ProMapp: Prospektive klinische Studie zur Nutzung von maschinellemLernen für eine effizientere Diagnose und Stratifizierung von Phäochromozytomund Paragangliom
Hauptforscher:innen



MD, Ph.D
Christina Pamporaki
Universitätsklinikum Carl Gustav Carus Dresden
Medizinische Klinik III
christina.pamporaki[at]uniklinikum-dresden.de
Prof. Dr.
Graeme Eisenhofer
Universitätsklinikum Carl Gustav Carus Dresden
Institut für Klinische Chemie und Laboratoriumsmedizin
graeme.eisenhofer[at]uniklinikum-dresden.de
Prof. , MD, PhD
Jacques Lenders
Universitätsklinikum Carl Gustav Carus Dresden
Medizinische Klinik III
jacques.lenders[at]radboudumc.nl
Wissenschaftliche Mitarbeiter:innen
Angelos Filippatos – Gruppenleiter
Georg Pommer – Student
Manuel Schulze – TA
Carola Kunath – TA
Projektbeschreibung
Wir haben kürzlich Modelle für maschinelles Lernen (ML) zur Rationalisierung der diagnostischen Stratifizierung von Patienten mit Verdacht auf Phäochromozytome/Paragangliome (PGGLs) und zur weiteren Identifizierung von Patienten mit synchroner Metastasierung oder mit hohem Risiko für die Entwicklung von Metastasen, etabliert. Promapp ist eine internationale multizentrische prospektive Kohortenstudie mit randomisierter Intervention, die tatsächlich feststellen wird, ob unsere ML-Modelle effizienter und effektiver eingesetzt werden können, um die Prozesse sowohl für das diagnostische Screening von Patienten mit Verdacht auf PPGL, als auch für die Nachsorge bestätigter Fälle und zur Identifizierung des Vorhandenseins oder der zukünftigen Entwicklung einer metastatischen Erkrankung.
Ziele
(I) Feststellung, ob die Bereitstellung, von auf maschinellem Lernen basierenden Interpretationen von Standardlaborergebnissen (d. h. Plasmametanephrine und Methoxytyramin), die Effizienz und Wirksamkeit der Bestätigung oder des Ausschlusses von PPGL verbessert (Phase 1).
(II) Feststellung, ob die Bereitstellung, von auf maschinellem Lernen basierenden Interpretationen, für die Standard-Routineversorgung die Effizienz und Effektivität von Klinikern bei der Diagnose von Metastasen verbessert (Phase 2).
(III) Prospektive Validierung und Verbesserung von auf ML-Algorithmen basierenden Modellen durch lernbasierte Anpassungen unter Echtzeit-Diagnosebedingungen in einem populationsbasierten Diagnoseansatz, bei dem die Prävalenz einer PPGL bei etwa 1 % und die Prävalenz einer metastasierten Erkrankung für Patienten mit erwartet wird PPGL bei etwa 15-20 %.
Publikationen (SFB/TRR 205 eingeschlossen)