Förutsägelse av STN DBS Motor Response i PD (DBS-PREDICT)
Maskininlärningsförutsägelse av motorisk respons efter STN DBS hos Parkinsonpatienter, en retrospektiv multicentervalideringsstudie
Trots noggrant patientval för subthalamuskärnans djup hjärnstimulering (STN DBS) visar vissa patienter med Parkinsons sjukdom (PD) begränsad förbättring av motorisk funktionsnedsättning. Icke avgörande resultat och avsaknaden av en praktisk implanterbar prediktionsalgoritm från tidigare prediktionsstudier upprätthåller behovet av ett enkelt verktyg för neurologer som ger en tillförlitlig förutsägelse om postoperativ motorisk förbättring för enskilda patienter.
I denna studie valideras en tidigare utvecklad prediktionsmodell för motorisk respons efter STN DBS hos PD-patienter. Modellen genererar individuella sannolikheter för att bli en svag responder ett år efter operationen. Modellen kommer att valideras i en valideringskohort som samlas in från flera internationella centra.
Den prediktiva modellen görs tillgänglig för allmänheten före datainsamling på: https://github.com/jgvhabets/DBSPREDICT
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Att förutsäga motoriskt utfall efter STN DBS vid Parkinsons sjukdom kan vara utmanande för läkaren. Aktuella prediktionsstudier rapporterar icke slutgiltiga resultat på de viktigaste prediktorerna och begränsas av använda beräkningsmetoder. Traditionella statistiska analyser som fokuserar på korrelationer är partiska av utredarnas prediktor- och konfounderval. Moderna beräkningsmetoder som prediktionsmodeller för maskininlärning är mindre begränsade av urvalsstorleken och kan överväga ett bredare utbud av prediktorer vilket leder till mindre urvalsbias.
Retrospektiva patientdata samlas in från flera internationella centra. Denna retrospektiva, multicenterkohort används för att validera modellen som är utvecklad baserat på en singelcenter retrospektiv kohort.
Målet är att utveckla ett prediktionsverktyg som ger läkaren en sannolikhet för svag respons under den preoperativa fasen. Detta kan hjälpa läkaren att inkludera eller informera patienten under preoperativ rådgivning.
Den prediktiva modellen görs allmänt tillgänglig före datainsamling på: https://github.com/jgvhabets/DBSPREDICT.
Studietyp
Inskrivning (Faktisk)
Kontakter och platser
Studieorter
-
-
Limburg
-
Maastricht, Limburg, Nederländerna, 6229 AZ
- MaastrichtUMC
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
Tar emot friska volontärer
Kön som är behöriga för studier
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- genomgick STN DBS för Parkinsons sjukdom
- avslutade ett års uppföljning efter operationen
Exklusions kriterier:
- saknade data i postoperativ UPDRS II, III, IV
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Kohort
- Tidsperspektiv: Retrospektiv
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
multicenter valideringskohort
Vi samlar in retrospektiv data från flera internationella centra som innehåller preoperativa variabler (demografiska och kliniska) och postoperativa utfall (UPDRS II, III, IV) ett år postoperativt, och slår samman dessa data till en valideringskohort.
|
Generera individuella sannolikheter för motorisk respons baserat på preoperativa variabler
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
område under kurvan för mottagarens operatörskurva
Tidsram: ett år efter operationen
|
Motoriskt utfall kategoriseras i en binär utfallsvariabel. Modellen kommer att förutsäga vilken utfallsgrupp patienten kommer att tillhöra ett år postoperativt. Det primära utfallsmåttet är prestandan för de förutsagda utfallskategorierna med de faktiska utfallskategorierna. Prestandan för prediktionsmodeller uttrycks som area under kurvan för mottagarens operatörskurva, prediktiv noggrannhet, sann positiv prediktionsfrekvens och falsk positiv prediktionsfrekvens. |
ett år efter operationen
|
|
prediktiv noggrannhet
Tidsram: ett år efter operationen
|
Se beskrivning primärt resultat 1.
|
ett år efter operationen
|
|
sann positiv förutsägelsefrekvens
Tidsram: ett år efter operationen
|
Se beskrivning primärt resultat 1.
|
ett år efter operationen
|
|
falsk positiv förutsägelsefrekvens
Tidsram: ett år efter operationen
|
Se beskrivning primärt resultat 1.
|
ett år efter operationen
|
Samarbetspartners och utredare
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 2019-0739-A9
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
Tidsram för IPD-delning
Kriterier för IPD Sharing Access
IPD-delning som stöder informationstyp
- Studieprotokoll
- Analytisk kod
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .