- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT05576506
Anvendelse af hyperspektral billedanalyseteknologi til diagnosticering af kolorektal cancer baseret på koloskopisk biopsi
16. december 2022 opdateret af: Xiuli Zuo, Shandong University
Formålet med denne undersøgelse er at udvikle og validere en deep learning algoritme til diagnosticering af kolorektal cancer anden kolorektal sygdom ved at markere og analysere karakteristika ved hyperspektrale billeder baseret på de patologiske resultater af koloskopisk biopsi, for at forbedre objektiviteten og intelligensen af tidlig diagnose af tyktarmskræft.
Studieoversigt
Status
Rekruttering
Detaljeret beskrivelse
Indsaml prospektivt den hyperspektrale billedinformation af almindeligt koloskopisk biopsivæv.
Det koloskopiske biopsivæv er fra endoskopicentret på Qilu Hospital ved Shandong University.
De hyperspektrale billeder er markeret ud fra de patologiske biopsiresultater, og modellen med dybt konvolutionelt neuralt netværk (DCNN) anvendes.
Med træning og verifikation, udvikle Hyperspectral Imaging Artificial Intelligence Diagnostic System (HSIAIDS). En del af koloskopisk biopsivæv vil blive indsamlet som et prospektivt testsæt for prospektivt at teste den diagnostiske ydeevne af HSIAIDS-algoritmen.
Undersøgelsestype
Observationel
Tilmelding (Forventet)
50
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Xiuli Zuo, MD,PhD
- Telefonnummer: 15588818685
- E-mail: zuoxiuli@sina.com
Studiesteder
-
-
Shandong
-
Jinan, Shandong, Kina, 250012
- Rekruttering
- Qilu hosipital
-
-
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 75 år (Voksen, Ældre voksen)
Tager imod sunde frivillige
Ingen
Køn, der er berettiget til at studere
Alle
Prøveudtagningsmetode
Ikke-sandsynlighedsprøve
Studiebefolkning
patienter i alderen 18-75 år, der gennemgår koloskopiundersøgelse og biopsi;
Beskrivelse
Inklusionskriterier:
- patienter i alderen 18-75 år, der gennemgår koloskopiundersøgelsen og biopsien
Ekskluderingskriterier:
- patienter med alvorlig hjerte-, cerebral, lunge- eller nyredysfunktion eller psykiatriske lidelser, som ikke kan deltage i koloskopi
- patienter med tidligere kirurgiske indgreb på mave-tarmkanalen.
- patienter med kontraindikationer til biopsi
- patienter, der nægter at underskrive samtykkeerklæringen
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
Kohorter og interventioner
Gruppe / kohorte |
---|
Deep learning algoritme gruppe
Efter at patienten har bestået screeningen, vil en rutinemæssig koloskopi blive udført, og målvævet med mistanke om betændelse eller neoplasi vil blive biopsieret.
De kliniske efterforskere bruger det hyperspektrale mikroskop til at indsamle billedinformation af biopsivævet i endoskopirummet.
Efter indsamling af information vil biopsiprøver rutinemæssigt blive behandlet og sendt til patologisk diagnose.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
Nøjagtighed af HSI kunstig intelligens model til at identificere kolorektal adenom og cancer
Tidsramme: 1 år
|
Nøjagtighed af hyperspektral billeddannelse (HSI) kunstig intelligensmodel til at identificere kolorektal hyperplastisk polyp, adenom, SSL og kolorektal cancer.
Nøjagtighed af kunstig intelligens-modeller Nøjagtighed = (sande positive + sande negative) / samlet antal forsøgspersoner * 100 %
|
1 år
|
Følsomhed
Tidsramme: 1 år
|
Sensitivitet af HSI kunstig intelligens-model Sensitivitet = antal sande positive / (antal sande positive + antal falske negative) * 100%.
|
1 år
|
Specificitet
Tidsramme: 1 år
|
Specificitet af HSI Artificial Intelligence Model Specificitet = antal sande negative / (antal sande negative + antal falske positive)*100 %
|
1 år
|
Negative forudsigelige værdier (NPV)
Tidsramme: 1 år
|
Negative prædiktive værdier for HSI kunstig intelligens-model = antal sande negative / (antal sande negative + antal falske negative)*100 %
|
1 år
|
AUC (95 % CI)
Tidsramme: 1 år
|
område under modtagerens driftskarakteristikkurve (AUC)
|
1 år
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
---|---|---|
At registrere og evaluere eventuelle ukendte risici og uønskede hændelser ved hyperspektral billeddannelse i prøvebilledoptagelse
Tidsramme: 1 år
|
At registrere og evaluere eventuelle ukendte risici og uønskede hændelser ved hyperspektral billeddannelse i prøvebilledoptagelse
|
1 år
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Efterforskere
- Studiestol: Xiuli Zuo, MD,PhD, Study Principal Investigator
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)
8. oktober 2022
Primær færdiggørelse (Forventet)
31. december 2023
Studieafslutning (Forventet)
31. december 2023
Datoer for studieregistrering
Først indsendt
8. oktober 2022
Først indsendt, der opfyldte QC-kriterier
8. oktober 2022
Først opslået (Faktiske)
12. oktober 2022
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
21. december 2022
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
16. december 2022
Sidst verificeret
1. oktober 2022
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
- Sygdomme i fordøjelsessystemet
- Neoplasmer efter histologisk type
- Neoplasmer
- Neoplasmer efter sted
- Neoplasmer, kirtel og epitel
- Gastrointestinale neoplasmer
- Neoplasmer i fordøjelsessystemet
- Gastrointestinale sygdomme
- Tyktarmssygdomme
- Tarmsygdomme
- Intestinale neoplasmer
- Endetarmssygdomme
- Kolorektale neoplasmer
- Adenom
Andre undersøgelses-id-numre
- 2022-SDU-QILU-G003
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 Kolorektale neoplasmer
-
Guangzhou First People's HospitalAfsluttet
-
University of ArkansasAktiv, ikke rekrutterendeColorectal cancer og inflammatorisk tarmsygdomForenede Stater
-
University Health Network, TorontoAstraZenecaAktiv, ikke rekrutterendeAdenocarcinom i bugspytkirtlen | Leiomyosarkom | Mismatch Reparation Proficient Colorectal CancerCanada
-
Tianjin Medical University Cancer Institute and...RekrutteringMSI-H Advanced Colorectal CancerKina
-
Bristol-Myers SquibbAktiv, ikke rekrutterendeMikrosatellit stabil kolorektal cancer | Mismatch Reparation Proficient Colorectal Cancer | Mikrosatellit ustabil kolorektal cancer | Mismatch Reparation Manglende tyktarmskræftForenede Stater, Australien, Belgien, Canada, Irland, Italien, Spanien, Frankrig
-
Syndax PharmaceuticalsMerck Sharp & Dohme LLCAfsluttetMelanom | Ikke-småcellet lungekræft | Mismatch Reparation-Proficient Colorectal CancerForenede Stater