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

Deep Learning Signatur til forudsigelse af aggressivt histologisk mønster i resekeret ikke-småcellet lungekræft

27. juni 2023 opdateret af: Chang Chen, Shanghai Pulmonary Hospital, Shanghai, China

Positron-emissionstomografi/computertomografi (PET/CT) baseret dyb læringssignatur til forudsigelse af aggressivt histologisk mønster i resekeret ikke-småcellet lungekræft

Formålet med denne undersøgelse er at evaluere ydeevnen af ​​en PET/CT-baseret dyb læringssignatur til at forudsige aggressivt histologisk mønster i resekeret ikke-småcellet lungekræft baseret på en multicenter prospektiv kohorte.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Undersøgelsestype

Observationel

Tilmelding (Anslået)

1500

Kontakter og lokationer

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

Studiesteder

  • Kina
    • Guizhou
      • Zunyi, Guizhou, Kina
        • Rekruttering
        • Affiliated Hospital of Zunyi Medical University
        • Kontakt:
    • Jiangxi
      • Nanchang, Jiangxi, Kina
        • Rekruttering
        • The First Affiliated Hospital of Nanchang University
        • Kontakt:
    • Zhejiang
      • Ningbo, Zhejiang, Kina
        • Rekruttering
        • Ningbo HwaMei Hospital
        • Kontakt:

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

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Resekeret trin I-III Ikke-småcellet lungekræft

Beskrivelse

Inklusionskriterier:

(1) Deltagere, der er planlagt til operation for radiologisk fund af pulmonale læsioner fra de præoperative tyndsektions-CT-scanninger; (2) Patologisk bekræftelse af primær NSCLC; (3) Alder fra 20-75 år; (4) Indhentet skriftligt informeret samtykke.

Ekskluderingskriterier:

(1) Multiple lungelæsioner; (2) Dårlig kvalitet af PET-CT-billeder; (3) Deltagere med ufuldstændig klinisk information; (4) Deltagere, der har modtaget neoadjuverende terapi.

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
Område under modtagerens funktionskarakteristikkurve
Tidsramme: 2023.5.1-2023.10.31
Arealet under modtagerens operationskarakteristiske kurve (ROC) af deep learning-modellen til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster. Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI). Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
2023.5.1-2023.10.31

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Følsomhed
Tidsramme: 2023.5.1-2023.10.31
Følsomheden af ​​den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster. Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI). Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
2023.5.1-2023.10.31

Andre resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Specificitet
Tidsramme: 2023.5.1-2023.10.31
Specificiteten af ​​den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster. Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI). Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
2023.5.1-2023.10.31
Positiv prædiktiv værdi
Tidsramme: 2023.5.1-2023.10.31
Den positive prædiktive værdi af den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster. Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI). Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
2023.5.1-2023.10.31
Negativ prædiktiv værdi
Tidsramme: 2023.5.1-2023.10.31
Den negative prædiktive værdi af den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster. Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI). Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
2023.5.1-2023.10.31
Nøjagtighed
Tidsramme: 2023.5.1-2023.10.31
Nøjagtigheden af ​​den dybe læringsmodel til at forudsige tilstedeværelsen eller fraværet af det aggressive histologiske mønster. Det aggressive histologiske mønster omfatter spredning gennem luftrummet (STAS), visceral pleurainvasion (VPI) og lymfovaskulær invasion (LVI). Og modellen vil udlæse alle prædiktive værdier (tilstedeværelse eller fravær) af de tre slags aggressive histologiske mønstre.
2023.5.1-2023.10.31

Samarbejdspartnere og efterforskere

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

Sponsor

Shanghai Pulmonary Hospital, Shanghai, China

Samarbejdspartnere

Zunyi Medical College
Ningbo HwaMei Hospital, Zhejiang, China
The First Affiliated Hospital of Nanchang University, Jiangxi, China

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. maj 2023

Primær færdiggørelse (Anslået)

31. oktober 2023

Studieafslutning (Anslået)

31. oktober 2023

Datoer for studieregistrering

Først indsendt

12. maj 2023

Først indsendt, der opfyldte QC-kriterier

27. juni 2023

Først opslået (Faktiske)

29. juni 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

29. juni 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

27. juni 2023

Sidst verificeret

1. juni 2023

Mere information

Begreber relateret til denne undersøgelse

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • DLAHP

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 .

Abonner