Inteligência artificial confiável para melhoria dos resultados do AVC (TRUSTroke)
Inteligência artificial confiável para melhoria dos resultados do AVC. Estudo Prospectivo de Fase II para Otimização de Modelos de IA
O AVC é uma das principais causas de morte e incapacidade em todo o mundo. A validação clínica de soluções de Inteligência Artificial (IA) explicáveis e interpretáveis para auxiliar uma gestão atempada e personalizada da fase aguda do AVC teria um grande impacto, uma vez que pode reduzir significativamente os níveis de incapacidade dos pacientes. Além disso, a previsão de resultados a longo prazo é um fator crucial, pois pode determinar decisões críticas, como o destino da alta do paciente. Além disso, foi demonstrado que o cumprimento da prevenção secundária do AVC baseada em diretrizes reduz a recorrência do AVC, mas atualmente, apenas 40% dos pacientes aderem aos tratamentos preventivos 3 meses após o AVC. Portanto, os resultados dos pacientes podem melhorar com pacotes adequados de comunicação e envolvimento do paciente. A IA pode ter um impacto dramático na jornada do paciente com AVC, melhorando as previsões, resultando numa melhor escolha de estratégias secundárias de AVC, bem como utilizando informações baseadas em evidências para promover uma melhor adesão ao tratamento e redução dos fatores de risco vascular.
O objetivo deste estudo prospectivo observacional multicêntrico é desenvolver e validar ferramentas baseadas em IA para prever resultados de curto e longo prazo em pacientes com AVC isquêmico. Especificamente, este estudo visa demonstrar a precisão dos modelos de IA na previsão do resultado funcional de pacientes com AVC isquêmico, conforme medido pelas pontuações NIHSS (0-42) e mRS (0-6) na alta hospitalar e aos 3, 6 e 12 anos. meses após a alta. Serão recrutados pacientes em potencial com AVC isquêmico de 3 grandes centros europeus. O treinamento e o teste de modelos locais de IA serão realizados usando dados de hospitalização, coletados durante os procedimentos padrão de atendimento para pacientes com AVC, e dados monitorados ambulatorialmente de um sistema remoto de atendimento domiciliar (aplicativo NORA) durante o acompanhamento após a alta. Estes modelos locais serão então integrados num sistema de aprendizagem federado, onde apenas um modelo global de IA, derivado de conhecimentos combinados de todos os modelos locais, é partilhado entre os hospitais participantes. Os modelos locais individuais e os dados originais não são compartilhados, garantindo a privacidade e segurança dos dados. A precisão e o desempenho de modelos de IA otimizados prospectivamente na previsão de resultados clínicos durante um período de acompanhamento de 12 meses serão avaliados e comparados com os resultados reais dos pacientes.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Tipo de estudo
Inscrição (Estimado)
Contactos e Locais
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Método de amostragem
População do estudo
Descrição
Critérios de inclusão:
- O sujeito tem 18 anos de idade ou mais
- Diagnóstico de acidente vascular cerebral isquêmico agudo
- Assinatura do termo de consentimento informado pelo paciente ou familiar
Critérios de exclusão:
- Nenhum critério de exclusão é contemplado para este 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 |
|---|---|---|
|
Precisão do modelo de IA na previsão de resultados de AVC funcionais de curto prazo
Prazo: 24 meses
|
Para avaliar a precisão dos modelos de IA desenvolvidos na previsão de resultados funcionais de pacientes com AVC, como o Instituto Nacional de Saúde Stroke Scale (NIHSS, 0-42) e a escala de Rankin modificada (MRS, 0-6) na alta hospitalar (resultado a curto prazo). Especificamente, métricas como área sob a curva ROC (AUROC) para tarefas de classificação e R² para tarefas de regressão serão avaliadas, tanto para abordagens de aprendizado de máquina, como florestas aleatórias e xgboost, quanto abordagens de aprendizado profundo, como redes neurais. |
24 meses
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Precisão do modelo de IA na previsão de resultados funcionais a longo prazo
Prazo: 24 meses
|
Avaliar a precisão dos modelos de IA desenvolvidos na previsão da escala do Instituto Nacional de Saúde (NIHSS, 0-42) e da escala Rankin modificada (MRS, 0-6) aos 3, 6 e 12 meses após a alta. Além disso, outros resultados funcionais serão avaliados, como medidas de resultados relatados pelo paciente (PROMs) e medidas de experiência relatadas pelo paciente (Prems). Especificamente, métricas como área sob a curva ROC (AUROC) para tarefas de classificação e R² para tarefas de regressão serão avaliadas, tanto para abordagens de aprendizado de máquina, como florestas aleatórias e xgboost, quanto abordagens de aprendizado profundo, como redes neurais. |
24 meses
|
|
Precisão do modelo de IA na previsão de riscos associados ao AVC
Prazo: 24 meses
|
Para avaliar a precisão dos modelos de IA na previsão da probabilidade de alta apoiada (1 semana após o evento), a probabilidade de readmissão hospitalar não planejada (aos 30 dias) e o risco personalizado de recorrência de derrame em 3 e 12 meses. Especificamente, métricas como área sob a curva ROC (AUROC) para tarefas de classificação e R² para tarefas de regressão serão avaliadas, tanto para abordagens de aprendizado de máquina, como florestas aleatórias e xgboost, quanto abordagens de aprendizado profundo, como redes neurais. |
24 meses
|
Colaboradores e Investigadores
Investigadores
- Investigador principal: Pietro Caliandro, MD, Fondazione Policlinico Universitario Agostino Gemelli IRCCS
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
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 (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
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 7067
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 .