Radiomikbaseret AI-model til forudsigelse af para-aorta lymfeknude-metastase hos gastriske kræftpatienter
En prospektiv klinisk undersøgelse af radiomikbaseret kunstig intelligens til at forudsige para-aorta lymfeknude-metastase hos patienter med gastrisk kræft
Studieoversigt
Status
Status
Betingelser
Betingelser
Intervention / Behandling
Intervention / Behandling
Undersøgelsestype
Undersøgelsestype
Tilmelding (Anslået)
Tilmelding
Kontakter og lokationer
Studiesteder
-
-
None Selected
-
Shijiazhuang, None Selected, Kina, 050011
- The Fourth Hospital of Hebei Medical University
-
-
Deltagelseskriterier
Berettigelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Prøveudtagningsmetode
Studiebefolkning
Beskrivelse
Inkluderingskriterier:
- Voksne i alderen 18-80 år.
- Histologisk bekræftet gastrisk adenocarcinom.
- Planlagt til at gennemgå radikal gastrektomi med eller uden para-aorta lymfeknude dissektion.
- Preoperativ kontrastforbedret abdominal CT-scanning tilgængelig inden for 3 uger før operationen.
- Intet bevis for fjern metastase ved billeddannelse.
- ECOG Performance Status 0-2.
- Leveret skriftligt informeret samtykke.
Ekskluderingskriterier:
- Historie om andre ondartede tumorer inden for de sidste 5 år.
- Modtaget neoadjuvant kemoterapi eller strålebehandling inden CT -billeddannelse.
- Dårlig kvalitet eller ufuldstændige CT-billeder, der ikke er egnede til radiomikanalyse.
- Alvorlige komorbiditeter, der kan påvirke prognose eller kirurgisk beslutningstagning.
- Graviditet eller amning.
- Manglende evne til at give informeret samtykke eller overholde undersøgelsesprocedurer.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Diagnostisk nøjagtighed af AI-radiomikmodellen til forudsigelse af para-aorta lymfeknude-metastase i gastrisk kræft
Tidsramme: Fra præoperativ billeddannelse til postoperativ patologisk bekræftelse (ca. 4-6 uger pr. Patient)
|
Det primære resultat er den diagnostiske ydelse af den radiomikbaserede AI-model til at forudsige para-aorta lymfeknude-metastase (PALNM) hos patienter med gastrisk kræft.
Ydeevne evalueres ved at beregne området under modtagerens driftskarakteristikkurve (AUC), følsomhed, specificitet, nøjagtighed og forudsigelige værdier.
Jordens sandhed for PALNM -status vil være baseret på postoperative patologiske fund eller tværfaglige konsensusdiagnose.
Modellens forudsigelser vil blive sammenlignet med faktiske kliniske resultater for at vurdere dens pålidelighed og kliniske anvendelighed.
|
Fra præoperativ billeddannelse til postoperativ patologisk bekræftelse (ca. 4-6 uger pr. Patient)
|
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
- GC-RAD-AI-2025-01
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 .