- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05096533
Anvendelsesværdien af kunstig intelligens i MR-præcisionsdiagnostik og behandling af blærekræft
19. oktober 2021 opdateret af: The First Affiliated Hospital with Nanjing Medical University
Prospektiv multicenter klinisk undersøgelse af anvendelsesværdien af kunstig intelligens i MR-præcisionsdiagnose og behandling af blærekræft
Denne undersøgelse var et prospektivt, multicenter observationelt klinisk studie. I alt 150 patienter med malign blæretumor, som blev indlagt på urologisk afdeling på hvert center til behandling og gennemgik elektrisk resektion eller radikal cystektomi, var planlagt til at blive indskrevet.
For at analysere sensitiviteten, specificiteten og nøjagtigheden af kunstig intelligens til at forudsige postoperativ patologisk stadieinddeling, blev patienter, der kom ind i gruppen, fulgt op i 3 år, derefter analyserede vi sammenhængen mellem forudsigelsesresultater for kunstig intelligens og patient OS PFS RFS.
Det blev foreløbigt verificeret, at resultaterne af den kunstige intelligens-model har potentialet til at forudsige prognosen for patienter med blærekræft.
Studieoversigt
Status
Rekruttering
Betingelser
Detaljeret beskrivelse
Foreløbig forskning: Denne forskning er tværfaglig fælles forskning ved at kombinere kunstig intelligens med magnetisk resonans, den kan gøre den præoperative bestemmelse af blærekræftstadiet mere nøjagtig og vejlede klinikerens behandlingsplan.
På nuværende tidspunkt er det blevet konstrueret, at en kunstig intelligensmodel baseret på præoperative magnetiske resonansbilleder til at forudsige iscenesættelse og patientprognose.
Vi byggede en iscenesættelsesforudsigelsesmodel gennem deep learning kunstig intelligens-netværk og indsamlede magnetisk resonansbilleddata og relaterede postoperative patologiske data fra patienter, bagefter fulgte vi 576 patienter på basis af iscenesættelsesmodelkonstruktion.
Ved at opnå OS, PFS og RFS af patienter blev en del tilfældigt udvalgt som et træningssæt til træning af deep learning netværksmodellen.
Den anden del bruges som et testsæt for at verificere dens nøjagtighed.
Denne undersøgelse var et prospektivt, multicenter observationelt klinisk studie. I alt 150 patienter med malign blæretumor, som blev indlagt på urologisk afdeling på hvert center til behandling og gennemgik elektrisk resektion eller radikal cystektomi, var planlagt til at blive indskrevet.
For at analysere sensitiviteten, specificiteten og nøjagtigheden af kunstig intelligens til at forudsige postoperativ patologisk stadieinddeling, blev patienter, der kom ind i gruppen, fulgt op i 3 år, derefter analyserede vi sammenhængen mellem forudsigelsesresultater for kunstig intelligens og patient OS PFS RFS.
Det blev foreløbigt verificeret, at resultaterne af den kunstige intelligens-model har potentialet til at forudsige prognosen for patienter med blærekræft.
Undersøgelsestype
Observationel
Tilmelding (Forventet)
150
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
Jiangsu
-
Nanjing, Jiangsu, Kina, 210000
- Rekruttering
- the First Affiliated Hospital of Nanjing Medical University
-
Kontakt:
- Qiang Lu
- Telefonnummer: 13505196501
- E-mail: dxhlvqiang@163.com
-
-
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
- Barn
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
Patienter får MR på hvert studiecenter og gennemgår operationen.
Beskrivelse
Inklusionskriterier:
- Præoperativ undersøgelse beder patienten om at være blærekræft;
- Der er ingen grænse for kønnet;
- Alderen på 18 år eller derover;
- Kan give præoperative MR-billeder;
- Accepter at give personlig grundlæggende klinisk information og patologiske og billeddannende data til videnskabelig forskning og underskrive informeret samtykke;
- Accepter at give overvågningsresultater under opfølgende overvågning for gentagelse.
Ekskluderingskriterier:
- Patienten var ude af stand til at give præoperative MR-billeder, inklusive MR-billeder efter neoadjuverende terapi og før operation.
- Patienter med ufuldstændig patologisk information om prøver var ikke i stand til at give nøjagtige iscenesættelses- og klassificeringsoplysninger.
- Patienter kan ikke opereres på grund af deres egne årsager: alvorligt hjertesvigt, akut myokardieinfarkt, alvorlige hjerte- og lungesygdomme osv., de kan ikke tåle normal kirurgisk behandling;
- Patienter, der for nylig var blevet opereret (f.eks. TURBT) forud for MR-undersøgelse;
- Forskeren mener, at der er forhold, der kan forringe forsøgspersonen eller forårsage, at forsøgspersonen ikke opfylder eller udfører undersøgelseskrav;
- Patienter, der ikke kan give skriftligt informeret samtykke.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
At udforske anvendelsesværdien af kunstig intelligens i den præcise diagnose og behandling af blæretumor og at forbedre nøjagtigheden af MRI-diagnose af blærekræftstadie og -grad gennem kunstig intelligens.
Tidsramme: 1 år
|
2、Gennem konkordansanalyse af diagnoseresultater med kunstig intelligens med kirurgiske resultater, sensitivitet, specificitet, positiv prædiktiv værdi (PPV), negativ prædiktiv værdi (NPV) af kunstig intelligensdiagnose før operationen.
|
1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Samlet overlevelse
Tidsramme: 3 år efter operationen
|
Korrelationen mellem kunstig intelligens-model og OS hos blærekræftpatienter blev analyseret for foreløbigt at verificere den potentielle evne af kunstig intelligens-modelresultater til at forudsige prognosen for blærekræftpatienter.
|
3 år efter operationen
|
Andre resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
gentagelsesfri overlevelse
Tidsramme: 3 år efter operationen
|
Korrelationen mellem kunstig intelligens-model og RFS i blærekræftpatienter blev analyseret for foreløbigt at verificere den potentielle evne af kunstig intelligens-modelresultater til at forudsige prognosen for blærekræftpatienter.
|
3 år efter operationen
|
progressionsfri overlevelse
Tidsramme: 3 år efter operationen
|
Korrelationen mellem kunstig intelligens-model og PFS hos blærekræftpatienter blev analyseret for at foreløbig verificere den potentielle evne af kunstig intelligens-modellen til at forudsige prognosen for blærekræftpatienter.
|
3 år efter operationen
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Samarbejdspartnere
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- Panebianco V, Narumi Y, Altun E, Bochner BH, Efstathiou JA, Hafeez S, Huddart R, Kennish S, Lerner S, Montironi R, Muglia VF, Salomon G, Thomas S, Vargas HA, Witjes JA, Takeuchi M, Barentsz J, Catto JWF. Multiparametric Magnetic Resonance Imaging for Bladder Cancer: Development of VI-RADS (Vesical Imaging-Reporting And Data System). Eur Urol. 2018 Sep;74(3):294-306. doi: 10.1016/j.eururo.2018.04.029. Epub 2018 May 10.
- Wang H, Luo C, Zhang F, Guan J, Li S, Yao H, Chen J, Luo J, Chen L, Guo Y. Multiparametric MRI for Bladder Cancer: Validation of VI-RADS for the Detection of Detrusor Muscle Invasion. Radiology. 2019 Jun;291(3):668-674. doi: 10.1148/radiol.2019182506. Epub 2019 Apr 23.
- Suarez-Ibarrola R, Hein S, Reis G, Gratzke C, Miernik A. Current and future applications of machine and deep learning in urology: a review of the literature on urolithiasis, renal cell carcinoma, and bladder and prostate cancer. World J Urol. 2020 Oct;38(10):2329-2347. doi: 10.1007/s00345-019-03000-5. Epub 2019 Nov 5.
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)
1. januar 2021
Primær færdiggørelse (Forventet)
1. maj 2022
Studieafslutning (Forventet)
1. januar 2023
Datoer for studieregistrering
Først indsendt
7. oktober 2021
Først indsendt, der opfyldte QC-kriterier
19. oktober 2021
Først opslået (Faktiske)
27. oktober 2021
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
27. oktober 2021
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
19. oktober 2021
Sidst verificeret
1. oktober 2021
Mere information
Begreber relateret til denne undersøgelse
Nøgleord
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- 2021-SR-409
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
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 .