Udviklingen, sikkerheden og gennemførligheden af en kunstig intelligens-drevet platform (NodeAI) til realtidsforudsigelse af mediastinal lymfeknude malignitet under endobronchial ultralydsstadieinddeling for lungekræft (NodeAI)
Lungekræft er den førende årsag til årlige kræftdødsfald globalt, mere end bryst-, prostata- og tyktarmskræft tilsammen. Stadieinddelingen af thoraxlymfeknuder (LN'er) er et afgørende skridt i den lungekræftdiagnostiske vej, fordi den hjælper med behandlingsbeslutninger - uanset om en patient er en kandidat til lungeresektion, kemoterapi, stråling eller multimodale behandlinger. Endobronchial Ultrasound Transbronchial Needle Aspiration (EBUS-TBNA) er den nuværende standard for thorax nodal stadieinddeling for ikke-småcellet lungecancer (NSCLC), og retningslinjer kræver, at systematisk prøveudtagning (SS) af mindst 3 thorax LN-stationer udføres rutinemæssigt for nøjagtig iscenesættelse. Desværre giver EBUS-TBNA unøjagtige resultater hos 40 % af patienterne, hvilket fører til misinformerede behandlingsbeslutninger. Denne andel er meget højere hos patienter med Triple Normal LN'er [LN'er, der virker normale på computertomografi (CT)-scanninger, positronemissionstomografi (PET)-scanninger og EBUS], som har vist sig at have en > 93 % chance for at være virkelig godartet. Dette skyldes, at EBUS-TBNA er baseret på ultralyd, hvis succes i høj grad afhænger af dygtigheden hos den person, der udfører det (operatør). Når operatøren laver en fejl, er hele proceduren i fare. Dette forårsager nedstrøms forsinkelser i behandlingen på grund af gentagne tests og dårligt informerede behandlingsbeslutninger.
I løbet af det sidste årti har efterforskeren gennemført en række forskningsundersøgelser og forsøg: udvikling og validering af Canadas lymfeknude-score (CLNS) - et kirurg-afledt semi-kvantitativt mål for LN-malignitet; en kunstig intelligens (AI)-baseret version af CLNS til at forudsige malignitet; og en fuldt autonom AI, der lærte at forudsige malignitet direkte fra ultralydsbilleder, for at introducere AI til beslutningsvejen i NSCLC. Dette resulterede i skabelsen af en AI-drevet software til at forudsige malignitet i mediastinale LN'er hos patienter med lungekræft. Softwaren er i øjeblikket placeret i cloud storage, og dens applikationer er latente - hvilket betyder, at LN billeder skal uploades til softwaren, og resultater modtages på et fremtidigt tidspunkt. I sin nuværende form er softwaren ikke klar til klinisk anvendelse på grund af denne latenstid. I dette projekt sigter efterforskeren på at bygge en point-of-care-enhed, som skal huse softwaren (NodeAI) og levere resultater i realtid til kirurgen, og denne enhed vil blive testet i et klinisk forsøg.
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Tilmelding (Anslået)
Tilmelding
Fase
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiekontakt
Studiekontakt
- Navn: Waël C. Hanna, MDCM, MBA, FRCSC
- Telefonnummer: 35916 (905) 522-1155
- E-mail: hannaw@mcmaster.ca
Undersøgelse Kontakt Backup
- Navn: Yogita S. Patel, BSc
- Telefonnummer: 35096 (905) 522-1155
- E-mail: patelys@mcmaster.ca
Studiesteder
-
-
Ontario
-
Hamilton, Ontario, Canada, L8N 4A6
- Rekruttering
- St. Joseph's Healthcare Hamilton
-
Kontakt:
- Yogita S. Patel, BSc.
- Telefonnummer: 35096 905-522-1155
- E-mail: patelys@mcmaster.ca
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Beskrivelse
Inklusionskriterier:
- Patienter ≥ 18 år diagnosticeret med mistænkt eller bekræftet NSCLC baseret på CT- og PET-scanninger, der henvises til thorax-stadieinddeling af EBUS-TBNA
- CT- og PET-scanninger gennemført
Ekskluderingskriterier:
- Patienter med cN0-sygdom OG perifere tumorer OG tumorer < 2 cm i diameter (de kræver ikke thoraxstadion)
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Diagnostisk
- Tildeling: Ikke-randomiseret
- Interventionel model: Crossover opgave
- Maskning: Ingen (Åben etiket)
Antal våben
Våben og indgreb
Deltagergruppe / ArmDeltagergruppe / Arm |
Intervention / BehandlingIntervention / Behandling |
|---|---|
|
Eksperimentel: NodeAI
Ultralydsvideoen og billederne af hvert LN vil blive analyseret af NodeAI, som vil tildele et CLNS for hvert LN baseret på de fire ultralydstræk ved CLNS, forudsige LN-malignitet og bestemme, om det skal biopsieres eller ej.
|
Ultralydsvideoen og billederne af hvert LN vil blive analyseret af NodeAI, som vil tildele et CLNS for hvert LN baseret på de fire ultralydstræk ved CLNS, forudsige LN-malignitet og bestemme, om det skal biopsieres eller ej.
|
|
Aktiv komparator: Kirurg
Ultralydsvideoen og billederne af hvert LN vil først blive analyseret af kirurgen, som vil tildele et CLNS for hvert LN baseret på de fire ultralydstræk ved CLNS, forudsige LN-malignitet og bestemme, om det skal biopsieres eller ej.
|
Ultralydsvideoen og billederne af hvert LN vil først blive analyseret af kirurgen, som vil tildele et CLNS for hvert LN baseret på de fire ultralydstræk ved CLNS, forudsige LN-malignitet og bestemme, om det skal biopsieres eller ej.
|
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
NodeAI's evne til at forudsige lymfeknudemalignitet ud fra ultralydsbilleder af lymfeknuder i realtid under EBUS ved sengen
Tidsramme: 3 uger efter EBUS-proceduren
|
Dette vil blive kvantificeret ved procenten af lymfeknuder, hvor ovenstående er vellykket sammenlignet med patologi
|
3 uger efter EBUS-proceduren
|
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
- NodeAI Feasibility
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 .