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

Forbedring af behandling af glioblastom: skelne progression fra pseudoprogression

20. april 2023 opdateret af: Guy's and St Thomas' NHS Foundation Trust

Forbedring af behandling af glioblastom ved at skelne progression fra pseudoprogression ved at anvende maskinlæringsteknikker på rutinemæssige kliniske data

Glioblastom er den mest aggressive form for hjernekræft og fører i gennemsnit til 20 år tabt af livet, mere end nogen anden cancer. Der tages MR-billeder af hjernen før operationen, og med få måneders mellemrum efter behandlingen, for at se om kræften vokser ud igen. Det kan være svært for læger at sige, om det, de ser på disse billeder, repræsenterer voksende kræft eller en bivirkning af behandlingen. Ligheden mellem behandlingsbivirkningernes udseende og cancer er forvirrende og er kendt som "pseudoprogression" (i modsætning til ægte cancerprogression).

Hvis læger forveksler udseendet af behandlingsbivirkninger med voksende kræft, kan de tro, at behandlingen fejler og ændre patientens behandling for tidligt eller sætte dem i et klinisk forsøg. Det betyder, at patienterne muligvis ikke får den fulde behandling, og at resultaterne fra nogle kliniske forsøg ikke kan stole på.

Formålet med denne undersøgelse er at give lægerne et computerprogram, der vil bruge MR-billeder af hjernen, som rutinemæssigt tages under behandlingen, for at hjælpe dem mere præcist med at identificere, hvornår kræften vokser ud igen.

Studieoversigt

Status

Rekruttering

Betingelser

Detaljeret beskrivelse

Virkningen af ​​pseudoprogression er betydelig på patientpleje og medicinsk forskning. Den eksisterende evidens viser, at det er muligt at bruge Support Vector Machine og Deep Learning klassifikationsmodeller til at forudsige overlevelse ved hjælp af rutine MR-billeder samt differentiere progression fra pseudoprogression. Forskerne ønsker at fange signalændringer over tid i rutinemæssige MR-billeder ved hjælp af parametriske responskort (via en state-of-the-art postoperativ til præoperativ billedregistreringsmetode, som de har udviklet) og bruge sådanne klassifikatorer til at differentiere progression fra pseudoprogression. Den forskning, som efterforskerne foreslår, er nødvendig for at give en løsning på problemet med pseudoprogression og blive implementeret på tværs af NHS nemt og effektivt. Det er vigtigt, at dette ikke afhænger af avancerede billedbehandlingsteknikker.

Data indsamlet på KCH fra de sidste 24 måneder viser, at selv på et førende gliombilleddannelsescenter havde kun 66 % af patienterne avanceret billeddannelse (f.eks. DSC-MRI) udført på tidspunktet for stigning i kontrastforøgelse, dvs. mulig progression. Det primære formål med denne forskning er at bruge rutinemæssige kliniske MR-data for at træne klassificereren. Dette vil øge anvendeligheden af ​​klassifikatoren, da sådanne rutinemæssige MR-data kan indhentes af alle billedbehandlingscentre, og den nye klassifikator kan derfor give en meget mere omkostningseffektiv løsning end en alternativ klassifikator, som kan afhænge af avancerede billeddannelsesteknikker.

Indledende træning, test og krydsvalidering af en klassifikationsmodel vil blive udført ved hjælp af MRI-data for glioblastom opnået fra offentligt tilgængelige billedbehandlingsarkiver og King's College Hospital (KCH), London. Til klinisk validering vil den trænede model gennemgå test ved hjælp af MR-data fra patienter rekrutteret prospektivt.

Undersøgelsestype

Observationel

Tilmelding (Forventet)

500

Kontakter og lokationer

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

Studiekontakt

Undersøgelse Kontakt Backup

Studiesteder

  • Det Forenede Kongerige
      • Brighton, Det Forenede Kongerige, BN2 5BE
        • Rekruttering
        • Royal Sussex County Hospital, Brighton and Sussex University Hospitals NHS Trust
        • Ledende efterforsker:
          • Ed Chandy
      • Cardiff, Det Forenede Kongerige, CF14 2TL
        • Rekruttering
        • Velindre Cancer Centre, Velindre University NHS Trust
        • Ledende efterforsker:
          • James Powell
      • Dundee, Det Forenede Kongerige, DD1 9SY
        • Rekruttering
        • Ninewells Hospital and Medical School, NHS Tayside
        • Ledende efterforsker:
          • Avinash Kanodia
      • Hull, Det Forenede Kongerige, HU3 2KZ
        • Rekruttering
        • Hull Royal Infirmary, Hull University Teaching Hospitals NHS Trust
        • Ledende efterforsker:
          • Chris Rowland Hill
      • Leeds, Det Forenede Kongerige, LS1 3EX
        • Rekruttering
        • Leeds General Infirmary, The Leeds Teaching Hospitals NHS Trust
        • Ledende efterforsker:
          • Ryan Mathew
      • London, Det Forenede Kongerige, W6 8RF
        • Rekruttering
        • Charing Cross Hospital, Imperial College Healthcare NHS Trust
      • London, Det Forenede Kongerige, SE1 9RT
        • Rekruttering
        • Guy's Hospital, Guy's and St Thomas' NHS Foundation Trust
        • Ledende efterforsker:
          • Haris Shuaib
      • London, Det Forenede Kongerige, SE5 9RS
        • Rekruttering
        • King's College Hospital, King's College Hospital NHS Trust
      • London, Det Forenede Kongerige, WC1N 3BG
        • Rekruttering
        • National Hospital for Neurology and Neurosurgery, University College London Hospitals NHS Foundation Trust
        • Ledende efterforsker:
          • Steffi Thust
      • Manchester, Det Forenede Kongerige, M20 4BX
        • Rekruttering
        • The Christie Hospital, The Christie NHS Foundation Trust
        • Ledende efterforsker:
          • Sean Tenant
      • Newcastle, Det Forenede Kongerige, NE7 7DN
        • Rekruttering
        • Newcastle upon Tyne Hospitals NHS Foundation Trust- Newcastle Freeman Hospital
        • Ledende efterforsker:
          • Joanne Lewis
      • Nottingham, Det Forenede Kongerige, NG7 2UH
        • Rekruttering
        • Nottingham University Hospitals NHS Trust- City Hospital
      • Plymouth, Det Forenede Kongerige, PL6 8DH
        • Rekruttering
        • University Hospitals Plymouth NHS Trust
        • Ledende efterforsker:
          • Mark Thurston
      • Preston, Det Forenede Kongerige, PR2 9HT
        • Rekruttering
        • Lancashire Teaching Hospitals NHS Foundation Trust
        • Ledende efterforsker:
          • Erica Beamount
      • Sutton, Det Forenede Kongerige, SM2 5PT
        • Rekruttering
        • The Royal Marsden Hospital, Royal Marsden NHS Foundation Trust
        • Ledende efterforsker:
          • Liam Welsh

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 til 80 år (Voksen, Ældre voksen)

Tager imod sunde frivillige

Ingen

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Patienter med højgradigt glioblastom

Beskrivelse

Inklusionskriterier:

  • Diagnosticeret med glioblastom (World Health Organization grad IV)
  • Patient, der gennemgår standardbehandlingen Stupp
  • Har fået foretaget en før-kirurgisk scanning og mindst én opfølgende scanning efter kemoradiation

Ekskluderingskriterier:

  • Utilstrækkelig klinisk og radiologisk opfølgning
  • Patientens behandling afviger meget fra standard Stupp-regimen, da de rekrutteres til interventionelle forsøg, og der kendes ikke tilstrækkelig information om patientens forsøgsbehandling.
  • Patienter, der modtager behandling med angiogenesehæmmere såsom bevacizumab før afslutningen af ​​Stupp-kuren

Studieplan

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

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Observationsmodeller: Kohorte
  • Tidsperspektiver: Fremadrettet

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Nøjagtighed af den kunstige intelligens-model
Tidsramme: Op til 36 måneder
Defineret af en forvirringsmatrix af følsomhed og specificitet over for sande positive og sande negative.
Op til 36 måneder

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Fejlrate for den kunstige intelligens-model
Tidsramme: Op til 36 måneder
Den hastighed, som testen ikke kan give et resultat (f.eks. på grund af dårlig kvalitet eller manglende data)
Op til 36 måneder

Samarbejdspartnere og efterforskere

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

Sponsor

Guy's and St Thomas' NHS Foundation Trust

Samarbejdspartnere

King's College London

Efterforskere

  • Ledende efterforsker: Thomas Booth, King's College London

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)

21. marts 2019

Primær færdiggørelse (Forventet)

26. maj 2024

Studieafslutning (Forventet)

26. maj 2025

Datoer for studieregistrering

Først indsendt

21. april 2020

Først indsendt, der opfyldte QC-kriterier

21. april 2020

Først opslået (Faktiske)

24. april 2020

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

21. april 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

20. april 2023

Sidst verificeret

1. april 2023

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 5.0 15/01/21

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

UBESLUTET

IPD-planbeskrivelse

Fuldstændigt anonymiserede datasæt (inklusive billeddannelse og relevante kliniske data) kan ved afslutningen af ​​undersøgelsen deles med offentlige depoter med det formål at fremme forskning og udvide samarbejder, så længe alle regler relateret til databasen er fuldt ud godkendt af HRA og REC.

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

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 .

Kliniske forsøg med Glioblastom

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Mongolia

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner