Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Nowatorski algorytm uczenia maszynowego do przewidywania demencji z ciałami Lewy'ego (MLDLB)

8 września 2020 zaktualizowane przez: Anastasia Bougea, National and Kapodistrian University of Athens

Nowatorski algorytm uczenia maszynowego do przewidywania demencji z ciałami Lewy'ego na podstawie wyników klinicznych i neuropsychologicznych

Otępienie w chorobie Parkinsona (PDD) i otępienie z ciałami Lewy'ego (DLB) to zespoły otępienne, które w wielu cechach klinicznych nakładają się na siebie, co utrudnia ich rozpoznanie w praktyce klinicznej, zwłaszcza w zaawansowanych stadiach. Proponujemy algorytm uczenia maszynowego, oparty wyłącznie na nieinwazyjnych i łatwych do zbierania w klinice predyktorach, w celu identyfikacji tych zaburzeń o wysokiej wydajności prognostycznej.

Przegląd badań

Status

Nieznany

Warunki

Interwencja / Leczenie

Szczegółowy opis

Algorytm zostanie opracowany przy użyciu zestawu danych z dwóch wyspecjalizowanych ośrodków pamięci, wykorzystując próbę pacjentów z PDD i DLB, których obserwacja diagnostyczna jest dostępna przez co najmniej 3 lata po ocenie wyjściowej. Jako predyktory wykorzystano ograniczony zestaw informacji dotyczących cech kliniczno-demograficznych, 6 testów neuropsychologicznych (minipsychologiczny, Skala Oceny Poznawczej PD, Krótki test pamięci wzrokowo-przestrzennej, Pisanie symboli cyfrowych, Skala inteligencji Wechslera dorosłych, tworzenie śladów A i B). Dwa algorytmy klasyfikacji, regresja logistyczna i K-najbliżsi sąsiedzi (K-NN), zostaną zbadane pod kątem ich zdolności do pomyślnego przewidywania, czy pacjenci cierpieli na PDD, czy na DLB.

Typ studiów

Obserwacyjny

Zapisy (Oczekiwany)

200

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

  • Grecja
    • Attiki
      • Athens, Attiki, Grecja, 16674
        • Rekrutacyjny
        • Anastasia Bougea
        • Kontakt:
        • Pod-śledczy:
          • Christos Goumas, dr

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

50 lat do 90 lat (Dorosły, Starszy dorosły)

Akceptuje zdrowych ochotników

Nie

Płeć kwalifikująca się do nauki

Wszystko

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

grupa PDD składała się z pacjentów spełniających Kryteria prawdopodobnego PDD oraz grupa DLB. Pacjenci będą zapisywani z rejestrowej bazy danych dwóch poradni. Zebrano następujące dane: płeć, wiek, wykształcenie, dominację ręki, czas trwania choroby (lata) oraz równoważną dawkę dobową lewodopy (LEDD). Ciężar choroby zostanie oceniony za pomocą skali oceny choroby Parkinsona (MDS-UPDRS) część III w stanie bez leku oraz następujących sześciu testów poznawczych/behawioralnych: Mini-Mental State Examination (MMSE), PD- Skala Oceny Poznawczej (PD-CRS), Krótki test pamięci wzrokowo-przestrzennej (BVMT-TR), Zapisywanie cyfr symboli (SDMT), Test tworzenia śladów (TMT A, B), Skala inteligencji Wechslera dla dorosłych (WAIS-V). Wszyscy pacjenci zostaną poddani MRI mózgu i badaniu krwi, aby wykluczyć wtórne przyczyny demencji.

Opis

Kryteria przyjęcia:

grupa PDD składała się z pacjentów spełniających kryteria prawdopodobnej PDD Towarzystwa ds. Zaburzeń Ruchu (b) grupa DLB składała się z pacjentów, zgodnie z ostatnio poprawionymi kryteriami prawdopodobnej DLB.

Kryteria wyłączenia:

  • poważne zaburzenia psychiczne, depresja

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
Choroba Parkinsona Demencja
grupa PDD składała się z 58 pacjentów spełniających Kryteria prawdopodobnego PDD Towarzystwa Zaburzeń Ruchu
Test diagnostyczny: model uczenia maszynowego
Zbadano dwa algorytmy klasyfikacji, regresję logistyczną i K-najbliższych sąsiadów (K-NN), pod kątem ich zdolności do pomyślnego przewidywania, czy pacjenci cierpią na PDD, czy na DLB.
Demencja z ciałami Lewy'ego
grupa DLB składała się z 40 pacjentów, zgodnie z ostatnio poprawionymi kryteriami prawdopodobieństwa DLB
Test diagnostyczny: model uczenia maszynowego
Zbadano dwa algorytmy klasyfikacji, regresję logistyczną i K-najbliższych sąsiadów (K-NN), pod kątem ich zdolności do pomyślnego przewidywania, czy pacjenci cierpią na PDD, czy na DLB.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Przewidywanie MMSE dla dlb lub PDD
Ramy czasowe: 1 rok
Dwa algorytmy klasyfikacji, regresja logistyczna i K-Nearest Neighbors (K-NN), połączą te testy w celu zbadania ich zdolności do pomyślnego przewidywania, czy pacjenci cierpią na PDD, czy na DLB.
1 rok
Choroba Parkinsona - Skala Oceny Poznawczej (PD-CRS) predykcyjna dla DLB lub PDD
Ramy czasowe: 1 rok
Dwa algorytmy klasyfikacji, regresja logistyczna i K-Nearest Neighbors (K-NN), połączą te testy w celu zbadania ich zdolności do pomyślnego przewidywania, czy pacjenci cierpią na PDD, czy na DLB.
1 rok
Krótki test pamięci wzrokowo-przestrzennej (BVMT-TR) predykcyjny dla DLB lub PDD
Ramy czasowe: 1 rok
Dwa algorytmy klasyfikacji, regresja logistyczna i K-Nearest Neighbors (K-NN), połączą te testy w celu zbadania ich zdolności do pomyślnego przewidywania, czy pacjenci cierpią na PDD, czy na DLB.
1 rok
Cyfra symbolu zapisana predykcyjnie dla DLB lub PDD
Ramy czasowe: 1 rok
Dwa algorytmy klasyfikacji, regresja logistyczna i K-Nearest Neighbors (K-NN), połączą te testy w celu zbadania ich zdolności do pomyślnego przewidywania, czy pacjenci cierpią na PDD, czy na DLB.
1 rok
Skala inteligencji dorosłych Wechslera, predykcyjna dla DLB lub PDD
Ramy czasowe: 1 rok
Dwa algorytmy klasyfikacji, regresja logistyczna i K-Nearest Neighbors (K-NN), połączą te testy w celu zbadania ich zdolności do pomyślnego przewidywania, czy pacjenci cierpią na PDD, czy na DLB.
1 rok
ślad czyniący A i B predykcyjnymi dla DLB lub PDD
Ramy czasowe: 1 rok
Dwa algorytmy klasyfikacji, regresja logistyczna i K-Nearest Neighbors (K-NN), połączą te testy w celu zbadania ich zdolności do pomyślnego przewidywania, czy pacjenci cierpią na PDD, czy na DLB.
1 rok

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

National and Kapodistrian University of Athens

Śledczy

  • Główny śledczy: ANASTASIA BOUGEA, National and Kapodistrian University of Athens

Publikacje i pomocne linki

Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.

Publikacje ogólne

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

1 września 2019

Zakończenie podstawowe (Oczekiwany)

1 października 2020

Ukończenie studiów (Oczekiwany)

1 marca 2021

Daty rejestracji na studia

Pierwszy przesłany

21 czerwca 2020

Pierwszy przesłany, który spełnia kryteria kontroli jakości

24 czerwca 2020

Pierwszy wysłany (Rzeczywisty)

25 czerwca 2020

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

10 września 2020

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

8 września 2020

Ostatnia weryfikacja

1 września 2020

Więcej informacji

Terminy związane z tym badaniem

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • 251ATHENS HOSPITAL

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .

Badania kliniczne na model uczenia maszynowego

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Tunisia

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

Subskrybuj