弥漫性大细胞 B 淋巴瘤的前瞻性观察研究 (LBDGCréfract)
2026年9月10日 更新者:Grand Hôpital de Charleroi
用于预测沙勒罗瓦大医院单中心队列中弥漫性大细胞 B 淋巴瘤患者原发难治状态的监督机器学习
弥漫性大B细胞淋巴瘤(DLBCL)是最常见的非霍奇金淋巴瘤类型,目前对于许多接受免疫化疗一线治疗的患者来说是一种可治愈的恶性疾病。
然而,大约 30-40% 的患者没有反应或会出现早期复发。
由于疾病异质性和复杂的遗传框架,原发性难治性患者的预后较差,管理和治疗面临重大挑战。
难治性的原因多种多样,包括遗传异常、肿瘤和肿瘤微环境的改变。
患者相关因素(例如合并症)也会影响治疗结果。
最近,机器学习 (ML) 的进展显示了其在分析大型复杂数据集的过程中的有用性。
在医学中,机器学习用于基于数据驱动的分析方法以及各种风险因素和参数的集成来创建一些预测工具。
机器学习作为人工智能 (AI) 的子领域,能够自主发现数据集中的模式。
它提供的算法可以从示例中学习以自动执行任务。
我们在之前的研究中测试了五种机器学习算法,以建立一个模型,使用从单中心数据集中获得的参数来预测原发性难治性 DLBCL 的风险。
我们观察到,NB 分类分类器是构建模型以预测 DLBCL 患者原发性难治性疾病的最佳替代方案,第二个是 XGBoost。我们计划通过进一步探索两个表现最好的模型(NBC 分类器和XGBoost),以前瞻性的方式逐步纳入更多的患者。
研究概览
详细说明
原发性难治性疾病影响大约 30-40% 诊断为 DLBCL 的患者,由于其预后不良,因此对该疾病的治疗是一个挑战。 难治性状态的预测对于允许早期干预的治疗策略非常有用。 事实上,根据患者和疾病特征,现在有多种选择,例如挽救性化疗和自体 HSCT、靶向治疗或 CAR T 细胞治疗。 监督机器学习技术能够预测医学背景下的结果,因此似乎非常适合这个问题。
我们的机器学习方法似乎特别有趣,因为目前还没有足够有效的统计模型来为临床医生提供决策支持。 因此,我们在之前的研究中表明,算法可以有效地根据患者病历的结构化数据预测疾病的难治状态。 由于有大量可用且有效的挽救疗法,快速干预患者的治疗途径似乎是正确的选择,也是最大限度地提高治愈机会同时减少毒性的最个性化的方法。 根据医生的临床判断和最佳算法预测,医生可以选择原发性难治性DLBCL的早期治疗策略。
我们在之前的研究中发现了两个有趣的模型(NBC 和 XGBoost),用于在验证集上预测难治性疾病。 机器学习技术的应用可以极大地促进 DLBCL 患者的治疗。 这些算法有可能帮助临床医生就治疗策略做出明智的决定,从而可以根据每位患者进行个性化治疗。 为了在更广泛的范围内验证这些发现,本研究可以证实前瞻性队列的结果以及该技术在 DLBCL 患者原发性难治性疾病复杂管理中的价值。
研究类型
观察性的
注册 (估计的)
50
联系人和位置
本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。
学习联系方式
- 姓名:Marie Detrait, MD, PhD
- 电话号码:8456 0031 71 10
- 邮箱:marie.detrait@ghdc.be
学习地点
-
-
Hainaut
-
Charleroi、Hainaut、比利时、6000
- 招聘中
- Grand Hôpital de Charleroi
-
接触:
- Delphine Pranger, MD
- 邮箱:delphine.pranger@ghdc.be
-
-
参与标准
研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
2024 年 1 月至 2026 年 12 月期间,所有弥漫性大细胞 B 淋巴瘤患者均在沙勒罗瓦大医院血液科首次接受治疗。
描述
纳入标准:
- 沙勒罗瓦大医院血液科首次治疗弥漫性大细胞 B 淋巴瘤患者
- 能够理解信息并签署同意书
排除标准:
- 18岁以下
学习计划
本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。
研究是如何设计的?
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
弥漫性大细胞B淋巴瘤患者
沙勒罗瓦大医院单中心队列中的弥漫性大细胞 B 淋巴瘤患者
|
使用算法预测原发难治状态概率,对 2024 年起患有弥漫性大细胞 B 淋巴瘤的一组患者进行随访
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
每种算法的接收者操作员特征 (ROC_AUC) 曲线下面积(以百分比表示)。
大体时间:3年
|
用于算法评估的指标,该指标能够将分类器的有效性封装在单个测量中
|
3年
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
DLBCL 患者难治性疾病危险因素的识别。
大体时间:3年
|
使用 Cox 模型对变量进行统计分析
|
3年
|
|
研究结束时 Kaplan Meier 给出的队列中的总体生存率和无进展生存率。
大体时间:3年
|
卡普兰迈耶测试和曲线
|
3年
|
|
研究结束时的队列生存率。
大体时间:3年
|
研究结束时队列的存活率
|
3年
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
调查人员
- 首席研究员:Delphine Pranger, MD、Grand Hôpital de Charleroi
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2023年1月3日
初级完成 (估计的)
2026年12月31日
研究完成 (估计的)
2026年12月31日
研究注册日期
首次提交
2024年1月12日
首先提交符合 QC 标准的
2024年1月26日
首次发布 (实际的)
2024年2月5日
研究记录更新
最后更新发布 (实际的)
2026年9月14日
上次提交的符合 QC 标准的更新
2026年9月10日
最后验证
2026年9月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.