Previsão da resposta motora STN DBS em DP (DBS-PREDICT)
Previsão de aprendizado de máquina de resposta motora após STN DBS em pacientes com Parkinson, um estudo retrospectivo de validação multicêntrico
Apesar da seleção cuidadosa de pacientes para estimulação cerebral profunda do núcleo subtalâmico (STN DBS), alguns pacientes com doença de Parkinson (DP) apresentam melhora limitada da incapacidade motora. Resultados não conclusivos e a falta de um algoritmo prático de previsão implantável de estudos de previsão anteriores mantêm a necessidade de uma ferramenta simples para neurologistas que forneça uma previsão confiável sobre a melhora motora pós-operatória para pacientes individuais.
Neste estudo, um modelo de predição previamente desenvolvido para resposta motora após STN DBS em pacientes com DP é validado. O modelo gera probabilidades individuais de se tornar um respondedor fraco um ano após a cirurgia. O modelo será validado em uma coorte de validação coletada em vários centros internacionais.
O modelo preditivo é disponibilizado ao público antes da coleta de dados em: https://github.com/jgvhabets/DBSPREDICT
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Prever o resultado motor após STN DBS na doença de Parkinson pode ser um desafio para o clínico. Os estudos de previsão atuais relatam resultados não conclusivos sobre os preditores mais importantes e são limitados pelos métodos computacionais usados. As análises estatísticas tradicionais que se concentram em correlações são influenciadas pela seleção de preditores e fatores de confusão pelos investigadores. Métodos computacionais modernos, como modelos de previsão de aprendizado de máquina, são menos limitados pelo tamanho da amostra e podem considerar uma gama mais ampla de preditores, o que leva a menos viés de seleção.
Os dados retrospectivos do paciente são coletados de vários centros internacionais. Esta coorte multicêntrica retrospectiva é usada para validar o modelo desenvolvido com base em uma coorte retrospectiva unicêntrica.
O objetivo é desenvolver uma ferramenta de previsão que forneça ao clínico uma probabilidade de resposta fraca durante a fase pré-operatória. Isso pode ajudar o clínico a incluir ou informar o paciente durante o aconselhamento pré-operatório.
O modelo preditivo é disponibilizado ao público antes da coleta de dados em: https://github.com/jgvhabets/DBSPREDICT.
Tipo de estudo
Inscrição (Real)
Contactos e Locais
Locais de estudo
-
-
Limburg
-
Maastricht, Limburg, Holanda, 6229 AZ
- MaastrichtUMC
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
Aceita Voluntários Saudáveis
Gêneros Elegíveis para o Estudo
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- submetido a STN DBS para doença de Parkinson
- completou um ano de acompanhamento após a cirurgia
Critério de exclusão:
- dados ausentes em UPDRS pós-operatório II, III, IV
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Modelos de observação: Coorte
- Perspectivas de Tempo: Retrospectivo
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
coorte de validação multicêntrica
Coletamos dados retrospectivos de vários centros internacionais contendo variáveis pré-operatórias (demográficas e clínicas) e resultado pós-operatório (UPDRS II, III, IV) um ano após a cirurgia e mesclamos esses dados em uma coorte de validação.
|
Gerando probabilidades individuais para resposta motora com base em variáveis pré-operatórias
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
área sob a curva da curva do operador do receptor
Prazo: pós-operatório de um ano
|
O resultado motor é categorizado em uma variável de resultado binária. O modelo irá prever a qual grupo de resultados o paciente pertencerá um ano após a cirurgia. A medida de resultado primário é o desempenho das categorias de resultado previstas com as categorias de resultado reais. O desempenho dos modelos de predição é expresso como área sob a curva da curva do operador receptor, precisão preditiva, taxa de predição positiva verdadeira e taxa de predição positiva falsa. |
pós-operatório de um ano
|
|
precisão preditiva
Prazo: pós-operatório de um ano
|
Veja a descrição do resultado primário 1.
|
pós-operatório de um ano
|
|
taxa de previsão verdadeiro positivo
Prazo: pós-operatório de um ano
|
Veja a descrição do resultado primário 1.
|
pós-operatório de um ano
|
|
taxa de predição de falso positivo
Prazo: pós-operatório de um ano
|
Veja a descrição do resultado primário 1.
|
pós-operatório de um ano
|
Colaboradores e Investigadores
Patrocinador
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Real)
Conclusão do estudo (Real)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 2019-0739-A9
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Prazo de Compartilhamento de IPD
Critérios de acesso de compartilhamento IPD
Tipo de informação de suporte de compartilhamento de IPD
- Protocolo de estudo
- Código Analítico
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .