System predykcyjny i interwencyjny oparty na sztucznej inteligencji do wczesnego wykrywania ryzyka niestosowania się do zaleceń dotyczących terapii doustnych u pacjentów z chłoniakiem. (LNH-AI-Tools)
System predykcyjno-interwencyjny oparty na sztucznej inteligencji do wczesnego wykrywania ryzyka nieprzestrzegania zaleceń w terapii doustnej u pacjentów z chłoniakiem, integrujący całą ścieżkę opieki oraz interoperacyjny interfejs kliniczny z algorytmami połączonymi z narzędziami wyjaśniającymi.
Przegląd badań
Status
Interwencja / Leczenie
Szczegółowy opis
Typ studiów
Zapisy (Szacowany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: Marie Detrait, MD, PhD
- Numer telefonu: 0032 60 11 20 08
- E-mail: marie.detrait@ghdc.be
Kopia zapasowa kontaktu do badania
- Nazwa: Aline Gillain, MedSciences
- Numer telefonu: 0032 60 11 00 89
- E-mail: aline.gillain@ghdc.be
Lokalizacje studiów
-
-
Hainaut
-
Charleroi, Hainaut, Belgia, 6060
- Rekrutacyjny
- Grand Hôpital de Charleroi
-
Kontakt:
- Marie Detrait, MD, PhD
- Numer telefonu: 0032 60 11 20 08
- E-mail: marie.detrait@ghdc.be
-
Kontakt:
- Marie Detrait, MedSC
- Numer telefonu: 0032 60 11 00 89
- E-mail: aline.gillain@ghdc.be
-
Główny śledczy:
- Delphine Pranger, MD
-
Główny śledczy:
- Marie Detrait, MD, PhD
-
Pod-śledczy:
- Stéphanie De Prophetis, Nurse
-
-
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
- Starszy dorosły
Akceptuje zdrowych ochotników
Metoda próbkowania
Badana populacja
Opis
Kryteria włączenia:
- Wszyscy pacjenci w wieku 18 lat i starsi, którzy są leczeni w Oddziale Hematologii w Grand Hôpital de Charleroi od listopada 2025 roku
- Leczeni z powodu chłoniaka nieziarniczego (Non-Hodgkin)
- Zdolni do wyrażenia świadomej zgody
Kryteria wykluczenia:
- Wszyscy pozostali pacjenci, którzy nie spełniają kryteriów kwalifikacji
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Retrospektywna kohorta
Retrospektywna kohorta z lat 2019–2024, obejmująca 350 pacjentów z chłoniakiem, którzy byli monitorowani na podstawie empirycznej.
|
Dla retrospektywnej grupy 20 pacjentów.
|
|
Kohorta prospektywna
Prospektywne badanie kohortowe obejmujące do 210 kolejnych pacjentów, rozpoczynające się w listopadzie 2025 roku, mające na celu opracowanie narzędzia wspomagania decyzji z wykorzystaniem uczenia maszynowego.
|
Obserwacja pacjentów w grupie prospektywnej
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
ROC-AUC
Ramy czasowe: 2027
|
Opis: ROC-AUC: Krzywa Charakterystyki Roboczej Odbiornika - Pole Pod Krzywą to metryka wydajności dla algorytmów predykcji klasyfikacji binarnej. Krzywa ROC: Przedstawia Wskaźnik Prawdziwie Pozytywnych (czułość) w stosunku do Wskaźnika Fałszywie Pozytywnych (1-specyficzność) przy różnych progach klasyfikacji. AUC: Pole pod tą krzywą (w zakresie od 0 do 1). Wyższy AUC wskazuje na lepszą wydajność modelu - 1,0 oznacza doskonałość, 0,5 oznacza losowe zgadywanie. ROC-AUC ocenia, jak dobrze model rozróżnia klasy, niezależnie od progu klasyfikacji. Ram czasowy: Kiedy dane będą dostępne, pod koniec 2027 roku |
2027
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
F1-score
Ramy czasowe: Kiedy dane będą dostępne, pod koniec 2027 roku
|
F1-Score to metryka wydajności dla algorytmów klasyfikacji, będąca średnią harmoniczną Precyzji (poprawne pozytywne przewidywania / całkowite pozytywne przewidywania) i Czułości (poprawne pozytywne przewidywania / faktyczne pozytywne). Wzór: F1 = 2 × (Precyzja × Czułość) / (Precyzja + Czułość) Zakres: od 0 do 1, gdzie 1 oznacza doskonałą precyzję i czułość, a 0 najgorszy wynik. F1-Score równoważy precyzję i czułość, co czyni go idealnym, gdy trzeba unikać zarówno fałszywie pozytywnych, jak i fałszywie negatywnych wyników. |
Kiedy dane będą dostępne, pod koniec 2027 roku
|
Inne miary wyników
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Przypomnienie dla klasy pozytywnej
Ramy czasowe: 2027
|
Czułość dla klasy pozytywnej jest metryką klasyfikacji binarnej, która odpowiada: „Jaki odsetek rzeczywistych pozytywnych przypadków został poprawnie zidentyfikowany przez model?” Formuła: Czułość = Prawdziwie Pozytywne / (Prawdziwie Pozytywne + Fałszywie Negatywne) Zakres: 0 do 1, gdzie 1 oznacza, że wszystkie pozytywne przypadki zostały poprawnie przewidziane, a 0 oznacza, że żaden nie został. Wysoka czułość oznacza, że model jest dobry w wychwytywaniu większości przypadków pozytywnych, ale może również obejmować więcej fałszywie pozytywnych przypadków. Jest kluczowa, gdy pominięcie przypadku pozytywnego (fałszywie negatywnego) jest kosztowne. |
2027
|
Współpracownicy i badacze
Sponsor
Śledczy
- Główny śledczy: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
Zakończenie podstawowe (Szacowany)
Ukończenie studiów (Szacowany)
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
- LNH-AI-Tools
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Opis planu 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 .