Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Effektivitet og sikkerhed af AI-assisteret radioterapi kontureringssoftware til thoraxorganer i fare

Prospektiv, multicenter og kontrolleret evaluering af effektivitet og sikkerhed af AI-assisteret radioterapi-kontureringssoftware i CT-billeder for thoraxorganer i fare

Målet med dette kliniske forsøg er at evaluere effektiviteten og sikkerheden af ​​AI-assisteret radioterapi-kontureringssoftware i CT-billeder for thoraxorganer i risikozonen.

Efter screening vil kvalificerede deltageres thorax-CT-billeder blive anonymiseret og randomiseret til to sekvenser, den ene med uafhængig investigator-konturering af thoraxorganer i fare, efterfulgt af udvaskningsperiode og software-assisteret konturering, og den anden i omvendt sekvens. Udvaskningsperioden varer i mindst 4 uger. Efterforskere vil ikke kun konturere organer i fare i deres eget center, men også organer i det tidligere center. De anonymiserede billeder vil blive kontureret af uafhængigt eksperthold som den gyldne standard. Eksperimentgruppen refererer til software-assisteret konturering, mens kontrolgruppen refererer til uafhængig investigator konturering. Bedømt efter den gyldne standard vil de to grupper blive sammenlignet for at evaluere effektiviteten og sikkerheden af ​​software-assisteret konturering af thoraxorganer i fare.

Studieoversigt

Status

Afsluttet

Betingelser

Intervention / Behandling

Undersøgelsestype

Observationel

Tilmelding (Faktiske)

500

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Studiesteder

    • Tianjin Municipality
      • Tianjin, Tianjin Municipality, Kina, 300060
        • Tianjin Medical University Cancer Institute and Hospital, Tianjin Key Laboratory of Cancer Prevention and Therapy

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

18 år og ældre (Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Sandsynlighedsprøve

Studiebefolkning

Patienter, mænd eller kvinder, med brystkræft, lungecancer eller esophageal cancer, med en alder ≥18 år gamle, kan tilmeldes denne undersøgelse.

Beskrivelse

Inklusionskriterier:

  1. ≥18 år gammel, ingen kønsbegrænsning;
  2. patienter, der lider af brystkræft eller lungekræft eller kræft i spiserøret, der gennemgår thorax CT-scanning, klar til strålebehandling;
  3. CT skive tykkelse ≤5 mm;
  4. patienter forstår målet med forsøget, er villige til at deltage i forsøget og underskriver det informerede samtykke.

Ekskluderingskriterier:

  1. medfødt misdannelse eller anatomisk anomali på scannede steder;
  2. artefakt, protese eller implantation, der forårsager billeder, der ikke kan skelnes;
  3. CT-billeder, der ikke overholder DICOM-standarder;
  4. efterforskere finder ikke egnet.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Kohorter og interventioner

Gruppe / kohorte
Uafhængig manuel konturering
Manuel konturering refererer til læger, der bruger børsteværktøjet på konturplatformen til manuelt at segmentere thoraxorganer, der er i fare, uden brug af autosegmenteringsværktøjer.
AI-assisteret konturering
Efter generering af AI-konturresultaterne vil efterforskere importere dem til konturplatformen og udføre manuelle modifikationer, hvilket producerer den AI-støttede konturering.
AI-konturering
AI-konturering refererer til auto-segmenteringsresultaterne genereret af Res-SE Net-modellen, hvor modellen er integreret i auto-segmenteringssoftwaren (iCurveE).

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Kontureringstid (min)
Tidsramme: Inden for 6 måneder efter tilmelding
Manuel kontureringstid registreres fra det tidspunkt, hvor CT'en indlæses på konturplatformen til færdiggørelsen af ​​kontureringen. AI-assisteret kontureringstid er defineret som summen af ​​autosegmenteringsmodellens køretid, overførslen til konturplatformen og den efterfølgende manuelle modifikation.
Inden for 6 måneder efter tilmelding
volumetrisk DICE-lighedskoefficient, vDSC
Tidsramme: Inden for 6 måneder efter tilmelding
vDSC = 2 × (A ∩ B) / (A + B), hvor A refererer til sandhedens volumen, og B refererer til volumenet af den manuelle, AI eller AI-assisterede kontur.
Inden for 6 måneder efter tilmelding

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Tidseffektivitetsforbedring
Tidsramme: Inden for 6 måneder efter tilmelding
Forbedring af effektivitetstid = (manuel konturvarighed - AI-assisteret konturvarighed)/ manuel konturvarighed*100 %
Inden for 6 måneder efter tilmelding
95. percentil Hausdorff-afstand, HD95
Tidsramme: Inden for 6 måneder efter tilmelding
HD95(A, B) = max (h95(A, B), h95(B, A)), hvor h95(A, B) er det 95. percentil af de korteste afstande fra alle punkter på overflade A til overflade B, og omvendt for h95(B, A). A repræsenterer grundsandheden og B repræsenterer den manuelle, AI- eller AI-assisterede afgrænsning
Inden for 6 måneder efter tilmelding
Overfladisk DICE-lighedskoefficient, sDSC
Tidsramme: Inden for 6 måneder efter tilmelding
sDSC = (|S(A) ∩ S(B)τ| + |S(B) ∩ S(A)τ|) / (|S(A)| + |S(B)|), hvor S(A) og S(B) er punktmængderne på overfladerne af A og B, S(B)τ repræsenterer punkterne på overflade B, der ligger inden for tolerance τ af overflade A, og S(A)τ repræsenterer punkterne på overflade A, der ligger inden for tolerance τ af overflade B. A repræsenterer grundsandheden og B repræsenterer den manuelle, AI- eller AI-assisterede afgrænsning
Inden for 6 måneder efter tilmelding
Volumetrisk revisionsindeks, VRI
Tidsramme: Inden for 6 måneder efter tilmelding
VRI = [(A- A∩B) + (B- A∩B)] / A, hvor A henviser til grundsandhedens volumen, og B henviser til volumenet af den manuelle, AI- eller AI-assisterede kontur.
Inden for 6 måneder efter tilmelding
Genkald, Genk
Tidsramme: Inden for 6 måneder efter tilmelding
Rec = | A∩B| / A, hvor A henviser til volumenet af den sande grund, og B henviser til volumenet af den manuelle, AI eller AI-assisterede kontur.
Inden for 6 måneder efter tilmelding
Præcision, Pre
Tidsramme: Inden for 6 måneder efter tilmelding
Præ= |A∩B| / B, hvor A henviser til volumen af grundsandheden, og B henviser til volumen af manuel, AI eller AI-assisteret kontur.
Inden for 6 måneder efter tilmelding
Relativ volumenforskel, RVD
Tidsramme: Inden for 6 måneder efter indmeldelsen
RVD = |A-B| /A, hvor A henviser til grundsandhedens volumen, og B henviser til volumen for den manuelle, AI eller AI-assisterede kontur.
Inden for 6 måneder efter indmeldelsen
Undersøgernes tilfredshedsscore for AI-konturering
Tidsramme: Inden for 6 måneder efter tilmelding
Evaluering på en Likert-skala fra 1-5: 1 - stærkt utilfreds, 2 - utilfreds, 3 - neutral, 4 - tilfreds, 5 - stærkt tilfreds.
Inden for 6 måneder efter tilmelding

Andre resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Antal uønskede hændelser, AE'er
Tidsramme: Inden for 1 dag efter CT-scanning
Deltager Bivirkninger under CT-scanning
Inden for 1 dag efter CT-scanning
Antal enhedsdefekter under AI-assisteret konturering
Tidsramme: Inden for 6 måneder efter tilmelding
Antal fejl i generering, overførsel eller lagring af auto-segmenteringsresultater
Inden for 6 måneder efter tilmelding

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Samarbejdspartnere

Efterforskere

  • Ledende efterforsker: Zhiyong Yuan, Ph.D., Tianjin Medical University Cancer Institute and Hospital

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

30. september 2022

Primær færdiggørelse (Faktiske)

27. juli 2023

Studieafslutning (Faktiske)

6. marts 2024

Datoer for studieregistrering

Først indsendt

2. marts 2023

Først indsendt, der opfyldte QC-kriterier

27. marts 2023

Først opslået (Faktiske)

28. marts 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

12. februar 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

9. februar 2026

Sidst verificeret

1. februar 2026

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • PVMEDCT202201

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

JA

IPD-planbeskrivelse

Protokollen for denne undersøgelse er tilgængelig fra den tilsvarende forfatter efter rimelig anmodning efter manuskriptudgivelsen.

IPD-delingstidsramme

Begyndende 1 år efter udgivelsen uden slutdato.

IPD-delingsadgangskriterier

Anmodninger skal omfatte en detaljeret protokol, analyseplan og dataudveksling med institutionelle godkendelser på plads før dataoverførsel af enhver information.

IPD-deling Understøttende informationstype

  • STUDY_PROTOCOL

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

produkt fremstillet i og eksporteret fra U.S.A.

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .