连全球医疗资源，享前沿医疗服务
4006 776 356
免费咨询 9:00-18:00
免费获得国外相关药品，最快 1 个工作日回馈药物信息
出境医 / 临床实验 / 一种新型的机器学习算法，以预测Lewy身体痴呆症（MLDLB）
一种新型的机器学习算法，以预测Lewy身体痴呆症（MLDLB）
研究描述
简要摘要：
帕金森氏病痴呆症（PDD）和Lewy身体（DLB）的痴呆症是痴呆症综合征，它们在许多临床特征中重叠，这使得它们在临床实践中的诊断困难，尤其是在高级阶段。我们提出了一种仅基于非侵入性，易于临床的可收集预测因子的机器学习算法，以识别具有高预后性能的这些疾病。
| 病情或疾病 | 干预/治疗 |
|---|---|
| 失智 | 诊断测试：机器学习模型 |
详细说明：
该算法将使用来自两个专业记忆中心的数据集开发，采用PDD和DLB受试者的样本，其诊断后续措施至少在基线评估后3年可用。有关临床人口特征，6个神经心理学测试的一组限制信息（Mini心理，PD认知评级量表，简短的视觉空间记忆测试，书面符号书面，韦克斯勒成人智能量表，TRAIL MADICH MADING SARTH AND MADICH MADICH MADICH MADICH MADICH MADICH MADING AS）用作预测指标。将研究两种分类算法，逻辑回归和K-Nearest邻居（K-NN），以预测患者是否患有PDD或DLB的患者的能力。
学习规划
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 200名参与者 |
| 观察模型： | 队列 |
| 时间观点： | 预期 |
| 官方标题： | 一种新型的机器学习算法，可预测使用临床和神经心理学分数的Lewy身体痴呆症 |
| 实际学习开始日期 ： | 2019年9月1日 |
| 估计的初级完成日期 ： | 2020年10月1日 |
| 估计 学习完成日期 ： | 2021年3月1日 |
武器和干预措施
| 组/队列 | 干预/治疗 |
|---|---|
| 帕金森病痴呆症 PDD组由58例符合运动障碍社会可能PDD标准的患者组成 | 诊断测试：机器学习模型 研究了两种分类算法，逻辑回归和K-Nearest邻居（K-NNS），以预测患者是否患有PDD还是DLB的能力。 |
| 有路易尸体的痴呆症 DLB组由40名患者组成，根据最近的可能DLB的修订标准 | 诊断测试：机器学习模型 研究了两种分类算法，逻辑回归和K-Nearest邻居（K-NNS），以预测患者是否患有PDD还是DLB的能力。 |
结果措施
主要结果指标 ：
- MMSE对DLB或PDD的预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- 帕金森氏病 - DLB或PDD的认知评级量表（PD -CRS）[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- 简短的视觉空间记忆测试（BVMT-TR）DLB或PDD的预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- DLB或PDD的符号数字书面预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- Wechsler成人情报量表，DLB或PDD的预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- TRAIL为DLB或PDD提供A和B的预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
资格标准
| 有资格学习的年龄： | 50年至90年（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 接受健康的志愿者： | 不 |
| 采样方法： | 非概率样本 |
研究人群
PDD组由符合可能的PDD标准和DLB组标准的患者组成。患者将从两个诊所的基于寄存器的数据库中招募。收集了以下数据：性别，年龄，教育，手持优势，疾病持续时间（年）和左旋多巴等效的每日剂量（LEDD）。疾病的负担将由运动障碍社会联合帕金森氏病评级量表（MDS-UPDRS）在非药物状态和以下六个认知/行为测试中进行评估：迷你精神分子检查（MMSE），PD--认知评级量表（PD-CRS），简短的视觉空间记忆测试（BVMT-TR），符号数字书面（SDMT），TRAIL制作测试（TMT A，B），Wechsler成人智能量表（WAIS-V）。所有患者将接受脑部MRI和血液检查，以排除痴呆症的次要原因。
标准
联系人和位置
联系人
| 联系人：阿纳斯塔西亚溪，博士 | +306930481046 | annita139@yahoo.gr | |
| 联系人：阿纳斯塔西亚溪 | +306930481046 | annita139@yahoo.gr |
位置
| 希腊 | |
| 阿纳斯塔西亚九重奏 | 招募 |
| 雅典，阿提基，希腊，16674年 | |
| 联系人：efthymia efthymiiopoulou，00306943061632 faih.efthymiopoulou@gmail.com | |
| 次级评论者：克里斯托斯·古斯（Christos Goumas），博士 | |
赞助商和合作者
国家和卡普迪斯特里大学雅典大学
调查人员
| 首席研究员： | 阿纳斯塔西亚九重奏 | 国家和卡普迪斯特里大学雅典大学 |
| 追踪信息 | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2020年6月21日 | ||||||||
| 第一个发布日期 | 2020年6月25日 | ||||||||
| 上次更新发布日期 | 2020年9月10日 | ||||||||
| 实际学习开始日期 | 2019年9月1日 | ||||||||
| 估计的初级完成日期 | 2020年10月1日（主要结果度量的最终数据收集日期） | ||||||||
| 当前的主要结果指标 |
| ||||||||
| 原始主要结果指标 | 与电流相同 | ||||||||
| 改变历史 | |||||||||
| 当前的次要结果指标 | 不提供 | ||||||||
| 原始的次要结果指标 | 不提供 | ||||||||
| 当前其他预先指定的结果指标 | 不提供 | ||||||||
| 原始其他预先指定的结果指标 | 不提供 | ||||||||
| 描述性信息 | |||||||||
| 简短标题 | 一种新型的机器学习算法，以预测Lewy身体痴呆症 | ||||||||
| 官方头衔 | 一种新型的机器学习算法，可预测使用临床和神经心理学分数的Lewy身体痴呆症 | ||||||||
| 简要摘要 | 帕金森氏病痴呆症（PDD）和Lewy身体（DLB）的痴呆症是痴呆症综合征，它们在许多临床特征中重叠，这使得它们在临床实践中的诊断困难，尤其是在高级阶段。我们提出了一种仅基于非侵入性，易于临床的可收集预测因子的机器学习算法，以识别具有高预后性能的这些疾病。 | ||||||||
| 详细说明 | 该算法将使用来自两个专业记忆中心的数据集开发，采用PDD和DLB受试者的样本，其诊断后续措施至少在基线评估后3年可用。有关临床人口特征，6个神经心理学测试的一组限制信息（Mini心理，PD认知评级量表，简短的视觉空间记忆测试，书面符号书面，韦克斯勒成人智能量表，TRAIL MADICH MADING SARTH AND MADICH MADICH MADICH MADICH MADICH MADICH MADING AS）用作预测指标。将研究两种分类算法，逻辑回归和K-Nearest邻居（K-NN），以预测患者是否患有PDD或DLB的患者的能力。 | ||||||||
| 研究类型 | 观察 | ||||||||
| 学习规划 | 观察模型：队列 时间观点：潜在 | ||||||||
| 目标随访时间 | 不提供 | ||||||||
| 生物测量 | 不提供 | ||||||||
| 采样方法 | 非概率样本 | ||||||||
| 研究人群 | PDD组由符合可能的PDD标准和DLB组标准的患者组成。患者将从两个诊所的基于寄存器的数据库中招募。收集了以下数据：性别，年龄，教育，手持优势，疾病持续时间（年）和左旋多巴等效的每日剂量（LEDD）。疾病的负担将由运动障碍社会联合帕金森氏病评级量表（MDS-UPDRS）在非药物状态和以下六个认知/行为测试中进行评估：迷你精神分子检查（MMSE），PD--认知评级量表（PD-CRS），简短的视觉空间记忆测试（BVMT-TR），符号数字书面（SDMT），TRAIL制作测试（TMT A，B），Wechsler成人智能量表（WAIS-V）。所有患者将接受脑部MRI和血液检查，以排除痴呆症的次要原因。 | ||||||||
| 健康）状况 | 失智 | ||||||||
| 干涉 | 诊断测试：机器学习模型 研究了两种分类算法，逻辑回归和K-Nearest邻居（K-NNS），以预测患者是否患有PDD还是DLB的能力。 | ||||||||
| 研究组/队列 | |||||||||
| 出版物 * | 布格亚A，efthymiopoulou E，Spanou I，ZikosP。一种新型的机器学习算法可预测基于临床和神经心理学得分的刘易身体与帕金森氏病的痴呆症。 J Geriatr Psychiatry Neurol。 2021年2月8日：891988721993556。 doi：10.1177/0891988721993556。 [Epub在印刷前] | ||||||||
*包括由数据提供商提供的出版物以及Medline中临床标识符（NCT编号）的出版物。 | |||||||||
| 招聘信息 | |||||||||
| 招聘状况 | 招募 | ||||||||
| 估计入学人数 | 200 | ||||||||
| 原始估计注册 | 86 | ||||||||
| 估计学习完成日期 | 2021年3月1日 | ||||||||
| 估计的初级完成日期 | 2020年10月1日（主要结果度量的最终数据收集日期） | ||||||||
| 资格标准 | 纳入标准： 根据最近可能的DLB可能修订的标准，由符合运动障碍协会可能PDD标准的患者组成的PDD组（b）。 排除标准：
| ||||||||
| 性别/性别 |
| ||||||||
| 年龄 | 50年至90年（成人，老年人） | ||||||||
| 接受健康的志愿者 | 不 | ||||||||
| 联系人 |
| ||||||||
| 列出的位置国家 | 希腊 | ||||||||
| 删除了位置国家 | |||||||||
| 管理信息 | |||||||||
| NCT编号 | NCT04448340 | ||||||||
| 其他研究ID编号 | 251Athens医院 | ||||||||
| 有数据监测委员会 | 不 | ||||||||
| 美国FDA调节的产品 |
| ||||||||
| IPD共享声明 |
| ||||||||
| 责任方 | 阿纳斯塔西亚九重奏，国家和卡普迪斯特里大学雅典大学 | ||||||||
| 研究赞助商 | 国家和卡普迪斯特里大学雅典大学 | ||||||||
| 合作者 | 不提供 | ||||||||
| 调查人员 |
| ||||||||
| PRS帐户 | 国家和卡普迪斯特里大学雅典大学 | ||||||||
| 验证日期 | 2020年9月 | ||||||||
研究描述
简要摘要：
帕金森氏病痴呆症（PDD）和Lewy身体（DLB）的痴呆症是痴呆症综合征，它们在许多临床特征中重叠，这使得它们在临床实践中的诊断困难，尤其是在高级阶段。我们提出了一种仅基于非侵入性，易于临床的可收集预测因子的机器学习算法，以识别具有高预后性能的这些疾病。
| 病情或疾病 | 干预/治疗 |
|---|---|
| 失智 | 诊断测试：机器学习模型 |
详细说明：
该算法将使用来自两个专业记忆中心的数据集开发，采用PDD和DLB受试者的样本，其诊断后续措施至少在基线评估后3年可用。有关临床人口特征，6个神经心理学测试的一组限制信息（Mini心理，PD认知评级量表，简短的视觉空间记忆测试，书面符号书面，韦克斯勒成人智能量表，TRAIL MADICH MADING SARTH AND MADICH MADICH MADICH MADICH MADICH MADICH MADING AS）用作预测指标。将研究两种分类算法，逻辑回归和K-Nearest邻居（K-NN），以预测患者是否患有PDD或DLB的患者的能力。
学习规划
| 研究类型 ： | 观察 |
| 估计入学人数 ： | 200名参与者 |
| 观察模型： | 队列 |
| 时间观点： | 预期 |
| 官方标题： | 一种新型的机器学习算法，可预测使用临床和神经心理学分数的Lewy身体痴呆症 |
| 实际学习开始日期 ： | 2019年9月1日 |
| 估计的初级完成日期 ： | 2020年10月1日 |
| 估计 学习完成日期 ： | 2021年3月1日 |
武器和干预措施
| 组/队列 | 干预/治疗 |
|---|---|
| 帕金森病' target='_blank'>帕金森病痴呆症 | 诊断测试：机器学习模型 研究了两种分类算法，逻辑回归和K-Nearest邻居（K-NNS），以预测患者是否患有PDD还是DLB的能力。 |
| 有路易尸体的痴呆症 DLB组由40名患者组成，根据最近的可能DLB的修订标准 | 诊断测试：机器学习模型 研究了两种分类算法，逻辑回归和K-Nearest邻居（K-NNS），以预测患者是否患有PDD还是DLB的能力。 |
结果措施
主要结果指标 ：
- MMSE对DLB或PDD的预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- 帕金森氏病 - DLB或PDD的认知评级量表（PD -CRS）[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- 简短的视觉空间记忆测试（BVMT-TR）DLB或PDD的预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- DLB或PDD的符号数字书面预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- Wechsler成人情报量表，DLB或PDD的预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
- TRAIL为DLB或PDD提供A和B的预测[时间范围：1年]两种分类算法，逻辑回归和K-Nearest邻居（K-NNS）将结合这些测试，以调查其成功预测患者是否患有PDD或DLB的能力。
资格标准
| 有资格学习的年龄： | 50年至90年（成人，老年人） |
| 有资格学习的男女： | 全部 |
| 接受健康的志愿者： | 不 |
| 采样方法： | 非概率样本 |
研究人群
PDD组由符合可能的PDD标准和DLB组标准的患者组成。患者将从两个诊所的基于寄存器的数据库中招募。收集了以下数据：性别，年龄，教育，手持优势，疾病持续时间（年）和左旋多巴等效的每日剂量（LEDD）。疾病的负担将由运动障碍' target='_blank'>运动障碍社会联合帕金森氏病评级量表（MDS-UPDRS）在非药物状态和以下六个认知/行为测试中进行评估：迷你精神分子检查（MMSE），PD--认知评级量表（PD-CRS），简短的视觉空间记忆测试（BVMT-TR），符号数字书面（SDMT），TRAIL制作测试（TMT A，B），Wechsler成人智能量表（WAIS-V）。所有患者将接受脑部MRI和血液检查，以排除痴呆症的次要原因。
标准
联系人和位置
联系人
| 联系人：阿纳斯塔西亚溪，博士 | +306930481046 | annita139@yahoo.gr | |
| 联系人：阿纳斯塔西亚溪 | +306930481046 | annita139@yahoo.gr |
位置
赞助商和合作者
国家和卡普迪斯特里大学雅典大学
调查人员
| 首席研究员： | 阿纳斯塔西亚九重奏 | 国家和卡普迪斯特里大学雅典大学 |
| 追踪信息 | |||||||||
|---|---|---|---|---|---|---|---|---|---|
| 首先提交日期 | 2020年6月21日 | ||||||||
| 第一个发布日期 | 2020年6月25日 | ||||||||
| 上次更新发布日期 | 2020年9月10日 | ||||||||
| 实际学习开始日期 | 2019年9月1日 | ||||||||
| 估计的初级完成日期 | 2020年10月1日（主要结果度量的最终数据收集日期） | ||||||||
| 当前的主要结果指标 |
| ||||||||
| 原始主要结果指标 | 与电流相同 | ||||||||
| 改变历史 | |||||||||
| 当前的次要结果指标 | 不提供 | ||||||||
| 原始的次要结果指标 | 不提供 | ||||||||
| 当前其他预先指定的结果指标 | 不提供 | ||||||||
| 原始其他预先指定的结果指标 | 不提供 | ||||||||
| 描述性信息 | |||||||||
| 简短标题 | 一种新型的机器学习算法，以预测Lewy身体痴呆症 | ||||||||
| 官方头衔 | 一种新型的机器学习算法，可预测使用临床和神经心理学分数的Lewy身体痴呆症 | ||||||||
| 简要摘要 | 帕金森氏病痴呆症（PDD）和Lewy身体（DLB）的痴呆症是痴呆症综合征，它们在许多临床特征中重叠，这使得它们在临床实践中的诊断困难，尤其是在高级阶段。我们提出了一种仅基于非侵入性，易于临床的可收集预测因子的机器学习算法，以识别具有高预后性能的这些疾病。 | ||||||||
| 详细说明 | 该算法将使用来自两个专业记忆中心的数据集开发，采用PDD和DLB受试者的样本，其诊断后续措施至少在基线评估后3年可用。有关临床人口特征，6个神经心理学测试的一组限制信息（Mini心理，PD认知评级量表，简短的视觉空间记忆测试，书面符号书面，韦克斯勒成人智能量表，TRAIL MADICH MADING SARTH AND MADICH MADICH MADICH MADICH MADICH MADICH MADING AS）用作预测指标。将研究两种分类算法，逻辑回归和K-Nearest邻居（K-NN），以预测患者是否患有PDD或DLB的患者的能力。 | ||||||||
| 研究类型 | 观察 | ||||||||
| 学习规划 | 观察模型：队列 时间观点：潜在 | ||||||||
| 目标随访时间 | 不提供 | ||||||||
| 生物测量 | 不提供 | ||||||||
| 采样方法 | 非概率样本 | ||||||||
| 研究人群 | PDD组由符合可能的PDD标准和DLB组标准的患者组成。患者将从两个诊所的基于寄存器的数据库中招募。收集了以下数据：性别，年龄，教育，手持优势，疾病持续时间（年）和左旋多巴等效的每日剂量（LEDD）。疾病的负担将由运动障碍' target='_blank'>运动障碍社会联合帕金森氏病评级量表（MDS-UPDRS）在非药物状态和以下六个认知/行为测试中进行评估：迷你精神分子检查（MMSE），PD--认知评级量表（PD-CRS），简短的视觉空间记忆测试（BVMT-TR），符号数字书面（SDMT），TRAIL制作测试（TMT A，B），Wechsler成人智能量表（WAIS-V）。所有患者将接受脑部MRI和血液检查，以排除痴呆症的次要原因。 | ||||||||
| 健康）状况 | 失智 | ||||||||
| 干涉 | 诊断测试：机器学习模型 研究了两种分类算法，逻辑回归和K-Nearest邻居（K-NNS），以预测患者是否患有PDD还是DLB的能力。 | ||||||||
| 研究组/队列 | |||||||||
| 出版物 * | 布格亚A，efthymiopoulou E，Spanou I，ZikosP。一种新型的机器学习算法可预测基于临床和神经心理学得分的刘易身体与帕金森氏病的痴呆症。 J Geriatr Psychiatry Neurol。 2021年2月8日：891988721993556。 doi：10.1177/0891988721993556。 [Epub在印刷前] | ||||||||
*包括由数据提供商提供的出版物以及Medline中临床标识符（NCT编号）的出版物。 | |||||||||
| 招聘信息 | |||||||||
| 招聘状况 | 招募 | ||||||||
| 估计入学人数 | 200 | ||||||||
| 原始估计注册 | 86 | ||||||||
| 估计学习完成日期 | 2021年3月1日 | ||||||||
| 估计的初级完成日期 | 2020年10月1日（主要结果度量的最终数据收集日期） | ||||||||
| 资格标准 | 纳入标准： 根据最近可能的DLB可能修订的标准，由符合运动障碍' target='_blank'>运动障碍协会可能PDD标准的患者组成的PDD组（b）。 排除标准：
| ||||||||
| 性别/性别 |
| ||||||||
| 年龄 | 50年至90年（成人，老年人） | ||||||||
| 接受健康的志愿者 | 不 | ||||||||
| 联系人 |
| ||||||||
| 列出的位置国家 | 希腊 | ||||||||
| 删除了位置国家 | |||||||||
| 管理信息 | |||||||||
| NCT编号 | NCT04448340 | ||||||||
| 其他研究ID编号 | 251Athens医院 | ||||||||
| 有数据监测委员会 | 不 | ||||||||
| 美国FDA调节的产品 |
| ||||||||
| IPD共享声明 |
| ||||||||
| 责任方 | 阿纳斯塔西亚九重奏，国家和卡普迪斯特里大学雅典大学 | ||||||||
| 研究赞助商 | 国家和卡普迪斯特里大学雅典大学 | ||||||||
| 合作者 | 不提供 | ||||||||
| 调查人员 |
| ||||||||
| PRS帐户 | 国家和卡普迪斯特里大学雅典大学 | ||||||||
| 验证日期 | 2020年9月 | ||||||||
