Deep Learning Signatur til forudsigelse af aggressivt histologisk mønster i resekeret ikke-småcellet lungekræft
Positron-emissionstomografi/computertomografi (PET/CT) baseret dyb læringssignatur til forudsigelse af aggressivt histologisk mønster i resekeret ikke-småcellet lungekræft
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Tilmelding (Anslået)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Guizhou
-
Zunyi, Guizhou, Kina
- Rekruttering
- Affiliated Hospital of Zunyi Medical University
-
Kontakt:
- Yongxiang Song, Dr
- Telefonnummer: 15505177258
- E-mail: zhong961008@163.com
-
-
Jiangxi
-
Nanchang, Jiangxi, Kina
- Rekruttering
- The First Affiliated Hospital of Nanchang University
-
Kontakt:
- Bentong Yu, Dr
- Telefonnummer: 021-65115006
- E-mail: 1151697503@qq.com
-
-
Zhejiang
-
Ningbo, Zhejiang, Kina
- Rekruttering
- Ningbo HwaMei Hospital
-
Kontakt:
- Minglei Yang, Dr
- Telefonnummer: 021-65115006
- E-mail: almondjj@163.com
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
(1) Deltagere, der er planlagt til operation for radiologisk fund af pulmonale læsioner fra de præoperative tyndsektions-CT-scanninger; (2) Patologisk bekræftelse af primær NSCLC; (3) Alder fra 20-75 år; (4) Indhentet skriftligt informeret samtykke.
Ekskluderingskriterier:
(1) Multiple lungelæsioner; (2) Dårlig kvalitet af PET-CT-billeder; (3) Deltagere med ufuldstændig klinisk information; (4) Deltagere, der har modtaget neoadjuverende terapi.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Område under modtagerens funktionskarakteristikkurve
Tidsramme: 2023.5.1-2023.10.31
|
Arealet under modtagerens operationskarakteristiske kurve (ROC) af deep learning-modellen til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster.
Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI).
Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
|
2023.5.1-2023.10.31
|
Sekundære resultatmål
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Følsomhed
Tidsramme: 2023.5.1-2023.10.31
|
Følsomheden af den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster.
Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI).
Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
|
2023.5.1-2023.10.31
|
Andre resultatmål
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Specificitet
Tidsramme: 2023.5.1-2023.10.31
|
Specificiteten af den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster.
Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI).
Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
|
2023.5.1-2023.10.31
|
|
Positiv prædiktiv værdi
Tidsramme: 2023.5.1-2023.10.31
|
Den positive prædiktive værdi af den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster.
Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI).
Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
|
2023.5.1-2023.10.31
|
|
Negativ prædiktiv værdi
Tidsramme: 2023.5.1-2023.10.31
|
Den negative prædiktive værdi af den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster.
Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI).
Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
|
2023.5.1-2023.10.31
|
|
Nøjagtighed
Tidsramme: 2023.5.1-2023.10.31
|
Nøjagtigheden af den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster.
Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI).
Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
|
2023.5.1-2023.10.31
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Samarbejdspartnere
Samarbejdspartnere
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Anslået)
Primær færdiggørelse
Studieafslutning (Anslået)
Studieafslutning
Datoer for studieregistrering
Først indsendt
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Først opslået
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering sendt
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
Andre undersøgelses-id-numre
- DLAHP
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
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 .