Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Prospektiv observationsstudie av diffust storcelligt B-lymfom (LBDGCréfract)

10 september 2026 uppdaterad av: Grand Hôpital de Charleroi

Övervakad maskininlärning för förutsägelse av primär refraktär status hos patienter med diffust storcelligt B-lymfom i en monocentrisk kohort vid Grand Hôpital de Charleroi

Diffust storcelligt B-cellslymfom (DLBCL) representerar den vanligaste typen av icke-Hodgkin-lymfom och är för närvarande en malign sjukdom som kan botas för många patienter med immuno-kemoterapi frontlinjebehandling. Men cirka 30-40 % av patienterna svarar inte eller kommer att uppleva ett tidigt återfall. Prognosen för primär refraktär patient är dålig och hantering och behandling är en betydande utmaning på grund av sjukdomens heterogenitet och det komplexa genetiska ramverket. Orsakerna till refraktäritet är olika och inkluderar genetiska abnormiteter, förändringar i tumör och tumörmikromiljö. Patientrelaterade faktorer som komorbiditeter kan också påverka behandlingsresultatet. Nyligen visade framstegen inom maskininlärning (ML) dess användbarhet i de procedurer som används för att analysera stora och komplexa datamängder. Inom medicin används maskininlärning för att skapa några prediktiva verktyg baserade på datadrivet analytiskt tillvägagångssätt och integration av olika riskfaktorer och parametrar. Maskininlärning, som en underdomän av artificiell intelligens (AI), har förmågan att självständigt avslöja mönster i datamängder. Den erbjuder algoritmer som kan lära sig av exempel för att utföra en uppgift automatiskt. Vi testade i en tidigare studie fem maskininlärningsalgoritmer för att etablera en modell för att förutsäga risken för primär refraktär DLBCL med hjälp av parametrar erhållna från en monocentrisk datauppsättning. Vi observerade att NB Categorical classifier var det bästa alternativet för att bygga en modell för att förutsäga primär refraktär sjukdom hos DLBCL-patienter och det andra var XGBoost. Vi planerar att utöka denna tidigare studie genom att ytterligare utforska de två bäst presterande modellerna (NBC Classifier och XGBoost), som successivt införlivar ett större antal patienter på ett prospektivt sätt.

Studieöversikt

Detaljerad beskrivning

Primär refraktär sjukdom drabbar cirka 30-40 % av patienter som diagnostiserats med DLBCL och är en utmaning i hanteringen av denna sjukdom på grund av dess dåliga prognos. Förutsägelsen av refraktär status kan vara mycket användbar i behandlingsstrategin som tillåter tidig intervention. Faktum är att flera alternativ nu finns tillgängliga beroende på patient- och sjukdomsegenskaper som räddningskemoterapi och autolog HSCT, riktade terapier eller CAR T-cellsterapi. Övervakade maskininlärningstekniker kan förutsäga resultat i ett medicinskt sammanhang och verkar därför mycket lämpliga för denna fråga.

Vårt tillvägagångssätt med maskininlärning verkar särskilt intressant eftersom det för närvarande inte finns några statistiska modeller som är tillräckligt effektiva för att ge beslutsfattande stöd till kliniker. Vi visar därför i en tidigare studie att algoritmer kan vara effektiva för att förutsäga sjukdomens refraktära status utifrån strukturerade data från patientens journal. På grund av det stora antalet tillgängliga och effektiva räddningsterapier verkar att snabbt ingripa i patientens terapeutiska väg vara det rätta alternativet och det mest personliga sättet att maximera chanserna att bota samtidigt som de minskar toxiciteten. Baserat på kliniska bedömningar av läkare och de bästa algoritmförutsägelserna kunde läkaren välja en tidig behandlingsstrategi för primär refraktär DLBCL.

Vi hittade i en tidigare studie två intressanta modeller (NBC och XGBoost) för att förutsäga refraktär sjukdom på valideringsuppsättningen. Tillämpningen av maskininlärningstekniker kan avsevärt bidra till hanteringen av DLBCL-patienter. Dessa algoritmer har potentialen att hjälpa kliniker att fatta välgrundade beslut angående behandlingsstrategier, vilket möjliggör personalisering av terapier baserat på varje patient. För att validera dessa fynd i en bredare skala kan denna studie bekräfta resultaten i en prospektiv kohort och värdet av denna teknologi i den komplicerade behandlingen av primär refraktär sjukdom hos DLBCL-patienter.

Studietyp

Observationell

Inskrivning (Beräknad)

50

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studieorter

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Nej

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Alla patienter med diffust storcelligt B-lymfom behandlades på hematologiska avdelningen på Grand Hôpital de Charleroi för första gången mellan januari 2024 och december 2026.

Beskrivning

Inklusionskriterier:

  • patienter med diffust storcelligt B-lymfom som för första gången behandlas på hematologiska avdelningen på Grand Hôpital de Charleroi
  • kunna förstå informationen och underteckna sitt samtyckesformulär

Exklusions kriterier:

  • under 18 år

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
Patienter med diffust storcelligt B-lymfom
Patienter med diffust storcelligt B-lymfom i en encenterkohort vid Grand Hôpital de Charleroi
Uppföljning av en kohort av patienter med diffust storcelligt B-lymfom från 2024 med hjälp av algoritmer för att förutsäga sannolikheten för ett primärt refraktärt tillstånd

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Arean under kurvan från mottagarens operatörskarakteristik (ROC_AUC) i procent för varje algoritm.
Tidsram: 3 år
Mått för algoritmutvärdering, detta mått har förmågan att kapsla in effektiviteten hos en klassificerare i en enda mätning
3 år

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Identifieringen av riskfaktorer för refraktär sjukdom hos DLBCL-patienter.
Tidsram: 3 år
statistisk analys med cox-modell på variabler
3 år
Den totala överlevnads- och progressionsfria överlevnaden i kohorten av Kaplan Meier i slutet av studien.
Tidsram: 3 år
kaplan Meier test och kurvor
3 år
Kohortens överlevnadsfrekvens i slutet av studien.
Tidsram: 3 år
Överlevnadsgrad för kohorten i slutet av studien
3 år

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Utredare

  • Huvudutredare: Delphine Pranger, MD, Grand Hôpital de Charleroi

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

3 januari 2023

Primärt slutförande (Beräknad)

31 december 2026

Avslutad studie (Beräknad)

31 december 2026

Studieregistreringsdatum

Först inskickad

12 januari 2024

Först inskickad som uppfyllde QC-kriterierna

26 januari 2024

Första postat (Faktisk)

5 februari 2024

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

14 september 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

10 september 2026

Senast verifierad

1 september 2026

Mer information

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 .

Prenumerera