vanligste typen non-Hodgkin lymfom og er for tiden en helbredelig malign sykdom for mange pasienter med immunkjemoterapi frontlinjebehandling. Men rundt 30-40 % av pasientene reagerer ikke eller vil oppleve tidlig tilbakefall. Prognosen for primær refraktær pasient er dårlig og håndtering og behandling er en betydelig utfordring på grunn av sykdommens heterogenitet og det komplekse genetiske rammeverket. Årsakene til refraktæritet er forskjellige og inkluderer genetiske abnormiteter, endringer i tumor og tumormikromiljø. Pasientrelaterte faktorer som komorbiditeter kan også påvirke behandlingsresultatet. Nylig viste fremgangen innen maskinlæring (ML) sin nytte i prosedyrene som ble brukt for å analysere store og komplekse datasett. I medisin brukes maskinlæring for å lage noen prediktive verktøy basert på datadrevet analytisk tilnærming og integrasjon av ulike risikofaktorer og parametere. Maskinlæring, som et underdomene av kunstig intelligens (AI), har evnen til autonomt å avdekke mønstre i datasett. Den tilbyr algoritmer som kan lære av eksempler for å utføre en oppgave automatisk. Vi testet i en tidligere studie fem maskinlæringsalgoritmer for å etablere en modell for å forutsi risikoen for primær refraktær DLBCL ved å bruke parametere hentet fra et monosentrisk datasett. Vi observerte at NB Categorical classifier var det beste alternativet for å bygge en modell for å forutsi primær refraktær sykdom hos DLBCL-pasienter, og den andre var XGBoost. Vi planlegger å utvide denne forrige studien ved å utforske de to best-presterende modellene ytterligere (NBC Classifier og XGBoost), som gradvis inkorporerer et større antall pasienter på en prospektiv måte.

Studieoversikt

Detaljert beskrivelse

Primær refraktær sykdom påvirker omtrent 30-40 % av pasientene diagnostisert med DLBCL og er en utfordring i behandlingen av denne sykdommen på grunn av dens dårlige prognose. Forutsigelsen av refraktær status kan være svært nyttig i behandlingsstrategien som tillater tidlig intervensjon. Faktisk er flere alternativer nå tilgjengelige avhengig av pasient- og sykdomskarakteristikker, slik som bergingskjemoterapi og autolog HSCT, målrettede terapier eller CAR T-celleterapi. Veiledede maskinlæringsteknikker er i stand til å forutsi utfall i en medisinsk kontekst og virker derfor svært egnet for denne saken.

Vår tilnærming med maskinlæring virker spesielt interessant fordi det for øyeblikket ikke finnes noen statistiske modeller som er effektive nok til å gi beslutningsstøtte til klinikere. Vi viser derfor i en tidligere studie at algoritmer kan være effektive for å forutsi sykdommens refraktære status ut fra strukturerte data fra pasientens journal. På grunn av det store antallet tilgjengelige og effektive redningsterapier, ser det ut til å gripe raskt inn i pasientens terapeutiske vei å være det riktige alternativet og den mest personlige måten å maksimere sjansene for helbredelse og samtidig redusere toksisitet. Basert på klinisk vurdering fra leger og de beste algoritmeforutsigelsene, kunne legen velge en tidlig behandlingsstrategi for primær refraktær DLBCL.

Vi fant i en tidligere studie to interessante modeller (NBC og XGBoost) for å forutsi refraktær sykdom på valideringssettet. Anvendelsen av maskinlæringsteknikker kan i betydelig grad bidra til behandling av DLBCL-pasienter. Disse algoritmene har potensialet til å hjelpe klinikere med å ta informerte beslutninger angående behandlingsstrategier, noe som muliggjør personalisering av terapier basert på hver pasient. For å validere disse funnene i en bredere skala, kan denne studien bekrefte resultatene i en prospektiv kohort og verdien av denne teknologien i den intrikate behandlingen av primær refraktær sykdom hos DLBCL-pasienter.

Studietype

Observasjonsmessig

Registrering (Antatt)

50

Kontakter og plasseringer

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

Studiekontakt

Studiesteder

    • Hainaut
      • Charleroi, Hainaut, Belgia, 6000

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

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Alle pasienter med diffust storcellet B-lymfom ble behandlet på hematologisk avdeling ved Grand Hôpital de Charleroi for første gang mellom januar 2024 og desember 2026.

Beskrivelse

Inklusjonskriterier:

  • pasienter med diffust storcellet B-lymfom behandlet på hematologisk avdeling ved Grand Hôpital de Charleroi for første gang
  • kunne forstå informasjonen og signere samtykkeskjemaet

Ekskluderingskriterier:

  • under 18 år

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
Pasienter med diffust storcellet B-lymfom
Pasienter med diffust storcellet B-lymfom i en enkeltsenterkohort ved Grand Hôpital de Charleroi
Oppfølging av en kohort av pasienter med diffust storcellet B-lymfom fra 2024 ved bruk av algoritmer for å forutsi sannsynligheten for en primær refraktær tilstand

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Arealet under kurven fra mottakeroperatørkarakteristikk (ROC_AUC) i prosent for hver algoritme.
Tidsramme: 3 år
Metrikk for algoritmeevaluering, denne metrikken har evnen til å kapsle inn effektiviteten til en klassifikator i en enkelt måling
3 år

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Identifikasjon av risikofaktorer for refraktær sykdom hos DLBCL-pasienter.
Tidsramme: 3 år
statistisk analyse med cox-modell på variabler
3 år
Den samlede overlevelse og progresjonsfri overlevelse i kohorten av Kaplan Meier på slutten av studien.
Tidsramme: 3 år
kaplan Meier test og kurver
3 år
Kohortens overlevelsesrate ved slutten av studien.
Tidsramme: 3 år
Overlevelsesrate for kohorten ved slutten av studien
3 år

Samarbeidspartnere og etterforskere

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

Etterforskere

  • Hovedetterforsker: Delphine Pranger, MD, Grand Hôpital de Charleroi

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)

3. januar 2023

Primær fullføring (Antatt)

31. desember 2026

Studiet fullført (Antatt)

31. desember 2026

Datoer for studieregistrering

Først innsendt

12. januar 2024

Først innsendt som oppfylte QC-kriteriene

26. januar 2024

Først lagt ut (Faktiske)

5. februar 2024

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

14. september 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

10. september 2026

Sist bekreftet

1. september 2026

Mer informasjon

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