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

Deep Learning Signature til at forudsige fuldstændig patologisk respons på neoadjuverende kemoimmunterapi ved ikke-småcellet lungekræft

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

En integration af en computertomografi/positronemissionstomografi/helt diasbillede (CT/PET/WSI) baseret dyb læringssignatur til forudsigelse af fuldstændig patologisk respons på neoadjuverende kemoimmunterapi ved ikke-småcellet lungekræft: En multicenterundersøgelse

Formålet med denne undersøgelse er at evaluere ydeevnen af ​​en CT/PET/WSI-baseret deep learning-signatur til at forudsige fuldstændig patologisk respons på neoadjuverende kemoimmunterapi i ikke-småcellet lungekræft

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Undersøgelsestype

Observationel

Tilmelding (Anslået)

100

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

N/A

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Resekeret trin I-III NSCLC efter neoadjuverende kemoimmunterapi

Beskrivelse

Inklusionskriterier:

  1. Alder fra 20-75 år;
  2. Patienter, der gennemgik kurativ kirurgi efter neoadjuverende kemoimmunterapi for NSCLC;
  3. Indhentet skriftligt informeret samtykke.

Ekskluderingskriterier:

  1. Manglende billeddata;
  2. Patologisk N3 sygdom.

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
Området under modtagerens operationskarakteristiske kurve (ROC) af den dybe indlæringsmodel til at forudsige fuldstændig patologisk respons (CPR). CPR blev defineret som ingen resterende tumor i både resekeret primær tumor og lymfeknuder. Patienter med ikke-småcellet lungekræft, der får neoadjuverende kemoimmunterapi, opnår enten CPR eller ikke-CPR, hvilket kan bekræftes ved patologisk undersøgelse efter kirurgisk resektion. Og modellen vil udlæse den prædiktive værdi (CPR/non-CPR) for hver patient, der modtager neoadjuverende kemoimmunterapi.
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 fuldstændig patologisk respons. CPR blev defineret som ingen resterende tumor i både resekeret primær tumor og lymfeknuder. Patienter med ikke-småcellet lungekræft, der får neoadjuverende kemoimmunterapi, opnår enten CPR eller ikke-CPR, hvilket kan bekræftes ved patologisk undersøgelse efter kirurgisk resektion. Og modellen vil udlæse den prædiktive værdi (CPR/non-CPR) for hver patient, der modtager neoadjuverende kemoimmunterapi.
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 fuldstændig patologisk respons. CPR blev defineret som ingen resterende tumor i både resekeret primær tumor og lymfeknuder. Patienter med ikke-småcellet lungekræft, der får neoadjuverende kemoimmunterapi, opnår enten CPR eller ikke-CPR, hvilket kan bekræftes ved patologisk undersøgelse efter kirurgisk resektion. Og modellen vil udlæse den prædiktive værdi (CPR/non-CPR) for hver patient, der modtager neoadjuverende kemoimmunterapi.
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 fuldstændig patologisk respons. CPR blev defineret som ingen resterende tumor i både resekeret primær tumor og lymfeknuder. Patienter med ikke-småcellet lungekræft, der får neoadjuverende kemoimmunterapi, opnår enten CPR eller ikke-CPR, hvilket kan bekræftes ved patologisk undersøgelse efter kirurgisk resektion. Og modellen vil udlæse den prædiktive værdi (CPR/non-CPR) for hver patient, der modtager neoadjuverende kemoimmunterapi.
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 fuldstændig patologisk respons. CPR blev defineret som ingen resterende tumor i både resekeret primær tumor og lymfeknuder. Patienter med ikke-småcellet lungekræft, der får neoadjuverende kemoimmunterapi, opnår enten CPR eller ikke-CPR, hvilket kan bekræftes ved patologisk undersøgelse efter kirurgisk resektion. Og modellen vil udlæse den prædiktive værdi (CPR/non-CPR) for hver patient, der modtager neoadjuverende kemoimmunterapi.
2023.5.1-2023.10.31
Nøjagtighed
Tidsramme: 2023.5.1-2023.10.31
Nøjagtigheden af ​​den dybe læringsmodel til at forudsige fuldstændig patologisk respons. CPR blev defineret som ingen resterende tumor i både resekeret primær tumor og lymfeknuder. Patienter med ikke-småcellet lungekræft, der får neoadjuverende kemoimmunterapi, opnår enten CPR eller ikke-CPR, hvilket kan bekræftes ved patologisk undersøgelse efter kirurgisk resektion. Og modellen vil udlæse den prædiktive værdi (CPR/non-CPR) for hver patient, der modtager neoadjuverende kemoimmunterapi.
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

  • DLCPR

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