- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT06124989
Aprendizado de máquina para avaliação do risco de recidiva na pancreatite biliar aguda. (MINERVA)
Um novo modelo de aprendizado de máquina para a previsão de recidiva de pancreatite biliar aguda (aprendizado de máquina para avaliação de risco de recidiva em pancreatite biliar aguda - MINERVA)
O projeto MINERVA (Machine learning for the rElapse Risk eValuation in Acute biliary pancreatite) surge da necessidade na prática clínica de tomar uma decisão operacional em doentes que dão entrada no hospital com diagnóstico de pancreatite biliar aguda. Em particular, o estudo de coorte prospectivo MINERVA visa desenvolver uma pontuação preditiva que permita avaliar o risco de readmissão hospitalar de pacientes com diagnóstico de pancreatite aguda biliar leve, utilizando Machine Learning e inteligência artificial.
Os objetivos do estudo MINERVA são:
- Propor uma nova metodologia para avaliação do risco de recidiva em pacientes com pancreatite aguda biliar leve que não foram submetidos à colecistectomia precoce (dentro de 3 a 7 dias da admissão hospitalar);
- Propor um modelo preditivo de Machine Learning utilizando uma arquitetura de Deep Learning aplicada a dados facilmente coletáveis;
- Validar a pontuação MINERVA em uma coorte extensa, multicêntrica e prospectiva;
- Permitir que médicos, equipes médicas, pesquisadores e o público em geral, nacionais e internacionais, acessem de forma livre e fácil o cálculo do escore MINERVA e o utilizem em sua prática clínica diária.
O modelo de pontuação MINERVA será desenvolvido em uma coorte retrospectiva de pacientes (MANCTRA-1, já registrado em ClinicalTrials.gov) e será validado em uma nova coorte multicêntrica prospectiva. Após a validação, a pontuação MINERVA será gratuita e fácil de calcular instantaneamente para todo o pessoal médico; estará acessível a qualquer momento no site e no aplicativo da MINERVA e fornecerá um resultado imediato e confiável que pode ser uma indicação clara do melhor caminho de tratamento para o médico e para o paciente.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
A pancreatite aguda é a doença pancreática mais comum, com uma incidência global de 34 casos por 100.000 indivíduos. Esta doença contabiliza mais de 1,5 milhões de novos pacientes por ano em todo o mundo, com uma mortalidade que se aproxima de 1%. Pacientes com pancreatite aguda biliar leve, quando admitidos no hospital, podem ser tratados com colecistectomia índice, precoce (dentro de 3 a 7 dias do episódio agudo) ou de forma conservadora. Embora o tratamento conservador possa ser resolutivo, até 35% desses pacientes apresentam uma recaída em 30 dias e necessitam de cirurgia de emergência em uma condição geral do paciente significativamente pior, reduzindo as chances de sucesso. Fora isso, a recaída aumenta dramaticamente as chances de pancreatite crônica, câncer de pâncreas, complicações pós-operatórias e mortalidade geral. Os episódios de recaída também têm um impacto económico nas unidades de saúde, uma vez que uma segunda e mais longa internação hospitalar por paciente aumenta o custo médico global por paciente em pelo menos 100%. Até o momento, entretanto, não existem métodos padronizados para prever a recidiva da pancreatite aguda biliar em pacientes que não foram submetidos à colecistectomia precoce após o primeiro episódio de pancreatite aguda biliar leve.
O projeto MINERVA (Machine learning for the rElapse Risk eValuation in Acute biliary pancreatite) surge da necessidade na prática clínica de tomar uma decisão operacional em doentes que dão entrada no hospital com diagnóstico de pancreatite biliar aguda ligeira.
O projeto MINERVA visa alcançar os seguintes objetivos e resultados:
- Propor uma nova metodologia para avaliação do risco de recidiva em pacientes com pancreatite aguda biliar leve que não foram submetidos à colecistectomia precoce após o primeiro episódio de pancreatite aguda biliar leve;
- Propor um modelo preditivo de Machine Learning utilizando uma arquitetura de Deep Learning aplicada a dados fáceis de coletar dos pacientes;
- Validar a pontuação MINERVA em uma coorte extensa, multicêntrica e prospectiva;
- Permitir que médicos, equipes médicas, pesquisadores e o público em geral, nacionais e internacionais, acessem de forma livre e fácil o cálculo do escore MINERVA e o utilizem em sua prática clínica diária.
A pontuação MINERVA fornecerá aos médicos uma avaliação validada e padronizada do risco de recaída que leva em consideração a história pessoal, os dados demográficos e as características laboratoriais de cada paciente. A pontuação MINERVA será gratuita e fácil de calcular instantaneamente para todo o pessoal médico; estará acessível a qualquer momento no site e no aplicativo da MINERVA e fornecerá um resultado imediato e confiável que pode ser uma indicação clara do melhor caminho de tratamento para o médico e para o paciente.
O modelo de pontuação MINERVA será desenvolvido em uma coorte retrospectiva de pacientes (MANCTRA-1, já registrado em ClinicalTrials.gov) e será validado em uma nova coorte multicêntrica prospectiva.
Coorte retrospectiva O desenvolvimento do modelo e o treinamento inicial serão realizados em uma coorte retrospectiva de pacientes (n=692) coletados durante um estudo multicêntrico preliminar, o estudo MANCTRA-1 (aprovado pelo Comitê de Ética do Hospital da Universidade de Cagliari, MANCTRA-1 - NCT04747990, Prot. PG/2021/7108) conduzido pelo PI (Dr. Mauro Podda) e a Universidade de Cagliari responsável local do projeto MINERVA.
Coorte prospectiva Um total de 430 pacientes serão recrutados na coorte prospectiva do estudo MINERVA.
Métodos A pontuação MINERVA será baseada em um modelo de aprendizado de máquina que será desenvolvido e treinado em uma coorte retrospectiva e validado em uma coorte prospectiva de pacientes.
Todas as variáveis do modelo serão processadas com análise de componentes principais do kernel (kPCA).
O Convex Hull do gráfico de dispersão dos componentes principais será calculado e o menor retângulo será extraído. O retângulo será transformado em uma imagem 2D com resolução fixa usando média e normalização de recursos.
O modelo será desenvolvido na Universidade de Nápoles Federico II pela Dra. Daniela Pacella com experiência e supervisão em Machine Learning.
Para evitar overfitting, o conjunto de dados será dividido em conjunto de treinamento, conjunto de teste e conjunto de validação. Além disso, será usada validação cruzada k-fold. O desempenho do modelo MINERVA será avaliado utilizando as medidas de acurácia mais adotadas, como precisão, recall e AUC (Área Sob a Curva ROC). Além disso, seu desempenho será comparado com aquele alcançado utilizando métodos tradicionais de aprendizado de máquina (SVM, ANN). Os dados faltantes serão tratados com métodos de imputação.
Variáveis Idade (Anos) Sexo (Masculino: Feminino) Episódios anteriores de pancreatite biliar (Sim; Não) Especialidade de admissão (HepatoPancreatoCirurgia biliar, Cirurgia geral, Clínica médica, Gastroenterologia) Índice de massa corporal -IMC- (Kg/m2) História clínica de diabetes (Não diabetes; Sim com disfunção orgânica; Sim sem disfunção orgânica) História clínica de doença pulmonar crônica (Sim; Não) História clínica de hipertensão (Sim; Não) História clínica de fibrilação atrial (Sim; Não) História clínica de cardiopatia isquêmica (Sim; Não) História clínica de doença renal crônica (Não; Sim sob medicação; Sim em terapia renal substitutiva permanente ou em preparação para ela) História clínica de doenças do sistema hematopoiético (Sim; Não) Paciente em uso de medicação imunossupressora internado admissão (Sim; Não) Glóbulos Brancos -WBC- (células/mm3) Neutrófilos (células/mm3) Plaquetas (Plt/mm3) INR (International Normalized Ratio) Proteína C reativa -CRP- (mg/L) Aspartato aminotransferase - AST- (U/L) Alanina aminotransferase -ALT- (U/L) Bilirrubina total (mg/dL) Bilirrubina conjugada (mg/dL) Gama-glutamil-transpeptidase -GGT- (U/L) Amilase sérica (U/L ) Lipase sérica (U/L) Lactato Desidrogenase -LDH- (U/L) Coledocolitíase (Sim; Sim, com obstrução do ducto biliar comum; Não) Colangite (Sim; Não) CPRE com esfincterotomia (Sim dentro de 24h da admissão hospitalar; Sim dentro de 24-48h da admissão hospitalar; Sim dentro de 48-72h da admissão hospitalar; Não) Recidiva de pancreatite biliar aguda em 30 dias, 60- dia, 90 dias, 1 ano.
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Contato de estudo
- Nome: Mauro Podda, MD
- Número de telefone: 07051096571
- E-mail: mauro.podda@unica.it
Locais de estudo
-
-
CA
-
Cagliari, CA, Itália, 09120
- University of Cagliari, Emergency Surgery Department
-
Subinvestigador:
- Gianluca Pellino, MD, PhD
-
Contato:
- Mauro Podda, MD
- E-mail: mauro.podda@unica.it
-
Subinvestigador:
- Daniela Pacella, MD, PhD
-
Subinvestigador:
- Dario Bruzzese, MD, PhD
-
Subinvestigador:
- Adolfo Pisanu, MD, PhD
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critério de inclusão:
- Pacientes adultos (≥ 18 anos)
- Diagnóstico clínico de pancreatite aguda biliar leve (de acordo com a Classificação Revisada de Atlanta)
- Não submetido a colecistectomia ou CPRE/ES (ColangioPancreatografia Retrógrada Endoscópica/Esfincterotomia Endoscópica) durante a mesma internação hospitalar
Critério de exclusão:
- Pancreatite aguda de etiologia diferente de cálculos biliares;
- Pancreatite moderadamente grave;
- Pancreatite grave;
- Presença de necrose pancreática;
- Pacientes grávidas;
- Pacientes que não conseguiram assinar o consentimento informado para participar do estudo.
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Número de pacientes com recorrência de pancreatite aguda biliar.
Prazo: 30 dias, 60 dias, 90 dias, 1 ano
|
O número de pacientes com recorrência de pancreatite aguda biliar: previsão de risco de recidiva de pancreatite biliar aguda em pacientes após um primeiro episódio de pancreatite aguda biliar leve (de acordo com a Classificação de Atlanta Revisada de 2012) não submetidos a tratamento precoce (dentro de três a sete dias a partir de episódio agudo) colecistectomia.
Este resultado será alcançado através do desenvolvimento e validação de uma nova pontuação de risco.
|
30 dias, 60 dias, 90 dias, 1 ano
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Precisão do modelo MINERVA.
Prazo: 30 dias, 60 dias, 90 dias, 1 ano
|
Precisão, sensibilidade e especificidade (AUC, área sob a curva ROC) do modelo MINERVA Machine Learning em comparação com outros modelos tradicionais de machine learning previamente adotados na literatura (como RNA e SVM) e com modelos estatísticos (como regressão múltipla).
|
30 dias, 60 dias, 90 dias, 1 ano
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Cadeira de estudo: Mauro Podda, MD, University of Cagliari, Department of Surgical Science
Publicações e links úteis
Publicações Gerais
- Werner J, Hartwig W, Uhl W, Muller C, Buchler MW. Useful markers for predicting severity and monitoring progression of acute pancreatitis. Pancreatology. 2003;3(2):115-27. doi: 10.1159/000070079.
- Sankaran SJ, Xiao AY, Wu LM, Windsor JA, Forsmark CE, Petrov MS. Frequency of progression from acute to chronic pancreatitis and risk factors: a meta-analysis. Gastroenterology. 2015 Nov;149(6):1490-1500.e1. doi: 10.1053/j.gastro.2015.07.066. Epub 2015 Aug 20.
- Gurusamy KS, Nagendran M, Davidson BR. Early versus delayed laparoscopic cholecystectomy for acute gallstone pancreatitis. Cochrane Database Syst Rev. 2013 Sep 2;(9):CD010326. doi: 10.1002/14651858.CD010326.pub2.
- da Costa DW, Bouwense SA, Schepers NJ, Besselink MG, van Santvoort HC, van Brunschot S, Bakker OJ, Bollen TL, Dejong CH, van Goor H, Boermeester MA, Bruno MJ, van Eijck CH, Timmer R, Weusten BL, Consten EC, Brink MA, Spanier BWM, Bilgen EJS, Nieuwenhuijs VB, Hofker HS, Rosman C, Voorburg AM, Bosscha K, van Duijvendijk P, Gerritsen JJ, Heisterkamp J, de Hingh IH, Witteman BJ, Kruyt PM, Scheepers JJ, Molenaar IQ, Schaapherder AF, Manusama ER, van der Waaij LA, van Unen J, Dijkgraaf MG, van Ramshorst B, Gooszen HG, Boerma D; Dutch Pancreatitis Study Group. Same-admission versus interval cholecystectomy for mild gallstone pancreatitis (PONCHO): a multicentre randomised controlled trial. Lancet. 2015 Sep 26;386(10000):1261-1268. doi: 10.1016/S0140-6736(15)00274-3.
- Ahmed Ali U, Issa Y, Hagenaars JC, Bakker OJ, van Goor H, Nieuwenhuijs VB, Bollen TL, van Ramshorst B, Witteman BJ, Brink MA, Schaapherder AF, Dejong CH, Spanier BW, Heisterkamp J, van der Harst E, van Eijck CH, Besselink MG, Gooszen HG, van Santvoort HC, Boermeester MA; Dutch Pancreatitis Study Group. Risk of Recurrent Pancreatitis and Progression to Chronic Pancreatitis After a First Episode of Acute Pancreatitis. Clin Gastroenterol Hepatol. 2016 May;14(5):738-46. doi: 10.1016/j.cgh.2015.12.040. Epub 2016 Jan 6.
- Bagepally BS, Haridoss M, Sasidharan A, Jagadeesh KV, Oswal NK. Systematic review and meta-analysis of gallstone disease treatment outcomes in early cholecystectomy versus conservative management/delayed cholecystectomy. BMJ Open Gastroenterol. 2021 Jul;8(1):e000675. doi: 10.1136/bmjgast-2021-000675.
- Chen Y, Chen TW, Wu CQ, Lin Q, Hu R, Xie CL, Zuo HD, Wu JL, Mu QW, Fu QS, Yang GQ, Zhang XM. Radiomics model of contrast-enhanced computed tomography for predicting the recurrence of acute pancreatitis. Eur Radiol. 2019 Aug;29(8):4408-4417. doi: 10.1007/s00330-018-5824-1. Epub 2018 Nov 9.
- Cho JH, Jeong YH, Kim KH, Kim TN. Risk factors of recurrent pancreatitis after first acute pancreatitis attack: a retrospective cohort study. Scand J Gastroenterol. 2020 Jan;55(1):90-94. doi: 10.1080/00365521.2019.1699598. Epub 2019 Dec 10.
- Ding N, Guo C, Li C, Zhou Y, Chai X. An Artificial Neural Networks Model for Early Predicting In-Hospital Mortality in Acute Pancreatitis in MIMIC-III. Biomed Res Int. 2021 Jan 28;2021:6638919. doi: 10.1155/2021/6638919. eCollection 2021.
- Hong WD, Chen XR, Jin SQ, Huang QK, Zhu QH, Pan JY. Use of an artificial neural network to predict persistent organ failure in patients with acute pancreatitis. Clinics (Sao Paulo). 2013 Jan;68(1):27-31. doi: 10.6061/clinics/2013(01)rc01. No abstract available.
- Mashayekhi R, Parekh VS, Faghih M, Singh VK, Jacobs MA, Zaheer A. Radiomic features of the pancreas on CT imaging accurately differentiate functional abdominal pain, recurrent acute pancreatitis, and chronic pancreatitis. Eur J Radiol. 2020 Feb;123:108778. doi: 10.1016/j.ejrad.2019.108778. Epub 2019 Dec 11.
- Hu X, Yang B, Li J, Bai X, Li S, Liu H, Zhang H, Zeng F. Individualized Prediction of Acute Pancreatitis Recurrence Using a Nomogram. Pancreas. 2021 Jul 1;50(6):873-878. doi: 10.1097/MPA.0000000000001839.
- Loozen CS, Oor JE, van Ramshorst B, van Santvoort HC, Boerma D. Conservative treatment of acute cholecystitis: a systematic review and pooled analysis. Surg Endosc. 2017 Feb;31(2):504-515. doi: 10.1007/s00464-016-5011-x. Epub 2016 Jun 17.
- Mador BD, Panton ON, Hameed SM. Early versus delayed cholecystectomy following endoscopic sphincterotomy for mild biliary pancreatitis. Surg Endosc. 2014 Dec;28(12):3337-42. doi: 10.1007/s00464-014-3621-8. Epub 2014 Jun 25.
- Nebiker CA, Frey DM, Hamel CT, Oertli D, Kettelhack C. Early versus delayed cholecystectomy in patients with biliary acute pancreatitis. Surgery. 2009 Mar;145(3):260-4. doi: 10.1016/j.surg.2008.10.012. Epub 2009 Feb 1.
- Riquelme F, Marinkovic B, Salazar M, Martinez W, Catan F, Uribe-Echevarria S, Puelma F, Munoz J, Canals A, Astudillo C, Uribe M. Early laparoscopic cholecystectomy reduces hospital stay in mild gallstone pancreatitis. A randomized controlled trial. HPB (Oxford). 2020 Jan;22(1):26-33. doi: 10.1016/j.hpb.2019.05.013. Epub 2019 Jun 22.
- Schmidt M, Sondenaa K, Vetrhus M, Berhane T, Eide GE. A randomized controlled study of uncomplicated gallstone disease with a 14-year follow-up showed that operation was the preferred treatment. Dig Surg. 2011;28(4):270-6. doi: 10.1159/000329464. Epub 2011 Jul 9.
- Sharma A, Vans E, Shigemizu D, Boroevich KA, Tsunoda T. DeepInsight: A methodology to transform a non-image data to an image for convolution neural network architecture. Sci Rep. 2019 Aug 6;9(1):11399. doi: 10.1038/s41598-019-47765-6.
- Stevens CL, Abbas SM, Watters DA. How Does Cholecystectomy Influence Recurrence of Idiopathic Acute Pancreatitis? J Gastrointest Surg. 2016 Dec;20(12):1997-2001. doi: 10.1007/s11605-016-3269-x. Epub 2016 Sep 23.
- Umans DS, Hallensleben ND, Verdonk RC, Bouwense SAW, Fockens P, van Santvoort HC, Voermans RP, Besselink MG, Bruno MJ, van Hooft JE; Dutch Pancreatitis Study Group. Recurrence of idiopathic acute pancreatitis after cholecystectomy: systematic review and meta-analysis. Br J Surg. 2020 Feb;107(3):191-199. doi: 10.1002/bjs.11429. Epub 2019 Dec 25.
- Yamashita R, Nishio M, Do RKG, Togashi K. Convolutional neural networks: an overview and application in radiology. Insights Imaging. 2018 Aug;9(4):611-629. doi: 10.1007/s13244-018-0639-9. Epub 2018 Jun 22.
- Yuan X, Xu B, Wong M, Chen Y, Tang Y, Deng L, Tang D. The safety, feasibility, and cost-effectiveness of early laparoscopic cholecystectomy for patients with mild acute biliary pancreatitis: A meta-analysis. Surgeon. 2021 Oct;19(5):287-296. doi: 10.1016/j.surge.2020.06.014. Epub 2020 Jul 22.
- Zhou Y, Ge YT, Shi XL, Wu KY, Chen WW, Ding YB, Xiao WM, Wang D, Lu GT, Hu LH. Machine learning predictive models for acute pancreatitis: A systematic review. Int J Med Inform. 2022 Jan;157:104641. doi: 10.1016/j.ijmedinf.2021.104641. Epub 2021 Nov 10.
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Estimado)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Estimado)
Atualizações de registro de estudo
Última Atualização Postada (Estimado)
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
- MINERVA_1
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
- CIF
- CSR
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 .