Vývoj a prospektivní validace modelu multimodální fúzní umělé inteligence pro predikci účinnosti neoadjuvantní léčby rakoviny močového měchýře
Přehled studie
Postavení
Podmínky
Intervence / Léčba
Detailní popis
Rakovina močového měchýře je jednou z nejčastějších malignit genitourinárního systému po celém světě. U svalu - invazivní rakoviny močového měchýře přístupná radikální resekci je standardní léčbou neoadjuvantní terapie kombinovaná s radikální cystektomií, přičemž neoadjuvantní terapie hraje klíčovou roli. V současné době četné studie ukázaly, že neoadjuvantní chemoterapie na bázi cisplatiny může nádory down -pódium, snížit riziko úmrtnosti u pacientů s rakovinou močového měchýře, zlepšit míru přežití a zvýšit prognózu. Rovněž jsou také zkoumány další léčebné přístupy, jako je neoadjuvantní imunoterapie, cílená terapie a kombinované terapie. Reakce na neoadjuvantní terapii se však liší u pacientů s rakovinou močového měchýře, přičemž některé nedosahují požadovaných terapeutických cílů. Přesně předpovídání reakce účastníků na léčbu proto může poskytnout důležitý reference pro personalizovanou a přesnou léčbu rakoviny močového měchýře.
V posledních letech byla umělá inteligence (AI) v oblasti digitální diagnostiky široce aplikována jako pokrok ve výpočetní kapacitě výpočetní energie a dat. Technologie AI mohou extrahovat a integrovat velké množství funkcí z multimodálních dat, jako je patologie, zobrazování a klinické záznamy, což umožňuje přesnou diagnostiku onemocnění, hodnocení prognózy a predikci léčby. V oblasti predikce léčby nádoru dosáhly multimodální technologie AI řadu průlomů, vyvinuly modely predikce účinnosti pro nádory, jako je rektální a rakovina prsu založená na zobrazování a patologických datech, a ověření možností zobecnění modelů prostřednictvím externí ověření.
Vyšetřovatelé proto plánují konstruovat a ověřit „model predikce účinnosti rakoviny močového měchýře na základě predikce účinnosti léčby na základě multimodálních údajů, jako jsou MRI obrazy, obrazy digitální patologie a klinické záznamy pacientů s rakovinou močového měchýře, a vyvinout software pro predikci AI pro efektivitu neoadjuvantní léčby u rakoviny močového měchýře. Vyšetřovatelé doufají, že tento diagnostický model AI může sloužit jako pomocný nástroj, který by pomohl klinickým lékařům při stratifikaci účinnosti neoadjuvantní léčby u pacientů s rakovinou močového měchýře, čímž formuloval přesné léčebné plány, snížil spotřebu lidských a materiálních zdrojů a zabavil optimální možnosti léčby.
Typ studie
Zápis (Aktuální)
Kontakty a umístění
Studijní místa
-
-
Guangdong
-
Guangzhou, Guangdong, Čína, 510080
- Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dítě
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Metoda odběru vzorků
Studijní populace
Popis
Kritéria pro zařazení:
- Močový měchýř zabírající léze s histopatologickým potvrzením rakoviny močového měchýře po resekci.
- Plánovaná neoadjuvantní terapie a radikální cystektomie.
Kritéria pro vyloučení:
- Pacienti, kteří podstoupili standardní zobrazovací zkoušky močového měchýře nebo mají chybějící zobrazování nebo patologická data.
- Pacienti, kteří dostávali místní léčbu (jako je intervenční embolizace) nebo systémová léčba (jako je radioterapie, chemoterapie, imunoterapie nebo cílená terapie).
- Špatná kvalita zobrazování nebo patologických obrazů.
Studijní plán
Jak je studie koncipována?
Detaily designu
Kohorty a intervence
Skupina / kohorta |
Intervence / Léčba |
|---|---|
|
Pacienti s rakovinou močového měchýře podstupující neoadjuvantní terapii
Pacienti patologická diagnostikovaná s rakovinou močového měchýře podstupující neoadjuvantní terapii.
|
Collect magnetic resonance imaging and pathological slides of resected tumor of the enrolled patients.
Analyze the data using the AI model to generate predictive results (sensitive or insensitive to the neoadjavant therapy).
No intervention to patients would be performed in this diagnostic test study.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
AUC (Area Under the Receiver Operating Characteristic Curve)
Časové okno: For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
|
A comprehensive metric reflecting the overall discriminative ability of the AI model, which integrates the model's sensitivity and specificity across all possible threshold values.
It quantifies the probability that the model will correctly rank a randomly selected therapy-sensitive patient higher than a randomly selected therapy-insensitive patient.
|
For each enrolled patient, the AI model's prediction results will be generated within several days after neoadjuvant therapy. The AUC of the model will be evaluated upon study completion, an average of 3 years.
|
Sekundární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
sensitivity
Časové okno: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
|
the number of correctly diagnosed positive patient (sensitive to therapy), to be divided by the number of patients in total.
|
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the sensitivity of the AI model will be evaluated through study completion, an average of 3 year.
|
|
specificity
Časové okno: For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
|
the number of correctly diagnosed negative patients (therapy insensitive), to be divided by the number of negative patients in total.
|
For each enrolled patient, the predictive results of AI model will be obtained in several days after neoadjuvant therapy, and the specificity of the AI model will be evaluated through study completion, an average of 3 year.
|
Spolupracovníci a vyšetřovatelé
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Aktuální)
Dokončení studie (Aktuální)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Klíčová slova
Další relevantní podmínky MeSH
- Urogenitální onemocnění
- Urogenitální novotvary
- Novotvary podle místa
- Novotvary
- Mužská urogenitální onemocnění
- Urologická onemocnění
- Ženské urogenitální onemocnění
- Ženské urogenitální onemocnění a těhotenské komplikace
- Urologické novotvary
- Onemocnění močového měchýře
- Novotvary
- Algoritmy
- Matematické koncepty
- Umělá inteligence
Další identifikační čísla studie
- SYSKY-2024-738-01
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Popis plánu IPD
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
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 .