Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Predikční model CP-EBUS v diagnostice lymfatických uzlin

31. března 2020 aktualizováno: Jiayuan Sun, Shanghai Chest Hospital

Predikční model založený na hlubokém učení CP-EBUS multimodálního obrazu v diagnostice benigních a maligních lymfatických uzlin

Endobronchiální ultrazvukový (EBUS) multimodální obraz včetně šedé škály, dopplerografie krevního toku a elastografie lze použít jako neinvazivní diagnostiku a doplnit patologický výsledek, který má důležitou klinickou aplikační hodnotu. V této studii bude vytvořena multimodální obrazová databáze EBUS 1000 hrudních benigních a maligních lymfatických uzlin (LN) pro trénování neuronových sítí hlubokého učení, které mohou automaticky vybrat reprezentativní obrazy a diagnostikovat LN. Vyšetřovatelé vytvoří predikční model umělé inteligence založený na hlubokém učení intratorakálních LN a ověří model v dalších 300 LN.

Přehled studie

Postavení

Neznámý

Podmínky

Detailní popis

Zvětšení nitrohrudních LN má širokou škálu onemocnění, mezi nimiž je nejčastějším maligním onemocněním nitrohrudní metastáza karcinomu plic. Pro cílenou léčbu je také potřeba odlišit benigní léze, včetně zánětu, tuberkulózy a sarkoidózy.

EBUS multimodální zobrazení včetně šedé škály, krevního průtokového dopplera a elastografie lze použít jako neinvazivní diagnostiku a doplnit patologický výsledek, který má důležitou klinickou aplikační hodnotu. Tato studie zahrnuje dvě části: retrospektivní konstrukci predikčního modelu umělé inteligence EBUS a multicentrickou prospektivní validaci predikčního modelu. Do studie bude zapsáno celkem 1300 LN.

Během uchovávání videí jsou cílové LN a periferní cévy vyšetřovány pomocí ultrazvukových hostitelů (EU-ME2, Olympus nebo Hi-vision Avius, Hitachi) vybavených elastografií a dopplerovskými funkcemi a ultrazvukovou bronchoskopií (BF-UC260FW, Olympus nebo EB1970UK, Pentax) . Shromažďují se multimodální obrazová data cílových LN.

Vyšetřovatelé nejprve sestrojí predikční model umělé inteligence založený na hlubokém učení pomocí obrázků z 1000 LN a model ověří v dalších 300 LN. Tento model bude porovnán s tradičními kvalitativními a kvantitativními metodami hodnocení pro ověření diagnostické účinnosti.

Typ studie

Pozorovací

Zápis (Očekávaný)

1300

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní místa

  • Čína
    • Shanghai
      • Shanghai, Shanghai, Čína, 200030
        • Nábor
        • Shanghai Chest Hospital
        • Kontakt:

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

18 let a starší (Dospělý, Starší dospělý)

Přijímá zdravé dobrovolníky

N/A

Pohlaví způsobilá ke studiu

Všechno

Metoda odběru vzorků

Vzorek nepravděpodobnosti

Studijní populace

Do této studie jsou zařazeni pacienti se zvětšenými intrathorakálními LN, které je třeba diagnostikovat pomocí EBUS-TBNA.

Popis

Kritéria pro zařazení:

  1. CT hrudníku ukazuje zvětšené nitrohrudní LN (krátký průměr > 1 cm) nebo PET/CT ukazuje pacienty se zvýšeným vychytáváním FDG (SUV ≧ 2,0) v intratorakálních LN;
  2. Operační lékař zvážil, že EBUS-TBNA by měla být provedena na LN pro diagnostiku nebo předoperační staging rakoviny plic;
  3. Pacienti souhlasí s podstoupením EBUS-TBNA, podepisují informovaný souhlas a nemají žádné kontraindikace.

Kritéria vyloučení:

- Pacienti v jiných situacích, které nejsou vhodné pro EBUS-TBNA.

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

Kohorty a intervence

Skupina / kohorta
Prospektivně validační skupina
V části prospektivní validace budou použity dvě diagnostické metody, jedna je tradiční kvalitativní a kvantitativní metoda, druhá je predikční model umělé inteligence založený na videích pro porovnání diagnostické účinnosti.

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Diagnostická účinnost multimodálního predikčního modelu umělé inteligence EBUS na základě videí
Časové okno: 6 měsíců po zákroku
Diagnostická účinnost zahrnuje senzitivitu, specificitu, pozitivní prediktivní hodnotu, negativní prediktivní hodnotu a diagnostickou přesnost.
6 měsíců po zákroku

Sekundární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Diagnostická účinnost tradičních kvalitativních a kvantitativních metod
Časové okno: 6 měsíců po zákroku
Diagnostická účinnost zahrnuje senzitivitu, specificitu, pozitivní prediktivní hodnotu, negativní prediktivní hodnotu a diagnostickou přesnost.
6 měsíců po zákroku
Diagnostická účinnost multimodálního modelu hlubokého učení založeného na obrazech
Časové okno: 6 měsíců po zákroku
Diagnostická účinnost zahrnuje senzitivitu, specificitu, pozitivní prediktivní hodnotu, negativní prediktivní hodnotu a diagnostickou přesnost.
6 měsíců po zákroku
Srovnání predikčního modelu založeného na prohlubujícím se učení s tradičními kvalitativními a kvantitativními metodami
Časové okno: 6 měsíců po zákroku
Diagnostická účinnost zahrnuje senzitivitu, specificitu, pozitivní prediktivní hodnotu, negativní prediktivní hodnotu a diagnostickou přesnost.
6 měsíců po zákroku

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Shanghai Chest Hospital

Publikace a užitečné odkazy

Osoba odpovědná za zadávání informací o studiu tyto publikace poskytuje dobrovolně. Mohou se týkat čehokoli, co souvisí se studiem.

Obecné publikace

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Aktuální)

1. července 2018

Primární dokončení (Očekávaný)

30. června 2020

Dokončení studie (Očekávaný)

31. prosince 2020

Termíny zápisu do studia

První předloženo

2. prosince 2019

První předloženo, které splnilo kritéria kontroly kvality

29. března 2020

První zveřejněno (Aktuální)

31. března 2020

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

2. dubna 2020

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

31. března 2020

Naposledy ověřeno

1. března 2020

Více informací

Termíny související s touto studií

Klíčová slova

Další identifikační čísla studie

  • SHCHE201906

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

NEROZHODNÝ

Popis plánu IPD

Vyšetřovatelé mohou po studii uvolnit databázi, ale zatím nepadlo žádné rozhodnutí.

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .

Klinické studie na Onemocnění lymfatických uzlin

Prohledejte podobné pokusy

Sponzoři a spolupracovníci

Zdravotní podmínky

Drogové intervence

CROs by country

CROs in Belgium

Podmínky

Vzácné nemoci

Drogové intervence

Doplňky stravy

Sponzor / Spolupracovníci

Místa

Předplatit