此页面是自动翻译的，不保证翻译的准确性。请参阅英文版对于源文本。

值得信赖的人工智能可改善中风结果 (TRUSTroke)

2026年9月1日更新者：Fondazione Policlinico Universitario Agostino Gemelli IRCCS

值得信赖的人工智能可改善中风结果。 AI模型优化二期前瞻性研究

中风是全世界死亡和残疾的主要原因。可解释和可解释的人工智能（AI）解决方案的临床验证有助于对中风急性期进行及时、个性化的管理，这将产生重大影响，因为它可以大大降低患者的残疾程度。此外，长期结果的预测也是一个关键因素，因为它可能决定关键决策，例如患者的出院目的地。此外，已证明遵守基于指南的二级中风预防可以减少中风复发，但目前，只有 40% 的患者在中风后 3 个月坚持接受预防性治疗。因此，通过适当的患者沟通和参与包可以改善患者的治疗结果。人工智能可能会对中风患者的旅程产生巨大影响，改善预测，从而更好地选择继发性中风策略，并使用基于证据的信息来促进更好地坚持治疗并减少血管危险因素。

这项多中心观察性前瞻性研究的目的是开发和验证基于人工智能的工具来预测缺血性中风患者的短期和长期结果。具体来说，本研究旨在证明 AI 模型在预测缺血性中风患者功能结果方面的准确性，通过出院时以及 3、6 和 12 岁时的 NIHSS (0-42) 和 mRS (0-6) 评分来衡量出院后几个月。将招募来自欧洲 3 个大型中心的潜在缺血性中风患者。本地人工智能模型的训练和测试将使用住院数据进行，这些数据是在中风患者路径的标准护理程序中收集的，以及出院后随访期间来自远程家庭护理系统（NORA应用程序）的门诊监测数据。然后，这些本地模型将被集成到联合学习系统中，在该系统中，只有从所有本地模型的综合见解中得出的全局人工智能模型在参与医院之间共享。各个本地模型和原始数据不共享，保证数据隐私和安全。将评估前瞻性优化的人工智能模型在 12 个月的随访期内预测临床结果的准确性和性能，并与患者的实际结果进行比较。

研究概览

地位

主动，不招人

条件

干预/治疗

设备：诺拉

研究类型

观察性的

注册 (估计的)

1000

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。

学习地点

意大利
- Lazio
  - Rome、Lazio、意大利、00168
    - Fondazione Policlinico Universitario A. Gemelli IRCCS, UOC Neurologia
比利时
- - Leuven、比利时、3000
    - KATHOLIEKE UNIVERSITEIT LEUVEN (KU Leuven)
西班牙
- - Barcelona、西班牙、08035
    - Hospital Vall D'Hebron- Institut de Recerca (Vhir)

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

所有连续入院的缺血性脑卒中患者，年龄超过18岁并签署知情同意书（患者本人或近亲签署）。

描述

纳入标准：

对象已年满 18 岁
急性缺血性脑卒中的诊断
患者或其近亲签署的知情同意书

排除标准：

本研究未考虑任何排除标准。

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

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
AI模型在预测短期功能中风结果方面的准确性大体时间：24个月	为了评估开发的AI模型在预测中风患者的功能结果方面的准确性，例如国家健康研究所（NIHSS，0-42）和改良的Rankin量表（MRS，0-6）在出院（短期结果）。具体而言，将评估ROC曲线下的区域（AUROC）诸如用于分类任务的区域和用于回归任务的R²，包括用于随机森林和XGBOOST等机器学习方法，以及深度学习方法，例如神经网络。	24个月

次要结果测量

结果测量	措施说明	大体时间
AI模型预测长期功能结果的准确性大体时间：24个月	为了评估开发的AI模型在排出后3、6和12个月在预测国家健康研究所（NIHSS，0-42）和改良的Rankin量表（MRS，0-6）方面的准确性。此外，还将评估其他功能结果，例如患者报告的结果指标（PROM）和患者报告的经验指标（PERM）。具体而言，将评估ROC曲线（AUROC）下的面积（AUROC）和用于回归任务的R²的指标，无论是用于随机森林和XGBOOST等机器学习方法，以及深度学习方法，例如神经网络。	24个月
AI模型预测中风相关风险的准确性大体时间：24个月	为了评估AI模型在预测早期支撑放电的可能性（事件发生后1周），计划外医院再入院的概率（30天）以及3个月和12个月时中风复发的个性化风险。具体而言，将评估ROC曲线下的区域（AUROC）诸如用于分类任务的区域和用于回归任务的R²，包括用于随机森林和XGBOOST等机器学习方法，以及深度学习方法，例如神经网络。	24个月

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。

赞助

Fondazione Policlinico Universitario Agostino Gemelli IRCCS

调查人员

首席研究员：Pietro Caliandro, MD、Fondazione Policlinico Universitario Agostino Gemelli IRCCS

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)

2024年12月18日

初级完成 (估计的)

2026年11月30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11月26日

首先提交符合 QC 标准的

2024年11月26日

首次发布 (实际的)

2024年11月29日

研究记录更新

最后更新发布 (实际的)

2026年9月2日

上次提交的符合 QC 标准的更新

2026年9月1日

最后验证