Ung-debut kolorektal cancerscreening baseret på kunstig intelligens
Anvendelse af kunstig intelligens til ung-debuterende kolorektal cancerscreening baseret på elektroniske lægejournaler
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Detaljeret beskrivelse
Undersøgelsestype
Undersøgelsestype
Tilmelding (Faktiske)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
Hubei
-
Wuhan, Hubei, Kina, 430060
- Renmin Hospital of Wuhan University
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inklusionskriterier:
- Nyligt diagnosticeret med CRC (YOCRC gruppe)
- Alder ved 18-49 år ved diagnose (YOCRC-gruppe)
- Har aldrig modtaget nogen CRC-relateret behandling (YOCRC-gruppe)
- Ingen CRC bekræftet ved koloskopi eller patologi (ikke-YOCRC-gruppe)
- Alder ved 18-49 (ikke-YOCRC-gruppe)
Ekskluderingskriterier:
- Hospitalsophold mindre end 24 timer eller med ufuldstændig komplet blodtælling
- Patienter med inflammatorisk tarmsygdom eller arvelige CRC-syndromer
- Anamnese med andre typer primær malign tumor og andre årsager, der gjorde dem uegnede til indskrivning
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Antal grupper/kohorter
Kohorter og interventioner
Gruppe / kohorteGruppe / kohorte |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Patienter med ungt opstået kolorektal cancer
Patienter blev diagnosticeret med ung-debut kolorektal cancer efter at have modtaget koloskopi undersøgelse.
|
Denne undersøgelse brugte kliniske data og en maskinlæringsmodel til at screene tyktarmskræft i ungt debut.
|
|
Patienter uden ung-debut kolorektal cancer
Patienter blev udelukket fra ung-debuterende kolorektal cancer efter at have modtaget koloskopiundersøgelse.
|
Denne undersøgelse brugte kliniske data og en maskinlæringsmodel til at screene tyktarmskræft i ungt debut.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Ydeevnen af screeningmodeller for maskinlæring
Tidsramme: gennem studieafslutning, i gennemsnit 1 år
|
Ydeevnen af screeningsmodeller for kolorektal cancer med unge begyndende vil blive vurderet ved at beregne arealet under modtagerens operationskarakteristik (ROC) kurve (AUC), nøjagtighed, genkaldelse, specificitet, negativ prædiktiv værdi (NPV), positiv prædiktiv værdi (PPV, eller kaldet Precision).
|
gennem studieafslutning, i gennemsnit 1 år
|
Samarbejdspartnere og efterforskere
Sponsor
Sponsor
Efterforskere
Efterforskere
- Studiestol: Dong Weiguo, PhD, Renmin Hospital of Wuhan University
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Studiestart
Primær færdiggørelse (Faktiske)
Primær færdiggørelse
Studieafslutning (Faktiske)
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
- Weiguo Dong
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
IPD-planbeskrivelse
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 .