Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

AI-система прогнозирования и вмешательства для раннего выявления рисков несоблюдения пероральной терапии у пациентов с лимфомой. (LNH-AI-Tools)

20 апреля 2026 г. обновлено: Grand Hôpital de Charleroi

AI-система прогнозирования и вмешательства для раннего выявления рисков несоблюдения режима пероральной терапии у пациентов с лимфомой, интегрирующая полный путь оказания помощи и совместимый клинический интерфейс с алгоритмами, объединенными с инструментами объяснимости.

Это исследование является частью постоянной инициативы по улучшению качества. Оно направлено на оценку приверженности пациентов пероральной терапии с помощью искусственного интеллекта. Оно может преодолеть ограничения текущей практики и повысить оперативность и точность клинических вмешательств.

Обзор исследования

Статус

Рекрутинг

Условия

Вмешательство/лечение

Подробное описание

Неходжкинские лимфомы требуют строгих протоколов лечения, включая интенсивную внутривенную химиотерапию или целенаправленную пероральную терапию. Вторичная иммуносупрессия требует пероральной противомикробной профилактики (например, валацикловира или Бактрима форте) для предотвращения оппортунистических осложнений. Однако литература сообщает о цифрах до 50% пациентов, испытывающих трудности с приверженностью к пероральной терапии, что ставит под угрозу эффективность лечения, увеличивает риск тяжелых инфекций, длительных госпитализаций и, следовательно, дополнительные затраты для системы здравоохранения. Этот проект предлагает разработать инновационный инструмент искусственного интеллекта (ИИ), основанный на реальных данных, для раннего выявления признаков неприверженности и обеспечения целенаправленного вмешательства медицинских команд. Наш подход сочетает анализ клинических данных (пациент, заболевание, история выдачи лекарств, лабораторные результаты, лекарственные взаимодействия) и алгоритмы машинного обучения (обучение с учителем и нейронные сети) для выявления профилей риска. Инструмент будет генерировать оповещение в реальном времени и предлагать лечащему врачу пациента и координационной медсестре персонализированные рекомендации, такие как автоматическое напоминание, специальная консультация медсестры и т.д. Интуитивно понятный интерфейс позволит клиницистам и медсестрам визуализировать тенденции приверженности и действовать быстро. Этот проект опирается на многопрофильную команду (гематологи, медсестры продвинутой практики (APN), специалисты по данным, эксперты по ИИ) и пациентов-партнеров для проверки инструмента в реальных условиях.

Тип исследования

Наблюдательный

Регистрация (Оцененный)

210

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Контакты исследования

  • Имя: Marie Detrait, MD, PhD
  • Номер телефона: 0032 60 11 20 08
  • Электронная почта: marie.detrait@ghdc.be

Учебное резервное копирование контактов

  • Имя: Aline Gillain, MedSciences
  • Номер телефона: 0032 60 11 00 89
  • Электронная почта: aline.gillain@ghdc.be

Места учебы

  • Бельгия
    • Hainaut
      • Charleroi, Hainaut, Бельгия, 6060
        • Рекрутинг
        • Grand Hôpital de Charleroi
        • Контакт:
          • Marie Detrait, MD, PhD
          • Номер телефона: 0032 60 11 20 08
          • Электронная почта: marie.detrait@ghdc.be
        • Контакт:
          • Marie Detrait, MedSC
          • Номер телефона: 0032 60 11 00 89
          • Электронная почта: aline.gillain@ghdc.be
        • Главный следователь:
          • Delphine Pranger, MD
        • Главный следователь:
          • Marie Detrait, MD, PhD
        • Младший исследователь:
          • Stéphanie De Prophetis, Nurse

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

  • Взрослый
  • Пожилой взрослый

Принимает здоровых добровольцев

Нет

Метод выборки

Вероятностная выборка

Исследуемая популяция

Пациенты, проходящие лечение в отделении гематологии Центральной больницы Шарлеруа по поводу неходжкинской лимфомы.

Описание

Критерии включения:

  • Все пациенты в возрасте 18 лет и старше, которые проходят лечение в отделении гематологии Большой больницы Шарлеруа с ноября 2025 года
  • Лечатся от лимфомы, неходжкинской
  • Способны дать информированное согласие

Критерии исключения:

  • Все остальные пациенты, которые не соответствуют критериям отбора

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

Когорты и вмешательства

Группа / когорта
Вмешательство/лечение
Ретроспективная когорта
Ретроспективная когорта с 2019 по 2024 год, включающая 350 пациентов с лимфомой, которые наблюдались на эмпирической основе.
Другой: Ретроспективная группа
Для ретроспективной группы из 20 пациентов.
Проспективная когорта
Проспективное когортное исследование с участием до 210 последовательных пациентов, начиная с ноября 2025 года, с целью разработки инструмента поддержки принятия решений с использованием машинного обучения.
Другой: Проспективная группа
Наблюдение за пациентами проспективной группы

Что измеряет исследование?

Первичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
ROC-AUC
Временное ограничение: 2027

Описание: ROC-AUC: Receiver Operating Characteristic - Area Under the Curve (Рабочая характеристика приемника - площадь под кривой) - это метрика производительности для алгоритмов прогнозирования бинарной классификации. Кривая ROC: Отображает истинно положительную скорость (чувствительность) в зависимости от ложноположительной скорости (1-специфичность) при различных порогах классификации. AUC: Площадь под этой кривой (в диапазоне от 0 до 1). Более высокое значение AUC указывает на лучшую производительность модели - 1.0 идеально, 0.5 случайное угадывание. ROC-AUC оценивает, насколько хорошо модель различает классы, независимо от порога классификации.

Сроки: Когда данные станут доступны, в конце 2027 года
2027

Вторичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
F1-мера
Временное ограничение: Когда данные будут доступны, в конце 2027 года

F1-Sчет — это метрика производительности для алгоритмов классификации, гармоническое среднее между точностью (правильные положительные прогнозы / общее количество положительных прогнозов) и полнотой (правильные положительные прогнозы / фактическое количество положительных случаев).

Формула: F1 = 2 × (Точность × Полнота) / (Точность + Полнота) Диапазон: от 0 до 1, где 1 — идеальная точность и полнота, а 0 — наихудший результат.

F1-Sчет балансирует точность и полноту, что делает его идеальным, когда необходимо избежать как ложных срабатываний, так и пропусков.
Когда данные будут доступны, в конце 2027 года

Другие показатели результатов

Мера результата
Мера Описание
Временное ограничение
Отзыв для положительного класса
Временное ограничение: 2027

Полнота (Recall) для положительного класса — это метрика бинарной классификации, которая отвечает на вопрос:

«Какую долю реальных положительных случаев модель правильно определила?»

Формула: Полнота = Истинно положительные / (Истинно положительные + Ложно отрицательные)

Диапазон: от 0 до 1, где 1 означает, что все положительные случаи были правильно предсказаны, а 0 — что ни одного.

Высокая полнота означает, что модель хорошо улавливает большинство положительных случаев, но может также включать больше ложных срабатываний. Это критически важно, когда пропуск положительного случая (ложно отрицательный) обходится дорого.
2027

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Grand Hôpital de Charleroi

Следователи

  • Главный следователь: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

15 февраля 2026 г.

Первичное завершение (Оцененный)

31 декабря 2027 г.

Завершение исследования (Оцененный)

15 февраля 2029 г.

Даты регистрации исследования

Первый отправленный

8 апреля 2026 г.

Впервые представлено, что соответствует критериям контроля качества

20 апреля 2026 г.

Первый опубликованный (Действительный)

22 апреля 2026 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

22 апреля 2026 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

20 апреля 2026 г.

Последняя проверка

1 апреля 2026 г.

Дополнительная информация

Термины, связанные с этим исследованием

Ключевые слова

Дополнительные соответствующие термины MeSH

Другие идентификационные номера исследования

  • LNH-AI-Tools

Планирование данных отдельных участников (IPD)

Планируете делиться данными об отдельных участниках (IPD)?

НЕТ

Описание плана IPD

В настоящее время это исследование проводится внутри компании; после анализа этот вариант может быть рассмотрен, если модель можно адаптировать для использования в других местах.

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .

Подписаться