AI-baserat Prediktivt och Interventivt System för Tidig Upptäckt av Risker för Icke-efterlevnad vid Orala Terapier hos Lymfompatienter. (LNH-AI-Tools)
AI-baserat prediktivt och interventivt system för tidig upptäckt av icke-följsamhetsrisker med oral terapi hos lymfompatienter, som integrerar hela vårdvägen och ett interoperabelt kliniskt gränssnitt med algoritmer kopplade till förklaringsverktyg.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studiekontakt
- Namn: Marie Detrait, MD, PhD
- Telefonnummer: 0032 60 11 20 08
- E-post: marie.detrait@ghdc.be
Studera Kontakt Backup
- Namn: Aline Gillain, MedSciences
- Telefonnummer: 0032 60 11 00 89
- E-post: aline.gillain@ghdc.be
Studieorter
-
-
Hainaut
-
Charleroi, Hainaut, Belgien, 6060
- Rekrytering
- Grand Hôpital de Charleroi
-
Kontakt:
- Marie Detrait, MD, PhD
- Telefonnummer: 0032 60 11 20 08
- E-post: marie.detrait@ghdc.be
-
Kontakt:
- Marie Detrait, MedSC
- Telefonnummer: 0032 60 11 00 89
- E-post: aline.gillain@ghdc.be
-
Huvudutredare:
- Delphine Pranger, MD
-
Huvudutredare:
- Marie Detrait, MD, PhD
-
Underutredare:
- Stéphanie De Prophetis, Nurse
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Alla patienter som är 18 år eller äldre och behandlas på hematologiavdelningen vid Grand Hôpital de Charleroi från november 2025 och framåt
- Behandlade för lymfom, Non-Hodgkin
- Kapabla att ge informerat samtycke
Exklusionskriterier:
- Alla andra patienter som inte uppfyllde urvalskriterierna
Studieplan
Hur är studien utformad?
Designdetaljer
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Retrospektiv kohort
En retrospektiv kohort från 2019 till 2024 som omfattade 350 lymfompatienter som övervakades på empirisk grund.
|
För den retrospektiva gruppen på 20 patienter.
|
|
Prospektiv kohort
En prospektiv kohortstudie som involverar upp till 210 på varandra följande patienter, med start i november 2025, med målet att utveckla ett beslutsstödverktyg med maskininlärning.
|
Uppföljning av patienterna i den prospektiva gruppen
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
ROC-AUC
Tidsram: 2027
|
Beskrivning: ROC-AUC: Receiver Operating Characteristic - Area Under the Curve är en prestandamått för binära klassificeringsprediktionsalgoritmer. ROC-kurva: Plottar den sanna positiva frekvensen (sensitivitet) mot den falska positiva frekvensen (1-specificitet) vid olika klassificeringströsklar. AUC: Arean under denna kurva (som sträcker sig från 0 till 1). Ett högre AUC indikerar bättre modellprestanda - 1,0 är perfekt, 0,5 är slumpmässig gissning. ROC-AUC utvärderar hur väl modellen skiljer mellan klasser, oavsett klassificeringströskel. Tidsram: När data kommer att vara tillgänglig, i slutet av 2027 |
2027
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
F1-poäng
Tidsram: När data kommer att vara tillgängliga, i slutet av 2027
|
F1-poäng är ett prestandamått för klassificeringsalgoritmer, det harmoniska medelvärdet av Precision (korrekta positiva förutsägelser / totala positiva förutsägelser) och Recall (korrekta positiva förutsägelser / faktiska positiva). Formel: F1 = 2 × (Precision × Recall) / (Precision + Recall) Område: 0 till 1, där 1 är perfekt precision och recall, och 0 är det sämsta. F1-poäng balanserar precision och recall, vilket gör det idealiskt när du behöver undvika både falska positiva och falska negativa. |
När data kommer att vara tillgängliga, i slutet av 2027
|
Andra resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Återkallelse för den positiva klassen
Tidsram: 2027
|
Recall för den positiva klassen är ett mått för binär klassificering som besvarar: "Vilken andel av de faktiska positiva fallen identifierades korrekt av modellen?" Formel: Recall = Sanna Positiva / (Sanna Positiva + Falska Negativa) Omfång: 0 till 1, där 1 betyder att alla positiva fall korrekt förutsades, och 0 betyder att inga gjordes. Hög recall innebär att modellen är bra på att fånga de flesta positiva fall, men den kan också inkludera fler falska positiva. Det är avgörande när det är kostsamt att missa ett positivt fall (falskt negativt). |
2027
|
Samarbetspartners och utredare
Sponsor
Utredare
- Huvudutredare: Marie Detrait, MD, PhD, Grand Hôpital de Charleroi
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
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
- LNH-AI-Tools
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
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 .