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

AI-basert prediktivt og intervensjonssystem for tidlig oppdagelse av risikofaktorer for ikke-medisineringsoppfyllelse ved orale terapier hos lymfompasienter. (LNH-AI-Tools)

20. april 2026 oppdatert av: Grand Hôpital de Charleroi

AI-basert prediktivt og intervensjonelt system for tidlig oppdagelse av risiko for ikke-følging av muntlig terapi hos lymfompasienter, som integrerer hele behandlingsforløpet og et interoperabelt klinisk grensesnitt med algoritmer kombinert med forklarbarhetsverktøy.

Denne forskningen er en del av en kontinuerlig kvalitetsforbedringsinitiativ. Den har som mål å vurdere pasientens samsvar med orale terapier ved hjelp av kunstig intelligens. Den kan overvinne begrensningene i dagens praksis og forbedre responsiviteten og nøyaktigheten til kliniske intervensjoner.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Non-Hodgkin lymfomer krever strenge behandlingsprotokoller, inkludert intensiv intravenøs kjemoterapi eller målrettede orale terapier. Sekundær immunsuppresjon nødvendiggjør oral antiinfeksiøs profylakse (som valacyclovir eller Bactrim forte) for å forebygge opportunistiske komplikasjoner. Litteraturen rapporterer imidlertid tall på opptil 50 % av pasienter som opplever overholdelsesvansker med orale terapier, noe som kompromitterer behandlingseffektiviteten, øker risikoen for alvorlige infeksjoner, forlenget sykehusinnleggelse, og følgelig ekstra kostnader for helsevesenet. Dette prosjektet foreslår å utvikle et innovativt kunstig intelligens (KI)-verktøy, basert på data fra den virkelige verden, for å oppdage tidlige tegn på manglende overholdelse og muliggjøre målrettet intervensjon av helseteam. Vår tilnærming kombinerer analyse av kliniske data (pasient, sykdom, utleveringshistorikk, laboratorieresultater, legemiddelinteraksjoner) og maskinlæringsalgoritmer (overvåket maskinlæring og nevrale nettverk) for å identifisere risikoprofiler. Verktøyet vil generere en sanntidsalarm og tilby pasientens henvisende lege og koordinerende sykepleier skreddersydde anbefalinger, som en automatisk påminnelse, en dedikert sykepleierkonsultasjon, etc. Et intuitivt grensesnitt vil tillate klinikere og sykepleiere å visualisere overholdelsestrender og handle raskt. Dette prosjektet støtter seg på et tverrfaglig team (hematologer, avanserte praksissykepleiere (APNs), dataforskere, KI-eksperter) og pasientpartnere for å validere verktøyet under reelle forhold.

Studietype

Observasjonsmessig

Registrering (Antatt)

210

Kontakter og plasseringer

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

Studiekontakt

Studer Kontakt Backup

Studiesteder

  • Belgia
    • Hainaut
      • Charleroi, Hainaut, Belgia, 6060
        • Rekruttering
        • Grand Hôpital de Charleroi
        • Ta kontakt med:
        • Ta kontakt med:
        • Hovedetterforsker:
          • Delphine Pranger, MD
        • Hovedetterforsker:
          • Marie Detrait, MD, PhD
        • Underetterforsker:
          • Stéphanie De Prophetis, Nurse

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

Sannsynlighetsprøve

Studiepopulasjon

Pasienter behandlet på Avdeling for hematologi ved Charleroi sykehus for Non-Hodgkin lymfom.

Beskrivelse

Inklusjonskriterier:

  • Alle pasienter 18 år og over som blir behandlet på hematologiavdelingen ved Grand Hôpital de Charleroi fra november 2025 og utover
  • Behandlet for lymfom, Non-Hodgkin
  • I stand til å gi informert samtykke

Eksklusjonskriterier:

  • Alle andre pasienter som ikke oppfylte kvalifikasjonskriteriene

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
Retrospektiv kohort
En retrospektiv kohort fra 2019 til 2024 som består av 350 lymfompasienter som ble overvåket på empirisk grunnlag.
Annen: Retrospektiv gruppe
For den retrospektive gruppen på 20 pasienter.
Prospektiv kohort
En prospektiv kohortstudie med opptil 210 påfølgende pasienter, starter i november 2025, med mål om å utvikle et beslutningsstøtteverktøy ved bruk av maskinlæring.
Annen: Prospektiv Gruppe
Oppfølging av pasientene i den prospektive gruppen

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
ROC-AUC
Tidsramme: 2027

Beskrivelse: ROC-AUC : Receiver Operating Characteristic - Area Under the Curve er en ytelsesmetrikk for binære klassifiseringsprediksjonsalgoritmer. ROC-kurve: Plotter den sanne positive raten (sensitivitet) mot den falske positive raten (1-spesifisitet) ved ulike klassifiseringsterskler. AUC: Arealet under denne kurven (fra 0 til 1). En høyere AUC indikerer bedre modellytelse-1.0 er perfekt, 0.5 er tilfeldig gjetting. ROC-AUC evaluerer hvor godt modellen skiller mellom klasser, uavhengig av klassifiseringsterskelen.

Tidsramme: Når dataene vil være tilgjengelige, ved slutten av 2027
2027

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
F1-skår
Tidsramme: Når dataene vil være tilgjengelige, ved utgangen av 2027

F1-Score er en ytelsesmetrikk for klassifiseringsalgoritmer, det harmoniske gjennomsnittet av presisjon (korrekte positive prediksjoner / totale positive prediksjoner) og recall (korrekte positive prediksjoner / faktiske positive).

Formel: F1 = 2 × (Presisjon × Recall) / (Presisjon + Recall) Rekkevidde: 0 til 1, hvor 1 er perfekt presisjon og recall, og 0 er det verste.

F1-Score balanserer presisjon og recall, noe som gjør den ideell når du må unngå både falske positive og falske negative.
Når dataene vil være tilgjengelige, ved utgangen av 2027

Andre resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Husking for den positive klassen
Tidsramme: 2027

Gjenkalling for den positive klassen er en metrikk for binær klassifisering som svarer på:

"Hvilken andel av faktiske positive ble korrekt identifisert av modellen?"

Formel: Gjenkalling = Sanne positive / (Sanne positive + Falske negative)

Område: 0 til 1, hvor 1 betyr at alle positive ble korrekt forutsagt, og 0 betyr at ingen ble det.

Høy gjenkalling betyr at modellen er god til å fange opp de fleste positive tilfeller, men den kan også inkludere flere falske positive. Det er avgjørende når det å gå glipp av en positiv (falsk negativ) er kostbart.
2027

Samarbeidspartnere og etterforskere

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

Sponsor

Grand Hôpital de Charleroi

Etterforskere

  • Hovedetterforsker: Marie Detrait, MD, PhD, 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)

15. februar 2026

Primær fullføring (Antatt)

31. desember 2027

Studiet fullført (Antatt)

15. februar 2029

Datoer for studieregistrering

Først innsendt

8. april 2026

Først innsendt som oppfylte QC-kriteriene

20. april 2026

Først lagt ut (Faktiske)

22. april 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

22. april 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

20. april 2026

Sist bekreftet

1. april 2026

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • LNH-AI-Tools

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

NEI

IPD-planbeskrivelse

For øyeblikket utføres denne forskningen internt; etter analyse kan dette alternativet vurderes hvis modellen kan tilpasses for bruk andre steder.

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