Esta página foi traduzida automaticamente e a precisão da tradução não é garantida. Por favor, consulte o versão em inglês para um texto fonte.

Sistema Preditivo e Intervencionista Baseado em IA para a Deteção Precoce de Riscos de Não Cumprimento de Terapias Orais em Doentes com Linfoma. (LNH-AI-Tools)

20 de abril de 2026 atualizado por: Grand Hôpital de Charleroi

Sistema Preditivo e Interventivo Baseado em IA para a Deteção Precoce de Riscos de Não Cumprimento de Terapias Orais em Doentes com Linfoma, Integrando o Percurso de Cuidados Completo e uma Interface Clínica Interoperável com Algoritmos Emparelhados com Ferramentas de Explicabilidade.

Esta investigação faz parte de uma iniciativa contínua de melhoria da qualidade. Tem como objetivo avaliar a adesão do paciente a terapias orais através de inteligência artificial. Poderá superar as limitações das práticas atuais e melhorar a capacidade de resposta e a precisão das intervenções clínicas.

Visão geral do estudo

Status

Recrutamento

Condições

Intervenção / Tratamento

Descrição detalhada

Os Linfomas Não-Hodgkin requerem protocolos de tratamento rigorosos, incluindo quimioterapia intravenosa intensiva ou terapias orais direcionadas. A imunossupressão secundária necessita de profilaxia anti-infecciosa oral (como valaciclovir ou Bactrim forte) para prevenir complicações oportunistas. No entanto, a literatura reporta números de até 50% dos pacientes com dificuldades de adesão às terapias orais, comprometendo a eficácia do tratamento, aumentando o risco de infeções graves, hospitalizações prolongadas e, consequentemente, custos adicionais para o sistema de saúde. Este projeto propõe desenvolver uma ferramenta inovadora de inteligência artificial (IA), baseada em dados do mundo real, para detetar sinais precoces de não-adesão e permitir intervenção direcionada pelas equipas de saúde. A nossa abordagem combina análise de dados clínicos (paciente, doença, histórico de dispensação, resultados laboratoriais, interações medicamentosas) e algoritmos de aprendizagem automática (aprendizagem automática supervisionada e redes neuronais) para identificar perfis de risco. A ferramenta gerará um alerta em tempo real e oferecerá ao médico assistente do paciente e ao enfermeiro coordenador recomendações personalizadas, como um lembrete automatizado, uma consulta de enfermagem dedicada, etc. Uma interface intuitiva permitirá que clínicos e enfermeiros visualizem tendências de adesão e ajam rapidamente. Este projeto conta com uma equipa multidisciplinar (hematologistas, enfermeiros de prática avançada (EPA), cientistas de dados, especialistas em IA) e parceiros pacientes para validar a ferramenta em condições do mundo real.

Tipo de estudo

Observacional

Inscrição (Estimado)

210

Contactos e Locais

Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.

Contato de estudo

Estude backup de contato

Locais de estudo

  • Bélgica
    • Hainaut
      • Charleroi, Hainaut, Bélgica, 6060
        • Recrutamento
        • Grand Hôpital de Charleroi
        • Contato:
        • Contato:
        • Investigador principal:
          • Delphine Pranger, MD
        • Investigador principal:
          • Marie Detrait, MD, PhD
        • Subinvestigador:
          • Stéphanie De Prophetis, Nurse

Critérios de participação

Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.

Critérios de elegibilidade

Idades elegíveis para estudo

  • Adulto
  • Adulto mais velho

Aceita Voluntários Saudáveis

Não

Método de amostragem

Amostra de Probabilidade

População do estudo

Pacientes tratados no Departamento de Hematologia do Hospital Geral de Charleroi por linfoma não-Hodgkin.

Descrição

Critérios de Inclusão:

  • Todos os pacientes com 18 anos ou mais que são tratados no Departamento de Hematologia do Grand Hôpital de Charleroi a partir de novembro de 2025
  • Tratados por um linfoma, não Hodgkin
  • Capazes de dar consentimento informado

Critérios de Exclusão:

  • Todos os outros pacientes que não cumpriram os critérios de elegibilidade

Plano de estudo

Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.

Como o estudo é projetado?

Detalhes do projeto

Coortes e Intervenções

Grupo / Coorte
Intervenção / Tratamento
Cohorte retrospectiva
Uma coorte retrospectiva de 2019 a 2024, composta por 350 doentes com linfoma que foram monitorizados numa base empírica.
Outro: Grupo Retrospetivo
Para o grupo retrospectivo de 20 pacientes.
Cohorte prospectiva
Um estudo de coorte prospetivo envolvendo até 210 doentes consecutivos, com início em novembro de 2025, com o objetivo de desenvolver uma ferramenta de apoio à decisão utilizando aprendizagem automática.
Outro: Grupo Prospectivo
Acompanhamento dos doentes para o grupo prospectivo

O que o estudo está medindo?

Medidas de resultados primários

Medida de resultado
Descrição da medida
Prazo
ROC-AUC
Prazo: 2027

Descrição: ROC-AUC: Receiver Operating Characteristic - Área Sob a Curva é uma métrica de desempenho para algoritmos de previsão de classificação binária. Curva ROC: Representa a Taxa de Verdadeiros Positivos (sensibilidade) contra a Taxa de Falsos Positivos (1-especificidade) em vários limiares de classificação. AUC: A área sob esta curva (variando de 0 a 1). Um AUC mais elevado indica um melhor desempenho do modelo - 1.0 é perfeito, 0.5 é adivinhação aleatória. ROC-AUC avalia quão bem o modelo distingue entre classes, independentemente do limiar de classificação.

Prazo: Quando os dados estarão disponíveis, no final de 2027
2027

Medidas de resultados secundários

Medida de resultado
Descrição da medida
Prazo
F1-score
Prazo: Quando os dados estiverem disponíveis, no final de 2027

F1-Score é uma métrica de desempenho para algoritmos de classificação, a média harmónica da Precisão (previsões positivas corretas / previsões positivas totais) e da Revocação (previsões positivas corretas / positivos reais).

Fórmula: F1 = 2 × (Precisão × Revocação) / (Precisão + Revocação) Intervalo: 0 a 1, onde 1 representa precisão e revocação perfeitas, e 0 o pior resultado.

O F1-Score equilibra precisão e revocação, tornando-o ideal quando é necessário evitar tanto falsos positivos como falsos negativos.
Quando os dados estiverem disponíveis, no final de 2027

Outras medidas de resultado

Medida de resultado
Descrição da medida
Prazo
Recuperação para a classe positiva
Prazo: 2027

A Sensibilidade (Recall) para a Classe Positiva é uma métrica de classificação binária que responde:

"Que proporção dos casos positivos reais foi corretamente identificada pelo modelo?"

Fórmula: Sensibilidade = Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)

Intervalo: 0 a 1, onde 1 significa que todos os positivos foram corretamente previstos e 0 significa que nenhum foi.

Uma alta sensibilidade significa que o modelo é bom a capturar a maioria dos casos positivos, mas também pode incluir mais falsos positivos. É crucial quando perder um positivo (falso negativo) é custoso.
2027

Colaboradores e Investigadores

É aqui que você encontrará pessoas e organizações envolvidas com este estudo.

Patrocinador

Grand Hôpital de Charleroi

Investigadores

  • Investigador principal: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi

Datas de registro do estudo

Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados ​​pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.

Datas Principais do Estudo

Início do estudo (Real)

15 de fevereiro de 2026

Conclusão Primária (Estimado)

31 de dezembro de 2027

Conclusão do estudo (Estimado)

15 de fevereiro de 2029

Datas de inscrição no estudo

Enviado pela primeira vez

8 de abril de 2026

Enviado pela primeira vez que atendeu aos critérios de CQ

20 de abril de 2026

Primeira postagem (Real)

22 de abril de 2026

Atualizações de registro de estudo

Última Atualização Postada (Real)

22 de abril de 2026

Última atualização enviada que atendeu aos critérios de controle de qualidade

20 de abril de 2026

Última verificação

1 de abril de 2026

Mais Informações

Termos relacionados a este estudo

Palavras-chave

Termos MeSH relevantes adicionais

Outros números de identificação do estudo

  • LNH-AI-Tools

Plano para dados de participantes individuais (IPD)

Planeja compartilhar dados de participantes individuais (IPD)?

NÃO

Descrição do plano IPD

Atualmente, esta investigação está a ser realizada internamente; após análise, esta opção poderá ser considerada se o modelo puder ser adaptado para uso noutros locais.

Informações sobre medicamentos e dispositivos, documentos de estudo

Estuda um medicamento regulamentado pela FDA dos EUA

Não

Estuda um produto de dispositivo regulamentado pela FDA dos EUA

Não

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 .

Se inscrever