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

ALK digitální patologie Výsledek předpověď, multi institucionální, restrovnární studie (ALKDigPath)

20. února 2025 aktualizováno: Sheba Medical Center

ALK digitální patologie Predikce výsledku

Cílem této observační studie je vyvinout klasifikátor založený na analýze patologického obrazu založený na AI, který může identifikovat pacienty pravděpodobně významně prospěch z aktuálně využívaných inhibitorů ALK první linie (inhibitory ALK pro pokročilé generace). Naším cílem je klasifikátor s konečnou hodnotou ROC-AUC 0,75.

Přehled studie

Detailní popis

Toto je retrospektivní studie. Všechna data byla shromážděna v různých časových bodech během rutinních návštěv pacientů v nemocnici.

  1. Shromažďování retrospektivní sady pacientů s ALK s pokročilým NSCLC, kteří dostávali léčbu inhibitoru ALK pro pokročilou generaci jako první inhibitor ALK (tj. Alektinib, lorlatinib, brigatinib nebo ceritinib): Shromažďování klinických údajů, patologická data, reakce na léčbu a skenování H&E obrazy
  2. Analýza obrazu naskenovaných obrazů H&E, vývoj klasifikátoru dat pro identifikaci respondentů vs. nereagujícími.

Analýza obrázků a vývoj AI budou prováděny ve zdravotnickém centru SHEBA, interního vývoje. Klinické údaje budou analyzovány, označující vzorky studie jako náležející k respondentu (R), vs. ne-responder (NR). Pro účely této studie bude NR definován jako pacient, který postupoval nebo zemřel při léčbě inhibitoru ALK během prvního roku léčby.

Případy studie budou náhodně rozděleny na tři: tréninková kohorta, ověřovací kohorta a testovací kohorta. Kohorty budou stratifikovány reakcí na léčbu (tj. Stejný podíl případů R vs. NR v každé kohortě). Dále budou naskenované obrázky zpracovány a analyzovány. Analýza snímků by byla provedena pomocí Pythonu pomocí balíčků Pytorch. Další statistická analýza bude provedena se statistickým programováním R.

Nejprve je celý snímek (WSI) rozdělen do tisíců dlaždic. Ty jsou zkoumány konvoluční neuronovou sítí (CNN) k extrahování vlastností hladiny dlaždic. Jako CNN budeme používat Resnet, běžný model hlubokého učení používaného pro počítačové vidění. CNN bude vyškolena s více instancemi učení (MIL) na úrovni dlaždic a později bude předpokládaná skóre agregována pro úroveň WSI. Konečný model bude proveden na snímcích, aby se rozlišilo mezi R vs. NR. Klasifikátor bude vyvinut na tréninkové kohortě, v případě potřeby modifikován po zpracování validační kohorty a nakonec testován na účinnost na testovací kohortě. Používají se také techniky křížových validací.

Naším cílem je použít tuto techniku, abychom mohli identifikovat podskupinu pacientů s ALK, kteří by mohli být kandidáty pro agresivnější možnosti léčby.

Typ studie

Pozorovací

Zápis (Odhadovaný)

200

Kontakty a umístění

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

Studijní místa

      • Ramat Gan, Izrael, 5262000
        • Sheba medical center

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

ALK pozitivní pacienti s pokročilým NSCLC, kteří dostali léčbu inhibitoru ALK pro pokročilou generaci jako první inhibitor ALK

Popis

Kritéria pro zařazení:

  • Pacient ve věku ≥ 18 let;
  • Pacient s onkologickým onemocněním;
  • ALK pozitivní pacienti s pokročilým NSCLC, kteří dostávali léčbu inhibitoru ALK pro pokročilou generaci jako první inhibitor ALK (tj. Alektinib, lorlatinib, brigatinib nebo ceritinib)

Kritéria pro vyloučení:

  • Absence informací o posledním obdrženém onkologickém ošetření;
  • Pacient bez obecného nebo konkrétního souhlasu této studie

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
Klasifikátor předpovídající výsledek pro pokročilé NSCLC ALK+ pacienty při léčbě inhibitoru ALK
Časové okno: 36 měsíců
Klasifikátor předpovídající výsledek pro pokročilé NSCLC ALK+ pacienty při léčbě inhibitoru ALK, založenou na analýze AI digitální patologické obrazy diagnostické biopsie
36 měsíců

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Vyšetřovatelé

  • Vrchní vyšetřovatel: Jair Bar, MD-PhD, Sheba Medical Cernter

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)

13. srpna 2023

Primární dokončení (Odhadovaný)

1. prosince 2027

Dokončení studie (Odhadovaný)

1. prosince 2028

Termíny zápisu do studia

První předloženo

20. února 2025

První předloženo, které splnilo kritéria kontroly kvality

20. února 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

20. února 2025

Naposledy ověřeno

1. srpna 2024

Více informací

Termíny související s touto studií

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

ANO

Popis plánu IPD

Na základě inidividuálních požadavků

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 .

Předplatit