基于人工智能的预测与干预系统，用于早期检测淋巴瘤患者口服治疗不依从风险。 (LNH-AI-Tools)
2026年4月20日 更新者：Grand Hôpital de Charleroi
基于AI的预测与干预系统，用于早期检测淋巴瘤患者口服治疗的不依从风险，整合完整护理路径和具有可解释性工具算法配对的互操作性临床接口。
这项研究是持续质量改进计划的一部分。
它旨在通过人工智能评估患者对口服疗法的依从性。
它可以克服当前实践的局限性，并提高临床干预的响应性和准确性。
研究概览
详细说明
非霍奇金淋巴瘤需要严格的治疗方案，包括强效静脉化疗或靶向口服疗法。
继发性免疫抑制需要口服抗感染预防药物（如伐昔洛韦或增效复方新诺明）以防止机会性并发症。
然而，文献报告高达50%的患者在口服疗法中遇到依从性困难，这影响了治疗效果，增加了严重感染、延长住院时间的风险，从而增加了医疗系统的额外成本。
本项目提议基于真实世界数据开发一种创新的人工智能（AI）工具，以早期发现不依从的迹象，并使医疗团队能够进行针对性干预。
我们的方法结合了临床数据（患者、疾病、配药历史、实验室结果、药物相互作用）分析和机器学习算法（监督机器学习和神经网络）来识别高危人群。
该工具将生成实时警报，并为患者的主治医生和协调护士提供量身定制的建议，如自动提醒、专门的护理咨询等。
直观的界面将使临床医生和护士能够可视化依从性趋势并迅速采取行动。
本项目依靠多学科团队（血液学家、高级实践护士（APNs）、数据科学家、AI专家）和患者合作伙伴在真实世界条件下验证该工具。
研究类型
观察性的
注册 (估计的)
210
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：0032 60 11 20 08
- 邮箱：marie.detrait@ghdc.be
研究联系人备份
- 姓名：Aline Gillain, MedSciences
- 电话号码：0032 60 11 00 89
- 邮箱：aline.gillain@ghdc.be
学习地点
-
-
Hainaut
-
Charleroi、Hainaut、比利时、6060
- 招聘中
- Grand Hôpital de Charleroi
-
接触：
- Marie Detrait, MD, PhD
- 电话号码：0032 60 11 20 08
- 邮箱：marie.detrait@ghdc.be
-
接触：
- Marie Detrait, MedSC
- 电话号码：0032 60 11 00 89
- 邮箱：aline.gillain@ghdc.be
-
首席研究员：
- Delphine Pranger, MD
-
首席研究员：
- Marie Detrait, MD, PhD
-
副研究员：
- Stéphanie De Prophetis, Nurse
-
-
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
概率样本
研究人群
在沙勒罗瓦综合医院血液科接受非霍奇金淋巴瘤治疗的患者。
描述
纳入标准：
- 所有自2025年11月起在沙勒罗瓦大医院血液科接受治疗的18岁及以上患者
- 接受非霍奇金淋巴瘤治疗
- 能够提供知情同意
排除标准：
- 所有不符合资格标准的其他患者
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 |
|---|---|
|
回顾性队列
一项回顾性队列研究，涵盖2019年至2024年，纳入了350名基于经验监测的淋巴瘤患者。
|
对于20名患者的回顾性队列。
|
|
前瞻性队列
一项前瞻性队列研究，计划从2025年11月开始，纳入最多210名连续患者，旨在利用机器学习开发决策支持工具。
|
前瞻性组患者的随访
|
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 |
|---|---|---|
|
ROC-AUC
大体时间：2027
|
描述：ROC-AUC：接收者操作特征曲线下面积，是用于评估二分类预测算法性能的指标。 ROC曲线：绘制不同分类阈值下的真阳性率（灵敏度）与假阳性率（1-特异度）。 AUC：该曲线下的面积（范围从0到1）。 较高的AUC表示模型性能更好——1.0为完美，0.5为随机猜测。 ROC-AUC评估模型区分不同类别的能力，与分类阈值无关。 时间框架：数据将在2027年底提供 |
2027
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
F1分数
大体时间：数据何时可用，在2027年底
|
F1分数是分类算法的性能指标，它是精确率（正确阳性预测数/总阳性预测数）和召回率（正确阳性预测数/实际阳性数）的调和平均数。 公式：F1 = 2 × (精确率 × 召回率) / (精确率 + 召回率) 范围：0到1，其中1表示完美的精确率和召回率，0表示最差的情况。 F1分数平衡了精确率和召回率，当需要同时避免假阳性和假阴性时，它是理想的指标。 |
数据何时可用，在2027年底
|
其他结果措施
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
对阳性类别的召回率
大体时间：2027
|
正类召回率是用于二分类的指标，它回答了： “模型正确识别出的实际正例占全部实际正例的比例是多少？” 公式：召回率 = 真正例 / (真正例 + 假反例) 范围：0到1，其中1表示所有正例都被正确预测，0表示没有正例被正确预测。 高召回率意味着模型善于捕捉大多数正例，但可能包含更多假正例。当漏掉一个正例（假反例）代价高昂时，这一点至关重要。 |
2027
|
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：Marie Detrait, MD, PhD、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)
2026年2月15日
初级完成 (估计的)
2027年12月31日
研究完成 (估计的)
2029年2月15日
研究注册日期
首次提交
2026年4月8日
首先提交符合 QC 标准的
2026年4月20日
首次发布 (实际的)
2026年4月22日
研究记录更新
最后更新发布 (实际的)
2026年4月22日
上次提交的符合 QC 标准的更新
2026年4月20日
最后验证
2026年4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.