Zaawansowana medycyna wspomagana danymi Część raka płuc (ADAMpartlung)
ADAM Badanie cząstkowe Luik 2: Obserwacyjne retrospektywne jednoośrodkowe badanie kohortowe dotyczące konstruowania i walidacji modeli przewidywania AI dotyczących wyników leczenia pacjentów z rakiem płuc
Przegląd badań
Szczegółowy opis
Celem tego badania jest przygotowanie i odblokowanie silosowych danych ze świata rzeczywistego (RWD) do analizy i konstrukcji sztucznego modelu w celu uzyskania dowodów ze świata rzeczywistego (RWE). Obecnie lekarze i pielęgniarki zbierają dane od pacjentów i rejestrują je w systemie elektronicznej dokumentacji medycznej. Punkty danych często nie są dostępne w ustrukturyzowanym formacie, więc gromadzenie i odblokowywanie danych odbywa się ręcznie na żądanie. Dokładna analiza zebranych danych za pomocą narzędzi sztucznej inteligencji może również pomóc przewidzieć, którzy pacjenci są najbardziej narażeni na nieplanowane korzystanie z opieki zdrowotnej, wizyty na oddziałach ratunkowych i hospitalizacje. Dlatego model zdolny do przewidywania odpowiednich wyników byłby bardzo pomocny w codziennej praktyce lekarskiej.
Główny cel Opracowanie i walidacja modelu AI, który wspiera lekarzy w procesie decyzyjnym dotyczącym leczenia pacjentów z rakiem płuc. Ten model sztucznej inteligencji musi przewidywać prawdopodobieństwo lub ewolucję wyników możliwych metod leczenia raka płuc. Modelowe źródła danych wejściowych to dane szpitalne, takie jak dane demograficzne, wyjściowy stan zdrowia, wcześniejsze zabiegi, dane obrazowe i dane fizjologiczne, szczegółowe dane dotyczące leczenia
Cele drugorzędne
- Automatyczne odblokowywanie, gromadzenie i transformacja punktów danych dotyczących raka płuc do wspólnego modelu danych OMOP, dzięki czemu dane są łatwo dostępne do dalszych badań i analiz
- Konstruowanie cyfrowego pacjenta poprzez szkolenie modelu AI zasilanego wszystkimi danymi dostępnymi we wspólnym modelu danych OMOP
- Walidacja cyfrowego pacjenta i wybór optymalnych funkcji w celu zwiększenia wydajności modelu AI za pomocą technik uczenia się bez nadzoru
Potencjał zastosowania transformatorów do reprezentowania pacjentów to prawdziwie spersonalizowana, a nawet predykcyjna medycyna. Powodem jest to, że transformatory są instrumentem, który umożliwia radzenie sobie z milionami oddziałujących na siebie i zachowujących się nieliniowo parametrów. Dlatego źródła danych na powyższym rysunku można rozszerzyć, aby obejmowały informacje genetyczne i tak dalej. wykorzystać optymalny wybór cech pacjenta cyfrowego w celu zwiększenia wydajności modelu AI za pomocą technik uczenia się bez nadzoru, w celu dalszego dopracowania modeli predykcyjnych do codziennej praktyki.
Zbudowanie wirtualnego bliźniaka, który będzie szczegółowo reprezentował pacjenta, tak aby analiza populacji i budowanie modelu miały znaczenie kliniczne.
Typ studiów
Zapisy (Oczekiwany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Peter De Jaeger, PhD
- Numer telefonu: 003251237650
- E-mail: peter.dejaeger@azdelta.be
Kopia zapasowa kontaktu do badania
- Nazwa: Ingel Demedts, MD
- Numer telefonu: 003251237111
Lokalizacje studiów
-
-
West-Vlaanderen
-
Roeselare, West-Vlaanderen, Belgia, 8800
- Rekrutacyjny
- AZ Delta
-
Kontakt:
- Peter De Jaeger, PhD, Prof
- Numer telefonu: 003251237650
- E-mail: peter.dejaeger@azdelta.be
-
Główny śledczy:
- Ingel Demedts, Prof
-
Pod-śledczy:
- Hannelore Bode, MD
-
Pod-śledczy:
- Bernard Bouckaerts, MD
-
Pod-śledczy:
- Kris Carron, MD
-
Pod-śledczy:
- Stephanie Dobbelaere, MD
-
Pod-śledczy:
- Ulrike Himpe, MD
-
Pod-śledczy:
- Heidi Mariën, MD
-
Pod-śledczy:
- Peter Van Haecke, MD
-
Pod-śledczy:
- Wim Verbeke, MD
-
Pod-śledczy:
- Peter De Jaeger, Prof, PhD
-
Pod-śledczy:
- Pieter-Jan Lammertyn
-
Pod-śledczy:
- Louise Berteloot
-
Pod-śledczy:
- Kim Denturck, Msc ir
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dziecko
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Pacjenci z rakiem płuc włączeni do ścieżki pacjenta z rakiem płuc
Kryteria wyłączenia:
- Nie określono
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Dane do międzynarodowego wspólnego modelu danych gotowe do wprowadzenia AI
Ramy czasowe: 2022
|
Dane szpitalne zajmujące się rakiem płuc zostały przetłumaczone i zweryfikowane klinicznie w ramach koncepcji UMLS i przechowywane we wspólnym modelu danych OMOP
|
2022
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Cyfrowa konstrukcja pacjenta
Ramy czasowe: 2023
|
Konstruowanie cyfrowego pacjenta poprzez trenowanie modelu AI
|
2023
|
|
Nadzorowane uczenie maszynowe
Ramy czasowe: 2023
|
Trenowanie i weryfikowanie nadzorowanych modeli uczenia maszynowego z ograniczonym zestawem wybranych funkcji jako danych wejściowych do przewidywania wyników pacjentów z rakiem płuc.
|
2023
|
|
Budowa i walidacja predykcyjnego modelu AI dla pacjentów z rakiem płuc
Ramy czasowe: 2024
|
Budowa i walidacja predykcyjnego podejścia do wykonalności modelu AI; Konstruowanie przewidywanych wyników modeli AI, takich jak 30-dniowa śmiertelność, 30-dniowa wizyta na ostrym dyżurze, ewolucja QoL, ostre powikłania leczenia
|
2024
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Ingel Demedts, MD, AZ Delta
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Oczekiwany)
Ukończenie studiów (Oczekiwany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- B1172021000032
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
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 .