- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT06124989
Maskininlärning för utvärdering av återfallsrisk vid akut biliär pankreatit. (MINERVA)
En ny modell för maskininlärning för att förutsäga återfall av akut biliär pankreatit (maskininlärning för utvärdering av återfallsrisk vid akut biliär pankreatit - MINERVA)
MINERVA-projektet (Machine Learning for the Relapse Risk eValuation in Acute biliary pancreatit) härrör från behovet i den kliniska praktiken att fatta ett operativt beslut hos patienter som är inlagda på sjukhuset med diagnosen akut gallpankreatit. I synnerhet syftar MINERVAs prospektiva kohortstudie till att utveckla en prediktiv poäng som gör det möjligt att bedöma risken för återinläggning på sjukhus för patienter som diagnostiserats med mild gallakut pankreatit med hjälp av maskininlärning och artificiell intelligens.
Målen för MINERVA-studien är att:
- Föreslå en ny metod för bedömning av risken för återfall hos patienter med mild biliär akut pankreatit som inte genomgick tidig kolecystektomi (inom 3 till 7 dagar från sjukhusinläggning);
- Föreslå en förutsägande maskininlärningsmodell med en Deep Learning-arkitektur som tillämpas på lätt insamlade data;
- Validera MINERVA-poängen på en omfattande, multicentrisk, blivande kohort;
- Tillåt nationella och internationella läkare, medicinsk personal, forskare och den allmänna publiken att fritt och enkelt få tillgång till MINERVA-poängberäkningen och använda den i sin dagliga kliniska praktik.
MINERVA-poängmodellen kommer att utvecklas på en retrospektiv kohort av patienter (MANCTRA-1, redan registrerad i ClinicalTrials.gov) och kommer att valideras på en ny blivande multicentrisk kohort. Efter validering kommer MINERVA-poängen att vara gratis och lätt att beräkna direkt för all medicinsk personal; den kommer att vara tillgänglig när som helst på MINERVAs webbplats och webbapp, och kommer att ge ett omedelbart och tillförlitligt resultat som kan vara en tydlig indikation på den bästa behandlingsvägen för läkaren och för patienten.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Akut pankreatit är den vanligaste bukspottkörtelsjukdomen, med en global incidens på 34 fall per 100 000 individer. Denna sjukdom räknar mer än 1,5 miljoner nya patienter per år över hela världen, med en dödlighet som närmar sig 1 %. Patienter med mild biliär akut pankreatit kan, när de läggs in på sjukhuset, behandlas med index, tidig kolecystektomi (inom 3 till 7 dagar från den akuta episoden) eller konservativt. Även om konservativ behandling kan vara resolutiv, har upp till 35 % av dessa patienter ett återfall inom 30 dagar och kräver akut operation i ett betydligt sämre övergripande patienttillstånd, vilket minskar chanserna att lyckas. Annat än det ökar återfall dramatiskt riskerna för kronisk pankreatit, pankreascancer, postoperativa komplikationer och total dödlighet. Återfallsepisoder har också en ekonomisk inverkan på vårdinrättningar, eftersom en andra och längre sjukhusinläggning per patient ökar den totala medicinska kostnaden per patient med minst 100 %. Än så länge finns det dock inga standardiserade metoder för att förutsäga återfall av gallakut pankreatit hos patienter som inte genomgick tidig kolecystektomi efter den första episoden av mild biliär akut pankreatit.
MINERVA-projektet (Machine Learning for the Relapse Risk eValuation in Acute biliary pancreatit) härrör från behovet i den kliniska praktiken att fatta ett operativt beslut hos patienter som är inlagda på sjukhuset med diagnosen mild akut gallpankreatit.
MINERVA-projektet syftar till att nå följande mål och resultat:
- Föreslå en ny metod för bedömning av risken för återfall hos patienter med mild biliär akut pankreatit som inte genomgick tidig kolecystektomi efter den första episoden av mild biliär akut pankreatit;
- Föreslå en prediktiv maskininlärningsmodell som använder en Deep Learning-arkitektur applicerad på data som är lätt att samla in från patienter;
- Validera MINERVA-poängen på en omfattande, multicentrisk, blivande kohort;
- Tillåt nationella och internationella läkare, medicinsk personal, forskare och den allmänna publiken att fritt och enkelt få tillgång till MINERVA-poängberäkningen och använda den i sin dagliga kliniska praktik.
MINERVA-poängen kommer att ge klinikerna en validerad och standardiserad bedömning av återfallsrisken som tar hänsyn till varje patients personliga historia, demografiska data och laboratorieegenskaper. MINERVA-poängen kommer att vara gratis och lätt att beräkna direkt för all medicinsk personal; den kommer att vara tillgänglig när som helst på MINERVAs webbplats och webbapp, och kommer att ge ett omedelbart och tillförlitligt resultat som kan vara en tydlig indikation på den bästa behandlingsvägen för läkaren och för patienten.
MINERVA-poängmodellen kommer att utvecklas på en retrospektiv kohort av patienter (MANCTRA-1, redan registrerad i ClinicalTrials.gov) och kommer att valideras på en ny blivande multicentrisk kohort.
Retrospektiv kohort Modellutvecklingen och den initiala utbildningen kommer att utföras på en retrospektiv kohort av patienter (n=692) som samlats in under en preliminär multicentrisk studie, MANCTRA-1-studien (godkänd av etikkommittén vid University of Cagliari Hospital, MANCTRA-1 - NCT04747990, Prot. PG/2021/7108) utförd av PI (Dr. Mauro Podda) och universitetet i Cagliari lokalt ansvariga för MINERVA-projektet.
Prospektiv kohort Totalt 430 patienter kommer att rekryteras i den prospektiva kohorten av MINERVA-studien.
Metoder MINERVA-poängen kommer att baseras på en maskininlärningsmodell som kommer att utvecklas och tränas på en retrospektiv kohort och valideras på en potentiell kohort av patienter.
Alla modellvariabler kommer att bearbetas med kernel Principal Component Analysis (kPCA).
Det konvexa skrovet för spridningsdiagrammet för huvudkomponenterna kommer att beräknas och den minsta rektangeln kommer att extraheras. Rektangeln kommer att omvandlas till en 2D-bild med en fast upplösning med hjälp av funktionsgenomsnitt och normalisering.
Modellen kommer att utvecklas vid University of Neapel Federico II av Dr Daniela Pacella med maskininlärningsexpertis och handledning.
För att förhindra överanpassning kommer datasetet att delas upp i träningsset, testset och valideringsset. Dessutom kommer k-faldig korsvalidering att användas. Prestandan hos MINERVA-modellen kommer att utvärderas med de mest använda noggrannhetsmåtten, såsom precision, återkallelse och AUC (Area Under the ROC Curve). Dessutom kommer dess prestanda att jämföras med vad som uppnås med traditionella maskininlärningsmetoder (SVM, ANN). Saknade data kommer att hanteras med imputeringsmetoder.
Variabler Ålder (år) Kön (Man:Kvinna) Tidigare episoder av gallpankreatit (Ja; Nej) Specialitet (HepatoPancreatoGallkirurgi, Allmänkirurgi, Invärtesmedicin, Gastroenterologi) Body mass index -BMI- (Kg/m2) Klinisk historia av diabetes (Ingen diabetes; Ja med organdysfunktion; Ja utan organdysfunktion) Klinisk historia av kronisk lungsjukdom (Ja; Nej) Klinisk historia av hypertoni (Ja; Nej) Klinisk historia av förmaksflimmer (Ja; Nej) Klinisk historia av ischemisk hjärtsjukdom (Ja; Nej) Klinisk historia av kronisk njursjukdom (Nej; Ja under mediciner; Ja vid permanent njurersättningsterapi eller som förberedelse för det) Klinisk historia av sjukdomar i det hematopoetiska systemet (Ja; Nej) Patient på immunsuppressiva läkemedel på sjukhus intagning (Ja; Nej) Vita blodkroppar -WBC- (celler/mm3) Neutrofiler (celler/mm3) Trombocyter (Plt/mm3) INR (International Normalized Ratio) C-reaktivt protein -CRP- (mg/L) Aspartataminotransferas - AST- (U/L) Alaninaminotransferas -ALT- (U/L) Totalt bilirubin (mg/dL) Konjugerat bilirubin (mg/dL) Gamma-glutamil-transpeptidas -GGT- (U/L) Serumamylas (U/L) ) Serumlipas (U/L) Laktatdehydrogenas -LDH- (U/L) Choledocholithiasis (Ja; Ja med vanlig gallgångsobstruktion; Nej) Kolangit (Ja; Nej) ERCP med sphincterotomi (Ja inom 24 timmar från sjukhusinläggning; Ja inom 24-48 timmar från sjukhusinläggning; Ja inom 48-72 timmar från sjukhusinläggning; Nej) Akut biliär pankreatit återfall vid 30 dagar, 60- dag, 90 dagar, 1 år.
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: Mauro Podda, MD
- Telefonnummer: 07051096571
- E-post: mauro.podda@unica.it
Studieorter
-
-
CA
-
Cagliari, CA, Italien, 09120
- University of Cagliari, Emergency Surgery Department
-
Underutredare:
- Gianluca Pellino, MD, PhD
-
Kontakt:
- Mauro Podda, MD
- E-post: mauro.podda@unica.it
-
Underutredare:
- Daniela Pacella, MD, PhD
-
Underutredare:
- Dario Bruzzese, MD, PhD
-
Underutredare:
- Adolfo Pisanu, MD, PhD
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Vuxna patienter (≥ 18 år)
- Klinisk diagnos av mild biliär akut pankreatit (enligt den reviderade Atlanta-klassificeringen)
- Inte underkastat kolecystektomi eller ERCP/ES (Endoscopic Retrograde CholangioPancreatography/Endoscopic Sphyncterotomy) under samma sjukhusinläggning
Exklusions kriterier:
- Akut pankreatit av annan etiologi än gallsten;
- Måttligt svår pankreatit;
- Svår pankreatit;
- Närvaro av pankreatisk nekros;
- Gravida patienter;
- Patienter som inte kan underteckna det informerade samtycket att delta i studien.
Studieplan
Hur är studien utformad?
Designdetaljer
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Antal patienter med recidiv av gallakut pankreatit.
Tidsram: 30 dagar, 60 dagar, 90 dagar, 1 år
|
Antalet patienter med recidiv av akut biliär pankreatit: förutsägelse av risk för återfall av akut gallpankreatit hos patienter efter en första episod av mild biliär akut pankreatit (enligt 2012 års reviderade Atlanta-klassificering) som inte lämnats in tidigt (inom tre till sju dagar från den akuta episoden) kolecystektomi.
Detta resultat kommer att uppnås genom utveckling och validering av ett nytt riskpoäng.
|
30 dagar, 60 dagar, 90 dagar, 1 år
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
---|---|---|
Noggrannhet hos MINERVA-modellen.
Tidsram: 30 dagar, 60 dagar, 90 dagar, 1 år
|
Noggrannhet, känslighet och specificitet (AUC, area under ROC-kurvan) för MINERVA Machine Learning-modell jämfört med andra traditionella maskininlärningsmodeller som tidigare antagits i litteraturen (som ANN och SVM) och med statistiska modeller (som multipel regression).
|
30 dagar, 60 dagar, 90 dagar, 1 år
|
Samarbetspartners och utredare
Sponsor
Utredare
- Studiestol: Mauro Podda, MD, University of Cagliari, Department of Surgical Science
Publikationer och användbara länkar
Allmänna publikationer
- 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.
Studieavstämningsdatum
Studera stora datum
Studiestart (Beräknad)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Beräknad)
Uppdateringar av studier
Senaste uppdatering publicerad (Beräknad)
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
- MINERVA_1
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-delning som stöder informationstyp
- STUDY_PROTOCOL
- SAV
- ICF
- CSR
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 .
Kliniska prövningar på MINERVA Machine Learning-modell
-
Eastern Mediterranean UniversityAvslutad
-
Health Resources and Services Administration (HRSA)University of Pennsylvania; University of California, Davis; University of... och andra samarbetspartnersRekryteringNeuropsykiatriska funktionsnedsättningar | AutismspektrumstörningFörenta staterna
-
Uludag UniversityIstanbul UniversityAvslutadStrålningsexponering | Kemisk olycka | Biologisk substansförgiftningKalkon