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

Předvídání trajektorií příznaků po torakoskopické operaci rakoviny plic pomocí interpretovatelného modelu strojového učení

8. ledna 2025 aktualizováno: GuiBin Qiao, Guangdong Provincial People's Hospital
Pacienti trpí po torakoskopické operaci různými příznaky. Existuje však nedostatek ověřených prediktivních nástrojů k identifikaci potenciálně vysoce rizikových pacientů. Předpokládá se, že tato studie bude zahrnovat přibližně 1 500 pacientů s rakovinou plic, kteří podstoupí torakoskopickou operaci. K identifikaci podskupin pacientů s podobnými trajektoriemi symptomů bude použito smíšené modelování latentních tříd (LCMM). Modely strojového učení byly vyvinuty k predikci trajektorií pooperačních symptomů na základě shromážděných informací. Efektivní predikce pooperačních příznaků může pomoci identifikovat vysoce rizikové pacienty a přijmout preventivní opatření.

Přehled studie

Postavení

Zatím nenabíráme

Podmínky

Detailní popis

Torakoskopická chirurgie rakoviny plic je široce používaný přístup k léčbě časného a lokálně pokročilého karcinomu plic. Navzdory výhodám torakoskopické chirurgie, jako je minimální invaze a rychlé zotavení, pacienti stále trpí různými příznaky, jako je bolest, dušnost, poruchy spánku nebo únava po operaci, což vážně ovlivňuje kvalitu života. Existuje však nedostatek ověřených prediktivních nástrojů k identifikaci potenciálně vysoce rizikových pacientů. Předpokládá se, že tato studie bude zahrnovat přibližně 1 500 pacientů s rakovinou plic, kteří podstoupí torakoskopickou operaci. Pacienti jsou vyzváni k vyplnění modulu MD Anderson Symptom Inventory-Lung Cancer po torakoskopické operaci. Mezi symptomy zájmu patří bolest, dušnost, poruchy spánku a únava. Středně těžké až těžké symptomy byly definovány jako skóre ≥ 4. Latentní smíšené modelování tříd (LCMM), technika shlukování, může identifikovat podskupiny pacientů s podobnými trajektoriemi symptomů na základě longitudinálních dat hlášených pacientem (PRO). Modely strojového učení byly vyvinuty k předpovídání trajektorií pooperačních příznaků na základě shromážděných informací včetně demografických a klinických informací a operačních dat. Modely strojového učení zahrnují především Random Forest, Support Vector Machines, Neural Networks, XGBoost atd. Vybere se nejvhodnější model a provede se interpretace modelu pomocí metody SHAP. Efektivní predikce pooperačních příznaků může pomoci identifikovat vysoce rizikové pacienty a přijmout preventivní opatření.

Typ studie

Pozorovací

Zápis (Odhadovaný)

1500

Kontakty a umístění

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

Studijní kontakt

Studijní místa

  • Čína
      • Guangdong, Čína, 510080
        • Guangdong Provincial People's Hospital
        • Kontakt:
        • 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

  • Dospělý
  • Starší dospělý

Přijímá zdravé dobrovolníky

Ne

Metoda odběru vzorků

Vzorek nepravděpodobnosti

Studijní populace

Pacient s rakovinou plic podstoupil torakoskopickou operaci a po operaci dokončil modul MD Anderson Symptom Inventory-Lung Cancer.

Popis

Kritéria zahrnutí:

  • Věk 18-80 let;
  • Patologicky diagnostikovaná rakovina plic;
  • Podstoupit torakoskopickou chirurgii, včetně videoasistované torakoskopie a roboticky asistované torakoskopické chirurgie;
  • žádná předchozí anamnéza malignity nebo operace plic;
  • Mít schopnost dokončit stupnici.

Kritéria vyloučení:

  • Převedeno na torakotomii během torakoskopické operace;
  • Neschopnost dokončit pooperační stupnici alespoň dvakrát;
  • Chybějící hodnoty dat přesahující 30 procent.

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

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Trajektorie příznaků po torakoskopické operaci
Časové okno: Do čtyř týdnů po torakoskopické operaci
Mezi sledované pooperační symptomy patřila bolest, dušnost, poruchy spánku a únava.
Do čtyř týdnů po torakoskopické operaci

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Guangdong Provincial People's Hospital

Vyšetřovatelé

  • Vrchní vyšetřovatel: Guibin Qiao, Guangdong Provincial People's Hospital

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 (Odhadovaný)

1. března 2025

Primární dokončení (Odhadovaný)

1. ledna 2026

Dokončení studie (Odhadovaný)

1. února 2026

Termíny zápisu do studia

První předloženo

8. ledna 2025

První předloženo, které splnilo kritéria kontroly kvality

8. ledna 2025

První zveřejněno (Aktuální)

25. března 2025

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

25. března 2025

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

8. ledna 2025

Naposledy ověřeno

1. dubna 2024

Více informací

Termíny související s touto studií

Klíčová slova

Další relevantní podmínky MeSH

Další identifikační čísla studie

  • LC-ML

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

produkt vyrobený a vyvážený z USA

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 .

Předplatit